PREDIKSI PENJUALAN RITEL DENGAN FAKTOR CUACA, HARI LIBUR DAN HARI BESAR, SERTA AKTIVITAS PROMOSI DENGAN MODEL HYBRID MACHINE LEARNING

Prediksi penjualan ritel diperlukan untuk mendukung pengambilan keputusan terkait persediaan, promosi, dan perencanaan operasional. Penelitian ini bertujuan menganalisis keterkaitan faktor eksternal berupa suhu udara, hari libur dan hari besar, serta aktivitas promosi terhadap fluktuasi penjualan ritel mingguan, serta mengembangkan model hybrid machine learning untuk memprediksi Weekly_Sales. Data yang digunakan adalah Walmart Sales Forecast Dataset dengan variabel utama Temperature, IsHoliday, dan MarkDown1-5, serta variabel pendukung Fuel_Price, CPI, Unemployment, Type, Size, Store, dan Dept. Penelitian dilakukan menggunakan tahapan CRISP-DM, meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Model yang dibandingkan terdiri atas XGBoost, Prophet, LSTM, serta model hybrid XGBoost-LSTM, Prophet-XGBoost, dan Prophet-LSTM dengan hyperparameter tuning menggunakan Grid Search. Evaluasi dilakukan menggunakan MAE, RMSE, sMAPE, dan R², dengan sMAPE sebagai indikator utama karena skala Weekly_Sales bervariasi antar Store dan Dept. Hasil penelitian menunjukkan bahwa Hybrid XGBoost-LSTM memberikan performa terbaik pada Walmart Sales Forecast Dataset dengan konfigurasi eksperimen yang digunakan, yaitu MAE 1.365,19, RMSE 2.983,92, sMAPE 16,46%, dan R² 0,9816. Hasil deployment disajikan melalui dashboard untuk menampilkan prediksi penjualan secara informatif.