Studi Perbandingan Peramalan Time Series Pada Penjualan Besi Menggunakan CNN, MLP, dan LSTM

Comparative Study of Time Series Forecasting on Iron Sales Using CNN, MLP, and LSTM

Peramalan penjualan sangat penting bagi bisnis untuk memprediksi permintaan masa depan dan menginformasikan perencanaan strategis dan operasional, terutama di industri ritel bahan bangunan. Prediksi penjualan yang akurat mendukung manajemen inventaris, pengendalian biaya, dan efisiensi rantai pasokan. Studi ini membandingkan kinerja 3 model pembelajaran mendalam, Convolutional Neural Network (CNN), Multilayer Perceptron (MLP), dan Long Short-Term Memory (LSTM), dalam meramalkan penjualan besi harian di PT Surya Aneka Bangunan dari tahun 2016 hingga 2020. Model-model tersebut dilatih pada 80% data historis dan diuji pada 20%. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan Coefficient of Determination (R²). Hasil penelitian menunjukkan bahwa model CNN mencapai kinerja terbaik dengan MAE sebesar 0,293, RMSE sebesar 0,357, MAPE sebesar 0,081, dan R² sebesar 0,9989, yang menunjukkan akurasi dan stabilitas yang tinggi. Model MLP menghasilkan kesalahan yang lebih tinggi, sementara model LSTM memiliki MAPE terendah tetapi variabilitas kesalahannya lebih besar. Temuan ini menunjukkan bahwa model CNN paling andal dalam menangkap pola temporal dalam data penjualan besi. Studi ini berkontribusi pada pengembangan sistem peramalan penjualan adaptif dan membuka peluang untuk menerapkan metode serupa di sektor ritel lain guna mendukung pengambilan keputusan berbasis data.

Sales forecasting is essential for businesses to predict future demand and inform strategic and operational planning, especially in the building materials retail industry. Accurate sales prediction supports inventory management, cost control, and supply chain efficiency. This study compares the performance of 3 deep learning models, Convolutional Neural Network (CNN), Multilayer Perceptron (MLP), and Long Short-Term Memory (LSTM), in forecasting daily iron sales at PT Surya Aneka Bangunan from 2016 to 2020. The models were trained on 80% of the historical data and tested on 20%. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), and Coefficient of Determination (R²). The results show that the CNN model achieved the best performance with an MAE of 0.293, RMSE of 0.357, MAPE of 0.081, and R² of 0.9989, indicating high accuracy and stability. The MLP model produced higher errors, while the LSTM model had the lowest MAPE but greater error variability. These findings suggest that the CNN model is the most reliable for capturing temporal patterns in iron sales data. The study contributes to the development of adaptive sales forecasting systems and opens opportunities for applying similar methods in other retail sectors to support data driven decision making.