Perbandingan Kinerja Random Forest (RF) dan Long Short-Term Memory (LSTM) untuk Prediksi Penjualan yang Akurat

Peramalan penjualan yang akurat adalah kunci untuk mengoptimalkan manajemen rantai pasok dan inventori. Penelitian ini bertujuan untuk membandingkan secara komprehensif kinerja dua algoritma Machine Learning dan Deep Learning terkemuka, yaitu Random Forest (RF) dan Long Short-Term Memory (LSTM), dalam memprediksi penjualan bulanan. Data yang digunakan mencakup periode panjang dari Januari 2021 hingga Agustus 2025. Sebelum pemodelan, data melalui pra-pemrosesan yang meliputi penanganan missing value, menghapus kolom yang tidak seharusnya digunakan dan normalisasi menggunakan MinMaxScaler. Model RF dikonfigurasi dengan estimators = 100 dan random state = 42, sementara model LSTM dibangun dengan look back = 10, unit LSTM = 100, dense =1, i adam epochs = 100 dan batch size = 1. Pengujian dilakukan menggunakan metode Time Series Split dan dievaluasi dengan metrik RMSE, MAE, dan MAPE. Hasil kuantitatif menunjukkan bahwa LSTM memberikan kinerja superior dengan nilai MAE 652,284,90 sedangkan 1,094,017.22 untuk RF, RMSE 851,450.88 sedang 1,668,706.49 untuk RF, MAPE terendah, sebesar 3.21% sedangkan RF sebesar 4.01%.  Keunggulan ini disebabkan oleh Kemampuan LSTM menangkap dependensi deret waktu yang panjang.

Performance Comparison of Random Forest (RF) and Long Short-Term Memory (LSTM) for Accurate Sales Prediction

Abstract

Accurate sales forecasting is key to optimizing supply chain and inventory management. This study aims to comprehensively compare the performance of two leading Machine Learning and Deep Learning algorithms, namely Random Forest (RF) and Long Short-Term Memory (LSTM), in predicting monthly sales. The data used covers a long period from January 2021 to August 2025. Before modeling, the data goes through pre-processing which includes handling missing values, removing unnecessary columns and normalization using MinMaxScaler. The RF model is configured with estimators = 100 and random state = 42, while the LSTM model is built with look back = 10, unit LSTM = 100, dense = 1, i adam epochs = 100 and batch size = 1. Testing is carried out using the Time Series Split method and evaluated with RMSE, MAE, and MAPE metrics. Quantitative results show that LSTM provides superior performance with MAE value of 652,284.90 while 1,094,017.22 for RF, RMSE of 851,450.88 while 1,668,706.49 for RF, the lowest MAPE, at 3.21% while RF is 4.01%. This superiority is due to the ability of LSTM to capture long time series dependencies.