Penerapan LSTM untuk Prediksi Jangka Pendek Penjualan Paket Data (Studi Kasus: Kota Malang)

Abstract

Peningkatan aktivitas digital yang pesat menyebabkan volume transaksi penjualan paket data berfluktuasi secara dinamis dalam interval waktu yang pendek. Peramalan data berfrekuensi tinggi (high-frequency data) ini menjadi tantangan tersendiri karena metode statistik konvensional sering kali kurang responsif terhadap pola non-linear dan volatilitas yang tinggi. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam memprediksi penjualan paket data per jam di wilayah Malang, menggunakan data transaksi operasional dari Januari hingga Juni 2024. Kinerja model LSTM dievaluasi dan dibandingkan dengan model statistik SARIMAX menggunakan metrik Mean Absolute Error (MAE) dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil pengujian menunjukkan bahwa model LSTM mampu menangkap pola temporal kompleks dan fluktuasi tajam dengan lebih baik dibandingkan SARIMAX. Secara kuantitatif, LSTM menghasilkan akurasi yang lebih tinggi dengan nilai MAE sebesar 10.59 dan SMAPE 36.26%, mengungguli SARIMAX yang mencatatkan MAE sebesar 11.32 dan SMAPE 44.29%. Penelitian ini menyimpulkan bahwa pendekatan deep learning lebih efektif dibandingkan metode statistik tradisional untuk mendukung pengambilan keputusan operasional pada data time series non-stasioner di sektor telekomunikasi.