PREDIKSI STOK BAHAN BAKU MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (STUDI KASUS: PRODUSEN ROTI BAKAR MIZAN DAN SUNAN)

Ketidakakuratan dalam pengelolaan persediaan bahan baku dapat menimbulkan inefisiensi operasional dan pemborosan biaya pada sektor usaha mikro, kecil, dan menengah (UMKM), terutama pada industri kuliner yang memiliki tingkat permintaan yang bersifat fluktuatif dan sulit diprediksi. Penelitian ini bertujuan mengembangkan sistem prediksi kebutuhan stok bahan baku berbasis algoritma Long Short-Term Memory (LSTM) dengan pendekatan pengembangan sistem Waterfall, studi kasus pada produsen roti bakar “Mizan dan Sunan” yang memiliki tujuh cabang operasional.
Dataset yang digunakan merupakan data historis permintaan bahan baku selama sembilan bulan, mulai 29 Agustus 2024 hingga 13 Mei 2025, terdiri atas 5.142 baris data dan delapan atribut utama. Proses pra-pemrosesan data dilakukan melalui normalisasi Min-Max Scaling, pembentukan data sekuensial menggunakan sliding window dengan window size tiga hari, serta pembagian data latih dan uji secara kronologis untuk menjaga keteraturan temporal. Model LSTM yang dikembangkan dilatih menggunakan data sekuensial untuk memprediksi jumlah kebutuhan bahan baku harian. Evaluasi performa model dilakukan menggunakan tiga metrik evaluasi regresi, yaitu Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE).
Hasil pengujian menunjukkan nilai MSE sebesar 403.28, MAE sebesar 10.38, dan MAPE sebesar 10.79%, yang menandakan model memiliki tingkat akurasi yang baik dalam memetakan kebutuhan stok harian. Hasil penelitian ini menunjukkan bahwa penerapan algoritma LSTM efektif dalam membantu pengambilan keputusan pengadaan stok bahan baku secara adaptif, sehingga dapat menjadi solusi praktis berbasis data dalam pengelolaan logistik pada lingkungan operasional UMKM multi-cabang.