Modifikasi Optimizer ADAM untuk Meningkatkan Kinerja Algoritma LSTM dalam Prediksi Penjualan Sepatu Merek Prodigo

Abstrak

Penelitian ini bertujuan meningkatkan akurasi prediksi penjualan sepatu UMKM Prodigo dengan memodifikasi optimizer ADAM pada model Long Short-Term Memory (LSTM). Permasalahan utama meliputi tren penjualan yang tidak stabil dan keterbatasan data latih. Modifikasi ADAM dilakukan dengan mempertahankan arah gradien untuk meningkatkan stabilitas pembaruan bobot dan konvergensi. Data yang digunakan berupa penjualan mingguan periode Januari 2018 hingga Juni 2025 sebanyak 387 data, serta dilakukan augmentasi menggunakan TimeGAN untuk menghasilkan data sintetis. Metode meliputi normalisasi Min-Max, pembentukan sequence dengan sliding window, dan optimasi hyperparameter melalui grid search. Evaluasi menggunakan Mean Absolute Error (MAE) dan Dynamic Time Warping (DTW). Hasil menunjukkan bahwa ADAM yang dimodifikasi memberikan kinerja lebih baik dibandingkan ADAM standar, baik tanpa maupun dengan data sintetis. Model terbaik diperoleh pada penggunaan data sintetis dengan MAE sebesar 290 dan DTW sebesar 3 serta waktu pelatihan yang lebih efisien. Hasil ini menunjukkan bahwa kombinasi modifikasi ADAM dan augmentasi data mampu meningkatkan kemampuan model dalam menangkap pola temporal dan menghasilkan prediksi yang lebih akurat, serta telah diimplementasikan dalam bentuk web service berbasis Flask.