PREDIKSI DATA TIME SERIES PENJUALAN KATEGORI PRODUK MENGGUNAKAN PENDEKATAN MACHINE LEARNING

SIBORO, YESSY NATALIA (2020) PREDIKSI DATA TIME SERIES PENJUALAN KATEGORI PRODUK MENGGUNAKAN PENDEKATAN MACHINE LEARNING. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) COVER.pdf Download (928kB) | Preview
	Text (BAB I) BAGIAN I.pdf Restricted to Registered users only Download (36kB)
	Text (BAB II) BAGIAN II.pdf Restricted to Registered users only Download (173kB)
	Text (BAB III) BAGIAN III.pdf Restricted to Registered users only Download (63kB)
	Text (BAB IV) BAGIAN IV.pdf Restricted to Registered users only Download (66kB)
	Text (BAB V) BAGIAN V.pdf Restricted to Registered users only Download (36kB)
	Text (BAB VI) BAGIAN VI.pdf Restricted to Registered users only Download (139kB)

Abstract

Perencanaan kebutuhan pasar diperlukan untuk mencapai kesuksesan sebuah perusahaan. Dalam perencanaan strategi pemasaran maka perlu menerapkan metode untuk meningkatkan jumlah permintaan pasar. Untuk memenuhi kebutuhan pasar dan juga jumlah data yang semakin banyak maka diperlukan penerapan metode prediksi. Dimana hal ini dilakukan untuk menghindari keterbatasan stock barang yang akan dibeli pedagang. Meskipun teknologi informasi, khususnya komputasi, telah diadopsi di berbagai bidang, namun masih banyak perusahaan tidak memanfaatkan secara optimum. Perusahaan berpotensi mendapatkan benefit dari pemanfaatan teknologi untuk komputasi misalnya berdasarkan historis transaksi penjualan dari tahun ke tahun. Sayangnya kebanyakan saat ini data tersebut, hanya digunakan sebagai bahan laporan bulanan dan tahunan. Sementara dari waktu ke waktu terjadi pertumbuhan data yang tidak dimanfaatkan dengan benar, alih - alih memudahkan tetapi yang terjadi adalah kesulitan mengakses informasi yang tepat. Pada eksperimen ini, digunakan dataset penjualan barang yang dikumpulkan selama setahun untuk memprediksi barang yang paling diminati di masa mendatang dengan perbandingan metode Long Short Term Memory dan Regresi Long Short Term Memory (LSTM). Algoritma LSTM digunakan untuk mengelola data time series. Pada penelitian ini digunakan untuk menganalisis data penjualan pada hari t guna memprediksi penjualan pada hari t + 1. Dimana hasil dari percobaan ini yaitu tingkat akurasi dari metode LSTM masih lebih baik dibanding dengan regresi LSTM. Dan banyaknya jumlah data training sangat mempengaruhi terhadap hasil akurasi dari prediksi. Kata kunci: Penjualan; Prediksi; Long Short Term Memory.

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 20 012
NIM/NIDN Creators:	41517120088
Uncontrolled Keywords:	Penjualan; Prediksi; Long Short Term Memory
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 005 Computer Programmming, Programs, Data/Pemprograman Komputer, Program, Data > 005.5 General Purpose Application Programs/Program Aplikasi dengan Kegunaan Khusus 200 Religion/Agama > 290 Other Religions/Agama Selain Kristen > 297 Agama Islam/Islam > 297.4 Islamic law/Hukum Islam > 297.43 Muamalat/Muamalat > 297.431 Buy Sell/Jual Beli 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 658 General Management/Manajemen Umum > 658.01-658.09 [Management of Enterprises of Specific Sizes, Scopes, Forms; Data Processing]/[Pengelolaan Usaha dengan Ukuran, Lingkup, Bentuk Tertentu; Pengolahan Data] > 658.05 Data Processing Computer Applications/Pengolahan Data Aplikasi Komputer 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 658 General Management/Manajemen Umum > 658.8 Marketing, Management of Distribution/Marketing, Manajemen Distribusi
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	Putra Arsy Anugrah
Date Deposited:	24 May 2022 04:48
Last Modified:	16 Jun 2023 01:26
URI:	http://repository.mercubuana.ac.id/id/eprint/54784

Actions (login required)

View Item