Prediksi Penjualan Supermarket Menggunakan Pendekatan Deep Learning

Marchel Thimoty Tombeng, Zalfie Ardian

Abstract


Berdasarkan data transaksi tahun 2014 sampai 2016 dari salah satu supermarket yang ada di Taiwan, penulis menghasilkan analisa model prediksi dengan menguji data menggunakan metode Deep Learning. Beberapa faktor yang berpengaruh telah di dipelajari dan berguna untuk input prediksi, antara lain keadaan cuacu, diskon, hari raya, dan lain sebagainya. Motivasi utama dari penelitian yang penulis lakukan adalah menggunakan teknologi yang berhubungan dengan eksplorasi data untuk memprediksikan penjualan dari produk-produk dan waktu berkunjung pelangan dalam industry retail, untuk mencari grup target yang tepat dan korelasi produk yang tinggi. Pada akhirnya penulis menciptakan sistem keputusan produk yang berisi analisa visual dan tindakan saran untuk manajer produk pemasaran serta pemangku kepentingan dalam pemasaran produk. Dengan adanya hasil prediksi ini, diharapkan dapat menbantu manajer atau pemangku kepentingan lainnya untuk dapat memasarkan serta menjual produk secara tepat sehingga dapat menghasilkan keuntungan yang banyak dengan menggunkan analisa prediksi yang kami buat. LSTM merupakan model yang sering dipakai dalam Recursive Neural Network (RNN), dan pada dasarnya berfungsi untuk memecahkan masalah dari Time Series. Model Deep Learning yang penulis gunakan adalah Long Short Term Memory (LSTM), dimana model ini menyediakan analisa dan prediksi dari serangkaian data. Sebagai contoh, pada saat akhir pekan pengunjungnya melonjat, maka time machine learning ini akan menambahkan pengartian dari nilai parameter akhir pekan dan nilai ouputnya memiliki korelasi yang kuat.

Kata kunci—Predictions, Time Series, LSTM, RNN, Deep Learning



Full Text:

PDF

References


Tombeng, M. T., Kandow, H., Adam, S. I., Silitonga, A., Korompis, A., 2019, Android-Based Application To Detect Drowsiness When Driving Vehicle, IEEE 1st International Conference on Cybernetics and Intelligent System (ICORIS), pp. 100-104

Liang, J. F., 2013, Applying Data Mining Techniques on Retailing Industry – A Case Study on Speciality Chain Store, Master Thesis, National Taipei University Department of Business Administration.

Chang, Y. C., 2015, A Study on Database Marketing Strategy of 3C Chain Stores, Master Thesis, National Kaoshiung First University of Science and Technology Department of Marketing and Distribution Management.

Shih, M. H., 2013, Applying Data Mining to Customer Relationship Management – A study on Construction Materials Retail Business, Master Thesis, Tunghai University Department of Industrial Engineering.

Dong, D., Shen, Z., Yang, T., 2018, Wind Power Prediction based on Recurrent Neural Network with Long Shor-term Memory Units, 2018 IEEE Internation Conference on Renewable Enery and Power Engineering, pp. 34-38.

Lu, H., Yang, F., 2018, Research on Network Traffic Prediction Based on Long Short-Term Memory Neural Network, 2018 IEEE 4th International Conference on Computer and Communications, pp. 1109-1113.

Yangzhen, F., Hong, Z., Chenchen, Z., Chao, F., 2017, A Software Reliability Prediction Model, 2017 IEEE International Conference on Software Quality, Reliability, and Security (Comanion Volume), pp. 614-615.

Sandag, G., 2020, Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest, CogITo Smart Journal Fakultas Ilmu Komputer Universitas Klabat, vol 6, no 2, pp. 167-178.

McQueen, J. B., 1967, Some Methods of Classification and Analysis of Multivariate Obsevations, Proceedings of the 5th Berkeley Symposium on Mathematical Statistic and Probability, pp. 281-297.

LSTM Model, https://en.wikipedia.org/wiki/Long_short-term_memory, diakses tgl 23 Februari 2020.

Berry, M. J. A, Linoff, G. S., 2011, Data Mining Techniques: for Marketing, Sales, and Customer Relationship Management, Vol. 1, Ed. 1, Wiley Computer Publishing, Hoboken NJ.

Charlet, L., Annie, M. C., Kumar, D. A., 2012, Market Basket Analysis for a Supermarket Based on Frequent Item Set Mining, International Journal of Computer Science Issues, 9(3), pp. 257.

Schmitt, J., 2010, Drawing Association Rules between Purchases and In-Store Behavior: An Extension of the Market Basket Analysis, Advances in Consumer Research, 37, pp. 899-901.

Adomavicius, G., Tuzhilin, A., 2005, Incorporating Contextual Information in Recommender System Using a Multidimensional Approach, ACM Transactions on Information System, Vol. 23(1), pp. 103-145.

Kohavi, R., Parekh, R., 2004, Visualizing RFM Segmentation, Proceedings of the 2004 SIAM International Conference on Data Mining (SDM’2004), Orlando, FL, pp. 391-399.




DOI: http://dx.doi.org/10.31154/cogito.v7i1.306.160-169

Refbacks

  • There are currently no refbacks.


CogITo Smart Journal
A publication of Fakultas Ilmu Komputer, Universitas Klabat
In partnership with Coris and IndoCEISS
Phone: +62 (431) 891035
email: editorial.cogito@unklab.ac.id | web: http://cogito.unklab.ac.id/index.php/cogito
 
Free counters!
View CogITo Smart Journal Stats

CogITo Smart Journal is indexed by:
  DOAJ    SINTA     Indonesia OneSearch by Perpusnas    Crossref    Google Scholar      Base Search PKP Index    neliti    EBSCO Information Science    mendeley          scilit    road    worldcat    DRJI    OpenAIREplus    copac    Gent University Library Stanford Library    Harvard Library    Leiden University Libraries    The University of Sheffield    Boston University Library    University of Manchester    University of Oxford    CORE    Livivo
 



CogITo Smart Journal is licensed under a Creative Commons Attribution 4.0 International License.