Peramalan Omset Penjualan Toko “Game Playstation 4 dan 5” di Shopee Menggunakan Metode Autoregressive Integrated Moving Average dan Long Short-Term Memory

Abstract

Penelitian ini bertujuan membangun model peramalan omset penjualan harian pada toko “Game PlayStation 4 dan 5” di platform Shopee selama periode Januari 2023 hingga Desember 2024. Dua pendekatan yang digunakan, adalah Autoregressive Integrated Moving Average (ARIMA) untuk menangkap pola linier, serta Long Short-Term Memory (LSTM) untuk pola nonlinier. Model ARIMA dibangun setelah uji stasioneritas dan diferensiasi satu kali, dengan identifikasi parameter melalui analisis ACF dan PACF. Model terbaik yang diperoleh adalah ARIMA(4,1,5) dengan MSE sebesar 1,19833×10¹³, RMSE sebesar 3.461.695, dan MAPE sebesar 0,9783 pada data pengujian. Sementara itu, pemodelan LSTM dilakukan dengan optimasi hiperparameter menggunakan Bayesian Optimization berbasis algoritma Tree-structured Parzen Estimator (TPE). Model terbaik, LSTM_95_ts30, dengan arsitektur lima lapis, time step 30, dan dropout 0,1, memperoleh MSE sebesar 5,99894×10¹², RMSE sebesar 2.449.273, dan MAPE sebesar 0,2079 pada data pengujian. Hasil peramalan untuk periode 1–30 Januari 2025 menggunakan model LSTM menunjukkan prediksi stabil dengan kisaran omset harian sekitar Rp9,7 juta–Rp10,9 juta. Temuan ini menunjukkan bahwa ARIMA lebih efisien untuk peramalan jangka pendek, sedangkan LSTM lebih unggul dalam menangkap fluktuasi kompleks dan pola nonlinier pada data e-commerce.