ANALISIS DATA PENJUALAN UMKM INDUSTRI CLOTHING UNTUK OPTIMALISASI STRATEGI PENJUALAN MENGGUNAKAN METODE LONG SHORT-TERM MEMORY
Abstract
Usaha Mikro, Kecil, dan Menengah (UMKM) di sektor industri clothing merupakan salah satu pilar utama perekonomian yang berkontribusi besar terhadap Produk Domestik Bruto (PDB) dan penyerapan tenaga kerja. Namun, UMKM menghadapi tantangan serius terkait persaingan pasar, perubahan tren konsumen, dan fluktuasi permintaan. Perkembangan teknologi analisis data dan machine learning menawarkan solusi untuk meningkatkan akurasi peramalan penjualan sehingga dapat mendukung strategi bisnis yang lebih tepat. Penelitian ini bertujuan mengembangkan model prediksi penjualan berbasis Long Short-Term Memory (LSTM) yang disesuaikan dengan karakteristik UMKM clothing di Indonesia. Penelitian dilakukan pada UMKM Ananda Kids di Purbalingga dengan menggunakan data transaksi harian sebanyak 30.885 entri selama 23 bulan. Data yang digunakan mencakup kategori produk, jumlah penjualan, dan pendapatan, yang kemudian diproses melalui normalisasi, penanganan missing values, serta penambahan fitur musiman. Model LSTM dirancang dengan 128 unit neuron dan diuji menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM mampu memberikan akurasi tinggi pada kategori produk tertentu. Kategori “Set” dan “Fashion Bayi & Anak” mencapai MAPE di bawah 10%, menunjukkan efektivitas model dalam memprediksi pola penjualan yang stabil. Sebaliknya, kategori dengan volatilitas tinggi, seperti aksesori, menghasilkan tingkat kesalahan prediksi yang lebih besar. Temuan ini menegaskan bahwa kualitas data dan stabilitas pola penjualan merupakan faktor penting dalam meningkatkan performa model. Penelitian ini menunjukkan bahwa penerapan LSTM berpotensi besar dalam mendukung pengambilan keputusan strategis UMKM melalui peramalan penjualan yang lebih akurat. Selain memberikan kontribusi praktis bagi pelaku usaha, penelitian ini juga dapat menjadi dasar pengembangan kebijakan digitalisasi sektor UMKM di Indonesia.
References
Kementerian Koperasi dan UKM Republik Indonesia. (2019). *Perkembangan data usaha mikro, kecil, menengah (UMKM) dan usaha besar (UB) tahun 2018–2019*.
Brownlee, J. (2018). *Deep learning for time series forecasting: Predict the future with MLPs, CNNs and LSTMs in Python* (Version 1.4).
Ganesan, P. (2024). AI-powered sales forecasting: Transforming accuracy and efficiency in predictive analytics. *Journal of Artificial Intelligence, Machine Learning and Data Science, 2*(1), 1213–1216. https://doi.org/10.51219/JAIMLD/premkumarganesan/280
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. *Neural Computation, 9*(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Huang, Z.-C., Sangiorgi, I., & Urquhart, A. (2024). Forecasting Bitcoin volatility using machine learning techniques. *Journal of International Financial Markets, Institutions and Money, 97*, 102064. https://doi.org/10.1016/j.intfin.2024.102064
Jaquart, P., Köpke, S., & Weinhardt, C. (2022). Machine learning for cryptocurrency market prediction and trading. *The Journal of Finance and Data Science, 8*, 331–352. https://doi.org/10.1016/j.jfds.2022.12.001
John, A., & Latha, T. (2023). Stock market prediction based on deep hybrid RNN model and sentiment analysis. *Automatika, 64*(4), 981–995. https://doi.org/10.1080/00051144.2023.2217602
Li, Q., & Yu, M. (2023). Achieving sales forecasting with higher accuracy and efficiency: A new model based on modified Transformer. *Journal of Theoretical and Applied Electronic Commerce Research, 18*(4), 1990–2006. https://doi.org/10.3390/jtaer18040100
Mienye, I. D., & Swart, T. G. (2024). A comprehensive review of deep learning: Architectures, recent advances, and applications. *Information, 15*(12), 755. https://doi.org/10.3390/info15120755
Muth, M., Lingenfelder, M., & Nufer, G. (2024). The application of machine learning for demand prediction under macroeconomic volatility: A systematic literature review. *Management Review Quarterly*. https://doi.org/10.1007/s11301-024-00447-8
Waqas, M., & Humphries, U. W. (2024). A critical review of RNN and LSTM variants in hydrological time series predictions. *MethodsX, 13*, 102946. https://doi.org/10.1016/j.mex.2024.102946
Zhang, X., Zhang, L., Zhou, Q., & Jin, X. (2022). A novel Bitcoin and gold prices prediction method using an LSTM-P neural network model. *Computational Intelligence and Neuroscience, 2022*, Article 1643413. https://doi.org/10.1155/2022/1643413
