Prediksi Jumlah Permintaan Pasar Kamboja Untuk Produk Ekspor Perusahaan Fast Moving Consumer Goods (FMCG) Menggunakan Metode Long Short-Term Memory (LSTM)

Soemarsono, Martin Harisena Melta (2025) Prediksi Jumlah Permintaan Pasar Kamboja Untuk Produk Ekspor Perusahaan Fast Moving Consumer Goods (FMCG) Menggunakan Metode Long Short-Term Memory (LSTM). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032231251_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Pembuatan prediksi penjualan sebuah produk adalah dasar dari pengelolaan sumber daya perusahaan Fast-Moving Consumer Goods (FMCG). Dengan kemampuan memprediksi penjualan, perusahaan dapat menghindari kondisi kehabisan barang (out of stock) pada pasar, mencegah terjadinya bottleneck effect pada rantai pasok, serta memiliki kemampuan untuk merencanakan dan mengeksekusi kegiatan pemasaran secara lebih terstruktur. Kemampuan memprediksi angka penjualan secara akurat juga sangat dibutuhkan untuk memberikan insight yang tepat bagi manajemen untuk mengambil keputusan yang akan mendorong pertumbuhan dan meningkatkan profitabilitas perusahaan dan dapat dipertanggungjawabkan secara kuantitatif. Pada penelitian ini, kemampuan metode deep learning dalam mengidentifikasi pola dan tren pada data penjualan historis dan data makroekonomi akan dimanfaatkan untuk membuat prediksi angka penjualan di masa depan dengan performa yang dapat diandalkan. Tren angka penjualan akan diprediksi dengan menggunakan metode Long Short-Term Memory (LSTM) yang merupakan pengembangan dari Recurrent Neural Network (RNN) dengan modifikasi yang mencegah munculnya vanishing dan exploding gradient melalui konsep yang disebut sel. Data yang digunakan adalah data penjualan ekspor produk dari sebuah perusahaan swasta dengan nama yang disamarkan sebagai PT Daily Goods di negara Kamboja tahun 2019-2023, serta data variabel makroekonomi negara Kamboja pada periode yang bersangkutan, seperti tingkat suku bunga, tingkat Consumer Price Index (CPI), dan Trade Balance. Penelitian ini membandingkan hasil prediksi dari dua variasi metode LSTM (univariate dan multivariate) dengan dua variasi metode SARIMAX (univariate dan multivariate) yang berbasis statistik. Didapatkan bahwa metode multivariate LSTM menghasilkan metrik error terendah dalam memprediksi penjualan harian 60 hari ke depan. Maka dari itu, dapat disimpulkan bahwa metode multivariate LSTM dapat membantu perusahaan dalam memprediksi angka penjualan dengan menyertakan variabel indepen tambahan kepada model.
==================================================================================================================================
Sales (demand) levels prediction of a product is the foundation of resources management at a Fast-Moving Consumer Goods (FMCG) company. With the ability to predict sales, companies can avoid out-of-stock conditions in the market, prevent bottleneck effects in the supply chain, and have the ability to plan and execute marketing activities better. The ability to accurately predict sales trends is also paramount in producing useful insights for the company’s management to make decisions that drive growth, increase profitability, and being quantitatively accountable. This research employs deep learning techniques to take advantage of their ability to identify trends and patterns from historical sales and macroeconomic data. The company’s sales volume will be predicted using the Long Short-Term Memory (LSTM) method, which is a modified version of the Recurrent Neural Network (RNN), specifically addressing the vanishing gradient problem through the usage of cells. The data used are export sales data of a private FMCG company with the pseudonym PT Daily Goods to Cambodia in 2019-2023, as well as macroeconomic data, such as interest rates, Consumer Price Index (CPI), and Trade Balance of Cambodia in each corresponding period. This research will compare the predictions created by two variations of the LSTM models (univariate and multivariate) and by two variations of the SARIMAX models (univariate and multivariate). The multivariate LSTM method is proven to produce the best result, as shown by its error metric, in predicting the daily sales volume for the company for the next 60 days. This result concludes that the multivariate LSTM model can assist businesses in predicting sales volume by having additional independent variables to the model.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Prediksi Tren Penjualan, Long Short-Term Memory, Variabel Makroekonomi, Sales Trend Forecasting, Macroeconomic Variables
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Martin Harisena Melta Soemarsono
Date Deposited:	04 Feb 2025 04:31
Last Modified:	04 Feb 2025 04:31
URI:	http://repository.its.ac.id/id/eprint/117956

Actions (login required)

View Item