Analisis Komparatif antara Long Short-Term Memory (LSTM) dan XGBoost dalam Estimasi Penjualan Toko Retail
Keywords:
Analitik ritel, Estimasi penjualan, LSTM, Machine Learning, XGBoostAbstract
Peramalan penjualan yang akurat merupakan kemampuan penting bagi bisnis modern karena menjadi dasar perencanaan persediaan, penjadwalan staf, dan proyeksi pendapatan. Penelitian ini membandingkan dua pendekatan peramalan yang banyak digunakan, yaitu jaringan Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost), pada dataset penjualan ritel open-source. Data penjualan harian diagregasi dari data transaksi tingkat pesanan, kemudian direkayasa menjadi fitur kalender, fitur lag, dan fitur rolling-window untuk XGBoost, serta diformat menjadi jendela sekuensial yang telah diskalakan untuk LSTM. Kedua model dilatih pada rentang waktu pelatihan yang berurutan secara kronologis dan dievaluasi pada periode pengujian menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa LSTM memperoleh MAE (Rp7.800) dan RMSE (10.800) yang sedikit lebih rendah dibandingkan XGBoost, namun justru menghasilkan MAPE (%25.100) yang lebih tinggi. Visualisasi prediksi menunjukkan bahwa LSTM cenderung menghasilkan prediksi yang hampir konstan mendekati rata-rata penjualan, sedangkan XGBoost dengan MAE (Rp8.600), RMSE (Rp11.500) dan MAPE (%23,200) mampu mengikuti sebagian fluktuasi jangka pendek meskipun kedua model masih kesulitan menangkap lonjakan penjualan ekstrem.
References
[1] T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, Aug. 2016, pp. 785–794. doi: 10.1145/2939672.2939785.
[2] S. Hochreiter and J. Schmidhuber, “LONG SHORT-TERM MEMORY,” 1997.
[3] R. Hasan, M. A. Kabir, R. A. Shuvro, and P. Das, “A Comparative Study on Forecasting of Retail Sales.”
[4] L. Zhang, W. Bian, W. Qu, L. Tuo, and Y. Wang, “Time series forecast of sales volume based on XGBoost,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Apr. 2021. doi: 10.1088/1742-6596/1873/1/012067.
[5] S. Aras, İ. Deveci Kocakoç, and C. Polat, “Comparative study on retail sales forecasting between single and combination methods,” Journal of Business Economics and Management, vol. 18, no. 5, pp. 803–832, Sep. 2017, doi: 10.3846/16111699.2017.1367324.
[6] X. Kong et al., “Deep learning for time series forecasting: a survey,” International Journal of Machine Learning and Cybernetics, vol. 16, no. 7–8, pp. 5079–5112, Aug. 2025, doi: 10.1007/s13042-025-02560-w.
[7] B. Wang and A. B. M. Zain, “A Hybrid XGBoost-LSTM Framework for Supply Chain Demand Forecasting: Empirical Evidence from Retail Multi-Store Data,” Journal of Cultural Analysis and Social Change, pp. 4056–4073, Dec. 2025, doi: 10.64753/jcasc.v10i4.3736.
[8] T. Zhao, G. Chen, S. Suraphee, T. Phoophiwfa, and P. Busababodhin, “A hybrid TCN-XGBoost model for agricultural product market price forecasting,” PLoS One, vol. 20, no. 5 May, May 2025, doi: 10.1371/journal.pone.0322496.
[9] S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The M5 Accuracy competition: Results, findings and conclusions,” Jan. 2022. [Online]. Available: https://www.kaggle.com/c/m5-forecasting-accuracy
[10] C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, “A comparative analysis of gradient boosting algorithms,” Artif. Intell. Rev., vol. 54, no. 3, pp. 1937–1967, Mar. 2021, doi: 10.1007/s10462-020-09896-5.
[11] Rohit Sahoo, “Superstore Sales Dataset,” https://www.kaggle.com/datasets/rohitsahoo/sales-forecasting.
