PREDIKSI HASIL PENJUALAN PRODUK KONVEKSI MENGGUNAKAN METODE LONG SHORT -TERM MEMORY (LSTM) PADA PT SANGA GROUP INDONESIA

Industri konveksi dan sablon memiliki peran penting dalam perekonomian Indonesia, namun ketidakakuratan dalam prediksi penjualan sering menyebabkan overstock atau understock yang berdampak negatif pada efisiensi operasional. Fenomena ini menjadi masalah umum dalam industri tekstil yang mendorong kebutuhan akan sistem prediksi yang lebih akurat untuk mengantisipasi fluktuasi permintaan pasar. Tujuan penelitian ini adalah mengembangkan model prediksi penjualan menggunakan algoritma LSTM untuk menghasilkan proyeksi penjualan produk PT Sanga Grup Indonesia berdasarkan data historis periode 2020-2024. Data historis dikumpulkan melalui dokumentasi perusahaan, kemudian diproses menggunakan Min-Max Scaler dan dibagi dalam tiga proporsi pengujian: 70%-30%, 80%-20%, dan 90%-10%. Model LSTM dioptimalkan dengan variasi jumlah neuron, epoch, batch size, dan learning rate. Proses evaluasi menggunakan berbagai metrik termasuk MSE, RMSE, MAE, dan MAPE untuk mendapatkan konfigurasi model terbaik. Hasil pengujian menunjukkan bahwa konfigurasi model dengan proporsi data 90%-10%, jumlah neuron 128, epoch 100 dan learning rate 0,001 menghasilkan performa terbaik dengan nilai MAPE 23,92%. Model tersebut berhasil memprediksi rata-rata pesanan untuk dua bulanan kedepan sebanyak 20 transaksi untuk produk bordir dan 10 transaksi untuk produk sablon, dengan akurasi cukup baik sebesar 76.08%. Dengan prediksi yang lebih akurat, di harapkan perusahaan dapat mengurangi risiko overstock dan understock, sehingga dapat berpotensi untuk meningkatkan efisiensi produksi sekaligus beradaptasi dengan permintaan pasar yang fluktuatif.