Search engine for discovering works of Art, research articles, and books related to Art and Culture
ShareThis
Javascript must be enabled to continue!

Peramalan Penjualan Laptop Menggunakan Metode Long Short Term Memory (LSTM)

View through CrossRef
Industri penjualan laptop tidak hanya dipengaruhi oleh kemajuan teknologi, tetapi juga dipengaruhi oleh perubahan cepat dalam prefernsi konsumen dan perubahan kondisi ekonomi seseorang. Permintaan laptop dari konsumen bervariasi secara signifikan dari waktu ke waktu, yang dipengaruhi oleh beberapa faktor seperti kualitas produk, harga produk, citra merek, dan kecepatan peluncuran model baru. Ketidakstabilan faktor tersebut membuat penjual laptop mengalami kesulitan dalam melakukan restock barang di tokonya, dari beberapa kasus yang ada penjual laptop sering mengalami overstock ataupun stockout. Salah satu metode yang dapat digunakan untuk memprediksi penjualan barang adalah metode Long Short Term Memory (LSTM). Dimana dalam pembuatan model tersebut dibagi menjadi 3 category yaitu low-end category, mid-end category dan high-end category. Untuk low-end category memiliki kriteria harga <= Rp. 8.000.000 sedangkan mid-end category memiliki kriteria harga > Rp. 8.000.000 dan <= Rp. 16.000.000 dan untuk high-end category memiliki kriteria harga > Rp. 16.000.000. Untuk pengoptimalan hasil prediksi digunakanlah metode optimasi Adaptive Moment Gradient (ADAM). Berdasarkan uji coba dengan menggunakan metode tersebut didapatkan hasil berupa RMSE (low-end category): 30.4401 dan R2 Score (low-end category): 0.9804,  RMSE (mid-end category): 14.1007 dan R2 Score (mid-end category): 0.9956, dan RMSE (high-end category): 14.5063 dan R2 Score (high-end category): 0.9964.
Title: Peramalan Penjualan Laptop Menggunakan Metode Long Short Term Memory (LSTM)
Description:
Industri penjualan laptop tidak hanya dipengaruhi oleh kemajuan teknologi, tetapi juga dipengaruhi oleh perubahan cepat dalam prefernsi konsumen dan perubahan kondisi ekonomi seseorang.
Permintaan laptop dari konsumen bervariasi secara signifikan dari waktu ke waktu, yang dipengaruhi oleh beberapa faktor seperti kualitas produk, harga produk, citra merek, dan kecepatan peluncuran model baru.
Ketidakstabilan faktor tersebut membuat penjual laptop mengalami kesulitan dalam melakukan restock barang di tokonya, dari beberapa kasus yang ada penjual laptop sering mengalami overstock ataupun stockout.
Salah satu metode yang dapat digunakan untuk memprediksi penjualan barang adalah metode Long Short Term Memory (LSTM).
Dimana dalam pembuatan model tersebut dibagi menjadi 3 category yaitu low-end category, mid-end category dan high-end category.
Untuk low-end category memiliki kriteria harga <= Rp.
8.
000.
000 sedangkan mid-end category memiliki kriteria harga > Rp.
8.
000.
000 dan <= Rp.
16.
000.
000 dan untuk high-end category memiliki kriteria harga > Rp.
16.
000.
000.
Untuk pengoptimalan hasil prediksi digunakanlah metode optimasi Adaptive Moment Gradient (ADAM).
Berdasarkan uji coba dengan menggunakan metode tersebut didapatkan hasil berupa RMSE (low-end category): 30.
4401 dan R2 Score (low-end category): 0.
9804,  RMSE (mid-end category): 14.
1007 dan R2 Score (mid-end category): 0.
9956, dan RMSE (high-end category): 14.
5063 dan R2 Score (high-end category): 0.
9964.

Related Results

Effects of Contextual Cues on False Memory: A Comparative Experimental Approach
Effects of Contextual Cues on False Memory: A Comparative Experimental Approach
Research on false memory formation using the Deese-Roediger-McDermott (DRM) paradigm has been extensively conducted in Western contexts. Yet, a significant gap remains in experimen...
Pengembangan Aplikasi Untuk Meramalkan Penjualan Bordir Tasikmalaya Menggunakan Metode Penghalusan Eksponensial
Pengembangan Aplikasi Untuk Meramalkan Penjualan Bordir Tasikmalaya Menggunakan Metode Penghalusan Eksponensial
<em><span>Meramalkan produksi bordir untuk penjualan periode berikutnya merupakan hal yang selalu dilakukan oleh para produsen bordir Tasikmalaya. Biasanya para pengusa...
Mass Conserving LSTM with Dual States for Improved Streamflow Prediction through Quickflow and Slow Storage Separation
Mass Conserving LSTM with Dual States for Improved Streamflow Prediction through Quickflow and Slow Storage Separation
Long-Short Term Memory (LSTM) shows exceptional performance for rainfall-runoff modelling, but lacks physical realism. Efforts to integrate mass conserving into the model architect...
Penambahbaikan Kaedah Peramalan Purata Setempat bagi Peramalan Data Siri Masa Aras Sungai di Kawasan Banjir
Penambahbaikan Kaedah Peramalan Purata Setempat bagi Peramalan Data Siri Masa Aras Sungai di Kawasan Banjir
Aras air yang agak tinggi, tidak menentu dan melebihi tebing sungai adalah penyebab kepada bencana banjir. Ini memberi kesan kepada berlakunya banjir di kawasan pinggir sungai akib...
Streamflow simulations using regionalized Long Short-Term Memory (LSTM) neural network models in contrasting climatic conditions
Streamflow simulations using regionalized Long Short-Term Memory (LSTM) neural network models in contrasting climatic conditions
We investigate the potential of using Long Short-Term Memory (LSTM) neural networks for estimating streamflow in (sub)tropical catchments under contrasting hydroclimatic regimes (s...
PERAMALAN PENJUALAN MUKENA DENGAN METODE SINGLE EXPONENTIAL SMOOTHING BERBASIS WEB
PERAMALAN PENJUALAN MUKENA DENGAN METODE SINGLE EXPONENTIAL SMOOTHING BERBASIS WEB
Penjualan mukena merupakan aspek penting dalam bisnis UD. Al-Firdausy Collection. Namun, sistem penjualan yang dilakukan secara manual menghadirkan berbagai kendala, seperti kesala...
PENERAPAN METODE LSTM, ARIMA DAN SARIMA UNTUK MEMPREDIKSI JAM SIBUK PADA TRAFIK INTERNET
PENERAPAN METODE LSTM, ARIMA DAN SARIMA UNTUK MEMPREDIKSI JAM SIBUK PADA TRAFIK INTERNET
Jam sibuk terjadi karena antrian padat jaringan di jam-jam tertentu menyebabkan kemacetan jaringan dan penurunan kinerja. Penelitian ini melakukan peramalan jam sibuk trafik intern...
Application of HP-LSTM Models for Groundwater Level Prediction in Karst Regions: A Case Study in Qingzhen City
Application of HP-LSTM Models for Groundwater Level Prediction in Karst Regions: A Case Study in Qingzhen City
Groundwater serves as an indispensable global resource, essential for agriculture, industry, and the urban water supply. Predicting the groundwater level in karst regions presents ...

Back to Top