Keywords
Deep Learning
Time Series
Peramalan
How to Cite
Abstract
Pengelolaan saldo yang akurat menjadi kunci dalam menjaga kelancaran layanan bisnis digital seperti top up pulsa, voucher game, dan e-wallet. K_One Top Up masih menerapkan sistem manual dalam mengelola saldo, sehingga rentan terhadap kesalahan dan inefisiensi. Penelitian ini bertujuan untuk meramalkan kebutuhan saldo harian menggunakan algoritma Long Short-Term Memory (LSTM) berbasis data time series. Model dibangun dengan dua lapisan LSTM bertingkat dan satu lapisan output, serta diuji melalui beberapa konfigurasi neuron dan epoch. Hasil pengujian menunjukkan bahwa LSTM mampu mengenali pola tren saldo dengan cukup baik, khususnya pada produk dengan fluktuasi moderat seperti pulsa. Konfigurasi terbaik memberikan nilai evaluasi akurasi yang paling rendah, menunjukkan potensi LSTM dalam membantu pengambilan keputusan pengelolaan saldo secara prediktif. Hasil penelitian ini penting untuk meningkatkan efisiensi operasional dan kualitas layanan K_One Top Up melalui sistem peramalan yang andal.
References
[1] M. F. Rizkilloh and S. Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 1, pp. 25–31, Feb. 2022, doi: 10.29207/resti.v6i1.3630.
[2] M. L. Tauryawati and M. I. Irawan, “Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG,” J. SAINS DAN SENI POMITS, vol. 3, no. 2, 2014, [Online]. Available: www.idx.co.id
[3] S. Nawangwulan and D. Angesti, “ANALISIS TIME SERIES METODE WINTER JUMLAH PENDERITA GASTROENTERITIS RAWAT INAP BERDASARKAN DATA REKAM MEDIS DI RSUD DR. SOETOMO SURABAYA,” J. Manaj. Kesehat. STIKES Yayasan RS. Dr. Soetomo, vol. 2, no. 1, pp. 17–32, 2016.
[4] S. Zahara, S. Sugianto, and M. B. Ilmiddafiq, “Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 357–363, 2019.
[5] F. Yanti, B. Nurina Sari, and S. Defiyanti, “IMPLEMENTASI ALGORITMA LSTM PADA PERAMALAN STOK OBAT (STUDI KASUS: PUSKESMAS BEBER),” J. Mhs. Tek. Inform., vol. 8, no. 4, 2024.
[6] A. Kurniawati, M. Sabri Ahmad, M. Fhadli, and S. Lutfi, “ANALISIS PERBANDINGAN METODE TIME SERIES FORECASTING UNTUK PREDIKSI PENJUALAN OBAT DI APOTEK (STUDI KASUS: KIMIA FARMA APOTEK TAKOMA),” vol. 3, no. 1, pp. 96–106, 2023.
[7] F. C. Yulianto and N. Latifah, “Peramalan Penjualan Laptop Menggunakan Metode Long Short Term Memory (LSTM),” J. FASILKOM, vol. 14, no. 2, pp. 428–436, 2024, [Online]. Available: https://github.com/C4AnN/Laptop_Lens/blob/main/M
[8] R. M. S. Adi and S. Sudianto, “Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM),” Build. Informatics, Technol. Sci., vol. 4, no. 2, Sep. 2022, doi: 10.47065/bits.v4i2.2229.
[9] A. Santoso, A. I. Purnamasari, and I. Ali, “PREDIKSI HARGA BERAS MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT-TERM MEMORY,” J. PROSISKO, vol. 11, no. 1, 2024.
[10] H. D. E. Sinaga and N. Irawati, “Perbandingan Double Moving Average dengan Double Exponential Smoothing pada Peramalan Bahan Medis Habis Pakai,” J. Teknol. dan Sist. Inf., vol. 4, no. 2, pp. 197–204, 2018.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Rachmad Abadi, Ardi Sanjaya, Ahmad Bagus Setiawan