SIANTURI, TAUFIK HIDAYAT and Nurfalinda, Nurfalinda and Feri, Irawan (2026) IMPLEMENTASI DAN ANALISIS LSTM DAN SVM UNTUK PREDIKSI PENDAPATAN BISNIS SUPPLIER BARANG ( STUDI KASUS CV.ARSTAFINDO KARYA LESTARI). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (COVER) Taufik_Hidayat_Sianturi_2101020114_Teknik_informatika - Cover.pdf - Published Version Download (551kB)
	Text (Abstrak) Taufik_Hidayat_Sianturi_2101020114_Teknik_Informatika - Abstrak.pdf - Published Version Download (229kB)
	Text (BAB 1) Taufik_Hidayat_Sianturi_2101020114_Teknik _Informatika - BAB 1.pdf - Published Version Download (324kB)
	Text (Daftar Pustaka) Taufik_Hidayat_Sianturi_2101020114_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (277kB)
	Text (FULL TEKS) Taufik_Hidayat_Sianturi_2101020114_Teknik_informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

TAUFIK HIDAYAT SIANTURI. Implementasi Dan Analisis LSTM dan SVM untuk Prediksi Pendapatan Bisnis Supplier Barang (Studi Kasus CV.Arstafindo Karya Lestari). Dibimbing oleh Nurfalinda dan Feri Irawan Prediksi pendapatan yang akurat merupakan aspek penting dalam manajemen keuangan perusahaan, terutama bagi bisnis supplier barang yang menghadapi fluktuasi pendapatan tinggi. CV Arstafindo Karya Lestari membutuhkan sistem prediksi yang mampu mengantisipasi pendapatan bulanan untuk mendukung perencanaan operasional dan pengambilan keputusan strategis. Penelitian ini bertujuan untuk membandingkan performa metode Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM) dalam memprediksi pendapatan bulanan berdasarkan data historis. Data yang digunakan merupakan data pendapatan bulanan sebanyak 108 periode yang telah melalui tahapan preprocessing berupa transformasi log1p, standardisasi, serta penanganan outlier. Model SVM dilatih menggunakan metode Time Series Split dengan 5-fold cross validation, sedangkan model LSTM menggunakan mekanisme Early Stopping untuk mencegah overfitting. Kedua model dievaluasi menggunakan metrik MAE, MAPE, RMSE, dan R². Hasil penelitian menunjukkan bahwa model SVM memiliki performa lebih baik secara keseluruhan dengan MAPE sebesar 28,64%, sedangkan LSTM memperoleh MAPE sebesar 31,56%. Analisis lebih lanjut mengungkapkan bahwa LSTM unggul dalam prediksi data berurutan dengan pola temporal yang kuat, sementara SVM lebih stabil pada prediksi dengan fluktuasi tinggi dan periode tidak berurutan. Sistem prediksi ini diimplementasikan dalam aplikasi web berbasis Streamlit yang dapat digunakan untuk memprediksi pendapatan bulanan, kuartalan, maupun periode custom. Kata kunci: prediksi pendapatan, SVM, LSTM, ensemble, time series

Actions (login required)

View Item