PREDIKSI PENJUALAN PRODUK E-COMMERCE MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY

Penjualan produk pada platform e-commerce bersifat dinamis dan dapat mengalami pola non-linear akibat perubahan permintaan dan fluktuasi penjualan, sehingga diperlukan metode yang mampu mempelajari pola tersebut untuk menghasilkan prediksi yang akurat. Prediksi penjualan penting dilakukan sebagai dasar perencanaan stok dan pengambilan keputusan bisnis. Penelitian ini bertujuan memprediksi jumlah penjualan produk harian per kategori menggunakan algoritma Long Short-Term Memory (LSTM) dengan pendekatan multivariat. Data yang digunakan bersumber dari dataset publik Kaggle Indonesia E-Commerce Sales & Shipping 2023–2025 sebanyak 20.848 transaksi, yang diolah dan diagregasi menjadi deret waktu harian berdasarkan kategori. Model menggunakan fitur total_qty, ongkir_rata_rata, hari_dalam_minggu, dan bulan, serta identitas kategori melalui one-hot encoding. Proses pemodelan menggunakan sliding window tujuh hari dan pembagian data secara kronologis dengan rasio 80:20. Berdasarkan 20 kombinasi hyperparameter, konfigurasi terbaik diperoleh pada epoch 30, batch size 16, dan learning rate 0,001. Hasil pengujian menghasilkan nilai Mean Absolute Error (MAE) sebesar 2,829 unit dan Root Mean Squared Error (RMSE) sebesar 6,612 unit. Hasil tersebut menunjukkan bahwa LSTM dapat digunakan untuk memprediksi penjualan satu hari ke depan per kategori dan memberikan informasi pendukung dalam perencanaan stok serta pengambilan keputusan penjualan.