ANALISIS PREDIKSI TIME SERIES HARGA PRODUK E-COMMERCE MENGGUNAKAN LSTM, GRU, DAN TRANSFORMER DENGAN PENDEKATAN FIXED WINDOW DAN ADAPTIVE WINDOW

Penelitian ini berjudul “Analisis Prediksi Time Series Harga Produk Shopee Menggunakan LSTM, GRU, dan Transformer dengan Pendekatan Adaptive Window”. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model deep learning dalam memprediksi harga produk pada platform e-commerce Shopee. Variabel penelitian dibatasi pada satu variabel univariat, yaitu harga produk (price_ori), yang dianalisis sebagai data deret waktu. Metode yang digunakan meliputi prapemrosesan data, pembentukan urutan data menggunakan pendekatan fixed window dan adaptive window, serta pemodelan menggunakan arsitektur Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Transformer. Evaluasi kinerja model dilakukan menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa pendekatan adaptive window memberikan pengaruh yang berbeda pada setiap arsitektur model. Model LSTM dengan adaptive window menghasilkan kinerja prediksi terbaik secara keseluruhan, ditunjukkan oleh nilai kesalahan prediksi yang lebih rendah dibandingkan pendekatan fixed window. Model GRU menunjukkan performa yang stabil dan efisien dengan fixed window, namun penerapan adaptive window tidak memberikan peningkatan kinerja yang konsisten. Sementara itu, model Transformer dengan fixed window menunjukkan kinerja prediksi yang kurang optimal serta membutuhkan waktu pelatihan yang lebih lama. Berdasarkan hasil tersebut, dapat disimpulkan bahwa efektivitas prediksi harga produk e-commerce sangat dipengaruhi oleh kesesuaian antara arsitektur model, strategi windowing, karakteristik data, dan keterbatasan sumber daya komputasi. Dalam konteks penelitian ini, model LSTM dengan adaptive window dan model GRU dengan fixed window merupakan pendekatan yang paling sesuai untuk prediksi harga produk Shopee berbasis deret waktu.