Prediksi Permintaan Konsumen pada PT. Resik Mitra Anugerah menggunakan Recurrent Neural Network
Kata Kunci:
Time Series Forecasting, Recurrent Neural Network, Optimasi Hyperparameter, Grid SearchAbstrak
PT Resik Mitra Anugerah (RMA) merupakan perusahaan yang bergerak di bidang manufaktur yang memiliki brand produk personal care bernama Zizi. Karena jumlah pesanan produk Zizi yang fluktuatif tiap bulannya, PT RMA kesulitan dalam menentukan jumlah produksi. Hal ini yang menyebabkan PT RMA pernah mengalami overstock pada gudang penyimpanan dikarenakan jumlah produksi yang berlebih daripada jumlah permintaan. Salah satu solusi dari masalah ini adalah dengan membuat prediksi jumlah permintaan konsumen yang dapat membantu dalam perencanaan jumlah produksi. Pembuatan prediksi dilakukan dengan membangun model yang dilatih menggunakan data penjualan historis selama tiga tahun terakhir. Model prediksi menggunakan metode Recurrent Neural Network (RNN). Proses pembuatan prediksi mengikuti alur kerja tidy forecasting. Optimasi hyperparameter dari model RNN dilakukan menggunakan metode grid search. Konfigurasi hyperparameter terbaik yang ditemukan mencakup penggunaan fungsi aktivasi relu, jumlah epoch sebanyak 100, dan jumlah neuron pada hidden layer sebanyak 100. Evaluasi model prediksi menggunakan metrik RMSE. Empat metode forecasting sederhana yaitu metode Mean, Naïve, Drift dan Simple exponential smoothing digunakan sebagai pembanding. Hasilnya, nilai RMSE dari model RNN sebesar 62,321, merupakan nilai RMSE terendah dan mengungguli keempat metode pembanding. Hasil prediksi disajikan dalam sebuah dashboard yang mencakup grafik historis penjualan tahunan dan grafik prediksi.
Referensi
Alibrahim, H. and Ludwig, S.A. (2021) ‘Hyperparameter optimization: Comparing genetic algorithm against Grid Search and Bayesian optimization’, 2021 IEEE Congress on Evolutionary Computation (CEC) [Preprint]. doi:10.1109/cec45853.2021.9504761.
Ensafi, Y. et al. (2022) ‘Time-series forecasting of seasonal items sales using machine learning – a comparative analysis’, International Journal of Information Management Data Insights, 2(1), p. 100058. doi:10.1016/j.jjimei.2022.100058.
Feurer, M. and Hutter, F. (2019) ‘Hyperparameter optimization’, Automated Machine Learning, pp. 3–33. doi:10.1007/978-3-030-05318-5_1.
Goodfellow, I., Bengio, Y. and Courville, A. (2017) in Deep learning. Cambridge, MA: The MIT Press, pp. 367–415. Available at: http://www.deeplearningbook.org (Accessed: November 28, 2021).
Hewamalage, H., Bergmeir, C. and Bandara, K. (2021) ‘Recurrent neural networks for time series forecasting: Current status and future directions’, International Journal of Forecasting, 37(1), pp. 388–427. doi:10.1016/j.ijforecast.2020.06.008.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice.
Raschka, S. and Mirjalili, V. (2019) Python machine learning: Machine learning and deep learning with python, scikit-learn, and tensorflow 2. Birmingham: Packt Publishing.
Smyl, S. (2020) ‘A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting’, International Journal of Forecasting, 36(1), pp. 75–85. doi:10.1016/j.ijforecast.2019.03.017.
Svetunkov, I. (2023). Forecasting and Analytics with the Augmented Dynamic Adaptive Model (ADAM) (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781003452652
Alibrahim, H. and Ludwig, S.A. (2021) ‘Hyperparameter optimization: Comparing genetic algorithm against Grid Search and Bayesian optimization’, 2021 IEEE Congress on Evolutionary Computation (CEC) [Preprint]. doi:10.1109/cec45853.2021.9504761.
Ensafi, Y. et al. (2022) ‘Time-series forecasting of seasonal items sales using machine learning – a comparative analysis’, International Journal of Information Management Data Insights, 2(1), p. 100058. doi:10.1016/j.jjimei.2022.100058.
Feurer, M. and Hutter, F. (2019) ‘Hyperparameter optimization’, Automated Machine Learning, pp. 3–33. doi:10.1007/978-3-030-05318-5_1.
Goodfellow, I., Bengio, Y. and Courville, A. (2017) in Deep learning. Cambridge, MA: The MIT Press, pp. 367–415. Available at: http://www.deeplearningbook.org (Accessed: November 28, 2021).
Hewamalage, H., Bergmeir, C. and Bandara, K. (2021) ‘Recurrent neural networks for time series forecasting: Current status and future directions’, International Journal of Forecasting, 37(1), pp. 388–427. doi:10.1016/j.ijforecast.2020.06.008.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice.
Raschka, S. and Mirjalili, V. (2019) Python machine learning: Machine learning and deep learning with python, scikit-learn, and tensorflow 2. Birmingham: Packt Publishing.
Smyl, S. (2020) ‘A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting’, International Journal of Forecasting, 36(1), pp. 75–85. doi:10.1016/j.ijforecast.2019.03.017.
Svetunkov, I. (2023). Forecasting and Analytics with the Augmented Dynamic Adaptive Model (ADAM) (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781003452652
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
