PEMODELAN PREDIKSI PERMINTAAN PRODUK PADA VENDING MACHINE MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY

Perkembangan teknologi penjualan otomatis melalui vending machine menuntut pengelolaan persediaan yang lebih akurat akibat fluktuasi permintaan produk yang dinamis. Ketidaktepatan prediksi dapat menyebabkan kekurangan maupun penumpukan stok. Penelitian ini bertujuan mengembangkan model prediksi permintaan produk vending machine menggunakan algoritma Long Short Term Memory (LSTM) untuk meningkatkan akurasi perencanaan persediaan. Data yang digunakan berupa data historis penjualan kategori food dan drink yang diproses melalui tahap preprocessing, eksplorasi data, dan pemodelan deret waktu. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE), serta dibandingkan dengan algoritma ARIMA dan Support Vector Regression (SVR). Hasil evaluasi menunjukkan bahwa model Long Short-Term Memory (LSTM) memberikan performa prediksi terbaik dibandingkan model pembanding pada kedua kategori. Pada kategori food, LSTM mampu menurunkan nilai MAE sekitar 13,5%, MSE sekitar 23%, dan RMSE sekitar 11,6%, sedangkan pada kategori drink penurunan error yang dihasilkan masing-masing mencapai sekitar 3,5% untuk MAE, 13% untuk MSE, dan 6,3% untuk RMSE. Temuan ini menunjukkan bahwa LSTM efektif dalam menangkap pola temporal dan musiman, sehingga layak digunakan sebagai dasar sistem prediksi permintaan produk vending machine.

Kata kunci: Permintaan Stok, Vending Machine, LSTM, Deep Learning, Forecasting.