PERBANDINGAN ALGORITMA LONG SHORT TERM MEMORY (LSTM) DAN LIGHTGBM UNTUK MENINGKATKAN EFISIENSI STOK BARANG MELALUI FORECASTING

RIVALDO, GEORGE (2025) PERBANDINGAN ALGORITMA LONG SHORT TERM MEMORY (LSTM) DAN LIGHTGBM UNTUK MENINGKATKAN EFISIENSI STOK BARANG MELALUI FORECASTING. S1 thesis, Universitas Mercu Buana Jakarta.

Text (JURNAL MAHASISWA) JURNAL+GEORGERIVALDO+41520110052.pdf Restricted to Registered users only Download (2MB)

Abstract

This research aims to address the growing challenges faced by e-commerce businesses in inventory management, particularly the need for accurate forecasting of outgoing goods. The study focuses on comparing the performance of two machine learning algorithms: Long Short Term Memory (LSTM) and LightGBM. Accurate forecasting is crucial to minimize issues such as overstock and stockouts, which can adversely affect profitability. Using evaluation metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE), this study analyzes historical sales data to evaluate the predictive accuracy of both models. The results indicate that the LSTM model provides more accurate predictions compared to LightGBM, demonstrating its effectiveness as a forecasting tool in inventory stock management. These findings highlight the importance of employing advanced machine learning techniques to enhance inventory efficiency, and ultimately, to aid businesses in better decisionmaking and improved profitability. Keywords: LSTM, LightGBM, Inventory, Forecasting, MAE, RMSE, MAPE Penelitian ini bertujuan untuk mengatasi tantangan yang semakin meningkat yang dihadapi oleh bisnis e-commerce dalam pengelolaan inventaris, terutama kebutuhan untuk memprediksi secara akurat barang yang keluar. Studi ini fokus membandingkan kinerja dua algoritma machine learning: Long Short Term Memory (LSTM) dan LightGBM. Perkiraan yang tepat sangat penting untuk meminimalkan masalah seperti kelebihan stok dan kekurangan stok, yang bisa berdampak buruk terhadap profitabilitas. Dengan menggunakan metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE), penelitian ini menganalisis data penjualan historis untuk menilai akurasi prediksi kedua model. Hasil penelitian menunjukkan bahwa model LSTM memberikan prediksi yang lebih akurat dibandingkan dengan LightGBM, menunjukkan efektivitasnya sebagai alat perkiraan dalam pengelolaan stok inventaris. Temuan ini menggarisbawahi pentingnya menggunakan teknik machine learning canggih untuk meningkatkan efisiensi inventaris, dan pada akhirnya, membantu bisnis dalam pengambilan keputusan yang lebih baik serta meningkatkan profitabilitas. Kata Kunci: LSTM, LightGBM, Inventaris, Perkiraan, MAE, RMSE, MAPE

Item Type:	Thesis (S1)
Call Number CD:	JM/INFO. 25 006
NIM/NIDN Creators:	41520110052
Uncontrolled Keywords:	LSTM, LightGBM, Inventaris, Perkiraan, MAE, RMSE, MAPE
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 > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 300 Social Science/Ilmu-ilmu Sosial > 330 Economics/Ilmu Ekonomi 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	18 Feb 2025 06:28
Last Modified:	18 Feb 2025 06:28
URI:	http://repository.mercubuana.ac.id/id/eprint/94306

Actions (login required)

View Item