Peramalan Penjualan Dan Jumlah Stok Aman Roti Menggunakan Long Short-Term Memory (Studi Kasus Di Efrata Bakery)

Authors

Abstract

Abstrak — Industri roti di Indonesia terus berkembang seiring meningkatnya permintaan roti sebagai alternatif makanan pokok. Namun, usaha roti skala kecil seperti Efrata Bakery kerap menghadapi tantangan dalam meramalkan penjualan akibat fluktuasi permintaan, faktor musiman, dan perubahan preferensi konsumen. Hal ini dapat menyebabkan ketidaktepatan perencanaan stok, risiko overstock, hingga menurunnya kualitas layanan. Penelitian ini mengembangkan sistem peramalan penjualan harian menggunakan metode Long Short-Term Memory (LSTM), teknik deep learning yang efektif untuk data time-series. Model dikembangkan secara univariate per jenis roti dan dilengkapi proses deteksi serta penanganan anomali pada data historis untuk meningkatkan akurasi. Hasil evaluasi menunjukkan rata-rata Mean Absolute Precentage Error (MAPE)  sebesar 10.84%, menandakan performa prediksi yang baik. Sistem tidak hanya memprediksi penjualan H+1, tetapi juga merekomendasikan jumlah stok produksi harian dengan mempertimbangkan stok sisa. Pendekatan ini memungkinkan penyesuaian jumlah produksi secara adaptif untuk menghindari overstock maupun stockout. Sistem diimplementasikan dalam bentuk aplikasi web yang memudahkan pemilik toko dalam mengakses informasi prediksi dan rekomendasi stok. Dengan sistem ini, Efrata Bakery dapat mengoptimalkan perencanaan produksi dan meningkatkan kepuasan pelanggan.

Kata kunci Peramalan Penjualan, Long Short-term Memory, Industri roti, time-series, deep learning.

Downloads

Download data is not yet available.

References

[1] Q. A. Fuzaki, Perbandingan Metode Double Exponential Smoothing dan Least Square untuk Prediksi Penjualan Kue, Skripsi, Universitas Islam Negeri Maulana Malik Ibrahim Malang, 2022. [Online]. Tersedia: http://etheses.uin-malang.ac.id/39078/1/17650117.pdf [Diakses: 15 Nov. 2024].

[2] E. P. Hartinningrum, S. Achmadi, dan Y. A. Pranoto, "Implementasi Metode Holt Winter’s Exponential Smoothing sebagai Prediksi Penjualan Roti Agung Bakery (Studi Kasus: Cabang Kabupaten Kotabaru)," Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 5, 2024

[3] J. Cahyani, S. Mujahidin, dan T. P. Fiqar, "Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional," J. Sistem Dan Teknologi Informasi (JustIN), vol. 11, no. 2, hal. 346, 2023. [Online]. Tersedia: https://doi.org/10.26418/justin.v11i2.57395 [Diakses: 11 Nov. 2024]

[4] D. D. Pramesti, D. C. R. Novitasari, F. Setiawan, dan H. Khaulasari, "Long-Short Term Memory (LSTM) for Predicting Velocity and Direction Sea Surface Current on Bali Strait," BAREKENG: J. Ilmu Matematika dan Terapan, vol. 16, no. 2, hal. 451–462, 2022.[Online].Tersedia:https://doi.org/10.30598/barekengvol16iss2pp451-462 [Diakses: 21 Okt. 2024].

[5] A. Kurniawati, M. Sabri Ahmad, M. Fhadli, dan S. Lutfi, "Analisis Perbandingan Metode Time Series Forecasting untuk Prediksi Penjualan Obat di Apotek (Studi Kasus: Kimia Farma Apotek Takoma)," JATI (J. Jaringan dan Teknologi Informasi), vol. 3, no. 1, hal. 96–106, 2023. [Online]. Tersedia: https://doi.org/10.33395/sinkron.v8i4.14057 [Diakses: 21 Okt. 2024].

[6] F. C. Yulianto dan N. Latifah, Peramalan Penjualan Laptop Menggunakan Metode Long Short Term Memory (LSTM), 2024. [Online]. Tersedia: https://github.com/C4AnN/Laptop_Lens/blob/main/M [Diakses: 13 Des. 2024].

[7] M. T. Tombeng dan Z. Ardian, "Prediksi Penjualan Supermarket Menggunakan Pendekatan Deep Learning," Cogito Smart J., vol. 7, no. 1, hal. 160, Jun. 2021. Fakultas Ilmu Komputer, Universitas Klabat. [Online].Tersedia:https://cogito.unklab.ac.id/index.php/cogito/article/view/306/184 [Diakses: 21 Okt. 2024].

[8] D. Meilasari, Implementasi Machine Learning dalam Memprediksi Permintaan Model Business to Business dengan Menggunakan Algoritma Autoregressive Integrated Moving Average (ARIMA) dan Long Short Term Memory (LSTM) Guna Mengurangi Food Waste (Studi Kasus: PT TaniHub Indonesia), Tugas Akhir, Program Studi Teknik Industri, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta, 2022. [Online]. Tersedia: https://dspace.uii.ac.id/handle/123456789/40966 [Diakses: 31 Jul. 2025].

[9] R. Al Kiramy, I. Permana, A. Marsal, M. R. Munzir, dan M. Megawati, "Perbandingan Performa Algoritma RNN dan LSTM dalam Prediksi Jumlah Jamaah Umrah pada PT. Hajar Aswad," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, hal. 1224–1234, 2024. [Online].Tersedia:https://doi.org/10.57152/malcom.v4i4.1373 [Diakses: 14 Nov. 2024].

[10] G. Tamami dan M. Arifin, "Penggunaan LSTM dalam Membangun Prediksi Penjualan untuk Aplikasi Laptop Lens," J. Fasilkom, vol. 14, no. 2, hal. 301–308, 2024. [Online]. Tersedia: https://www.kaggle.com/datasets/artakusuma/laptope [Diakses: 21 Okt. 2024].

[11] I. C. Azhari dan T. Haryanto, "Modeling of Hyperparameter Tuned RNN-LSTM and Deep Learning for Garlic Price Forecasting in Indonesia," J. Informatics and Telecommunication Engineering, vol. 7, no. 2, hal. 502–513, 2024. [Online]. Tersedia: https://doi.org/10.31289/jite.v7i2.10714 [Diakses: 17 Okt. 2024].

[12] S. Rahayu dan D. H. Nurdiansyaha, "Analisis Peramalan Penjualan Produk Kaos Sablon (Studi Kasus: Home Industry Alva Cloth)," J. Ilmiah Wahana Pendidikan, vol. 8, no. 22, hal. 383–393, 2022. [Online].Tersedia:https://doi.org/10.5281/zenodo.7349799 [Diakses: 14 Des. 2024].

[13] I. S. Machfiroh dan C. A. Ramadhan, "Peramalan Penjualan Produk Cup 220 mL Menggunakan Metode Least Square pada PT. Panen Embun Kemakmuran Tahun 2022," J. Matematika dan Statistika serta Aplikasinya, vol. 10, no. 2, 2022. [Online]. Tersedia: https://journal3.uinalauddin.ac.id/index.php/msa/article/view/27870 [Diakses: 14 Des. 2024].

[14] H. Jamaludin dan S. Sugiyanto, "Monthly Revenue Prediction for HeroGame Businesses Using Time Series Analysis," J. Media Pratama, vol. 17, no. 2, 2023. [Online]. [Diakses: 14 Des. 2024].

[15] M. N. Ustadha, I. Kadek, dan D. Nuryana, "Model Peramalan Permintaan Sandal Wanita dalam Rantai Pasok UMKM Menggunakan Algoritma Regresi Linear: Studi Kasus pada UMKM Ann-D’Mello Sandals," 2024. [Online]. Tersedia: https://digilib.unesa.ac.id/detail/NDcwODAyODAtNDVhZS0xMWVmLTk3NDQtYWI0ZmQyY2Q2Yjk2 [Diakses: 17 Des. 2024].

[16] M. Tamba, Analisis dan Implementasi Teknologi Deep Learning dalam Pengolahan Citra Digital, 2024. [Online]. [Diakses: 15 Des. 2024].

[17] A. S. Yaro, F. Maly, dan P. Prazak, "Outlier Detection in Time-Series Receive Signal Strength Observation Using Z-Score Method with Sn Scale Estimator for Indoor Localization," Appl. Sci. (Switzerland), vol. 13, no. 6, 2023. [Online]. Tersedia: https://doi.org/10.3390/app13063900 [Diakses: 12 Jul. 2025].

[18] E. R. H. P. Isaac dan A. Sharma, "Adaptive Thresholding Heuristic for KPI Anomaly Detection," arXiv preprint, arXiv:2308.10504, 2023. [Online]. Tersedia: http://arxiv.org/abs/2308.10504 [Diakses: 12 Jul. 2025].

[19] I. G. T. Suryawan, I. K. N. Putra, P. M. Meliana, dan I. G. I. Sudipa, "Performance Comparison of ARIMA, LSTM, and Prophet Methods in Sales Forecasting," Sinkron, vol. 8, no. 4, hal. 2410–2421, 2024.[Online].Tersedia:https://doi.org/10.33395/sinkron.v8i4.14057 [Diakses: 12 Feb. 2025].

[20] A. Sujjada dan F. Sembiring, "Prediksi Harga Bitcoin Menggunakan Algoritma Long Short-Term Memory," Jurnal Inovtek Polbeng – Seri Informatika, vol. 9, no. 1, hal. 1–10, 2024. [Diakses: 12 Feb. 2025].

Published

2025-12-01

Issue

Pages

1 - 9

Section

Prodi S1 Teknologi Informasi - Kampus Surabaya

How to Cite

Dean Igo Wibowo, Yohanes Setiawan, & Farah Zakiyah Rahmanti. (2025). Peramalan Penjualan Dan Jumlah Stok Aman Roti Menggunakan Long Short-Term Memory (Studi Kasus Di Efrata Bakery). EProceedings of Engineering, 12(6), 1-9. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/28993