Peramalan Permintaan Pelanggan Menggunakan LightGBM Dan Long Short-Term Memory (LSTM) Di Perusahaan Retail

Salah satu isu yang signifikan dalam manajemen rantai pasok, termasuk pada perusahaan retail adalah kurangnya informasi akurat mengenai jumlah permintaan dan mengatur kuantitas pemesanan yang tepat. Kurangnya informasi ini dapat menimbulkan fluktuasi dari jumlah pemesanan yang mengakibatkan pengeluaran berlebih dan menyebabkan kerugian pada perusahaan. Dalam menyelesaikan permasalahan ini, salah satu cara yang digunakan adalah peramalan permintaan. Untuk terus mengevaluasi teknik peramalan permintaan, Makridakis Open Forecasting Center mengadakan serangkaian kompetisi peramalan permintaan Kompetisi Akurasi M5 tahun 2020. Kompetisi ini bertujuan untuk membuat peramalan paling akurat untuk penjualan dari perusahaan retail Walmart. Kompleksitas data yang disajikan akan menjadi tantangan untuk menyelesaikan permasalahan dengan error seminimal mungkin. Penelitian tugas akhir ini bertujuan untuk membangun model peramalan permintaan dengan menggunakan gabungan dari LightGBM dan LSTM. LightGBM dipilih karena menangani jumlah data yang banyak dan beragam fitur dengan cepat, sedangkan LSTM dipilih karena memiliki kinerja yang baik pada peramalan time-series. Hasil penelitian menunjukkan bahwa model gabungan LSTM dan LightGBM dengan stacking SVR memiliki performa terbaik pada ketiga toko, dengan nilai RMSSE pada tiga toko yang diamati sebesar 0.536686, 0.775242, dan 0.774771 ====================================================================================================== One of the significant issues in supply chain management, including the one in the retailer company, is the lack of accurate information about the number of demand and adjusting the right number of order quantity. This lack of information could cause fluctuation from the order number which results in over-expense and caused loss in the company. Demand forecasting is proposed as one way to solve this problem. To continuously evaluate the ever-developing demand forecasting technique, Makridakis Open Forecasting Center held M5 Accuracy Competition in 2020. The goal of this competition is to find the most accurate forecasting in Walmart's number of sales. The complexity of the dataset presented will be the challenge to solve the problem with error as minimum as possible. The goal of this research is to build a demand forecasting model using the combination of LightGBM and LSTM. LightGBM is chosen because it could handle a large number of data with various features quickly, while LSTM is chosen because it has good performance in time-series forecasting. The result of this research shows that the hybrid model of LightGBM and LSTM with stacking SVR is having the best performance on three observed store, with each having the RMSSE value of 0.536686, 0.775242, dan 0.774771