Prediction of Daily Ice Crystal Demand Using Modified Bi-xLSTM

Abstrak

Pada penelitian ini, selain melakukan pengembangan model prediktif berbasis Extended Long Short-Term Memory (xLSTM), juga dilakukan analisis mendalam terhadap faktor-faktor yang dapat memengaruhi permintaan es kristal secara harian. Faktor cuaca seperti suhu, curah hujan, dan kelembapan udara, serta tren pencarian di mesin pencari Google mengenai “es kristal” digunakan sebagai variabel tambahan yang diharapkan mampu meningkatkan akurasi prediksi model. Data historis yang dikumpulkan terdiri atas penjualan es kristal selama beberapa bulan terakhir, termasuk variabel eksternal yang relevan. Selanjutnya, data tersebut diproses dan dibersihkan menggunakan teknik preprocessing data seperti normalisasi dan penanganan missing value agar siap digunakan pada tahap pelatihan model. Implementasi model dilakukan dengan membagi data menjadi data latih dan data validasi, sehingga diperoleh gambaran sejauh mana model mampu melakukan generalisasi terhadap data yang belum pernah dilihat sebelumnya. Proses pelatihan dilakukan secara iteratif dengan melakukan tuning hyperparameter, seperti jumlah unit LSTM, learning rate, dan jumlah epoch agar diperoleh model dengan kinerja optimal. Selain itu, fitur klasifikasi biner yang diintegrasikan dalam model ini memungkinkan UMKM untuk mengambil keputusan secara cepat apakah perlu menambah kapasitas produksi es kristal untuk hari berikutnya atau tidak, berdasarkan tren permintaan terbaru. Evaluasi model dilakukan tidak hanya berdasarkan nilai akurasi, melainkan juga menggunakan confusion matrix untuk mendapatkan insight lebih dalam mengenai tingkat recall dan precision. Pada penelitian ini berhasil mendapatkan akurasi hingga 90%, sehingga model ini dapat diterapkan oleh berbagai UMKM yang memproduksi es Kristal untuk mendapatkan kenaikan terhadap keuntungannya.