Prediksi penjualan produk pada toko Basmalah di wilayah Kabupaten / Kota Malang menggunakan Artificial Neural Network dan Extreme Gradient Boosting

INDONESIA

Penelitian ini bertujuan memprediksi penjualan produk di Toko Basmalah wilayah Kabupaten/Kota Malang sebagai upaya meningkatkan efisiensi distribusi dan pengelolaan stok pada jaringan retail syariah yang terus berkembang. Data penjualan harian periode 1 Januari 2023–31 Desember 2024 diolah melalui proses normalisasi, ekstraksi fitur, serta pengujian dua algoritma machine learning, yaitu Artificial Neural Network (ANN) Backpropagation dan Extreme Gradient Boosting (XGBoost), dengan variasi komposisi data latih–uji 50:50 hingga 90:10. Hasil menunjukkan bahwa model ANN-E dengan arsitektur 7-6-3-1 dan komposisi data 90:10 memberikan performa terbaik dengan nilai Mean Squared Error (MSE) 34,02 persen, Mean Absolute Error (MAE) sebesar 27,88 persen, serta koefisien determinasi R² sebesar 0,304. Sedangkan model XGB-E menghasilkan MSE sebesar 34,98 persen, MAE sebesar 27,63 persen, dan nilai R² sebesar 0,329. ANN unggul dalam mengenali pola non-linear dan fluktuatif, sementara XGBoost lebih stabil dan mudah diinterpretasikan. Penelitian ini menegaskan pentingnya penerapan prediksi penjualan berbasis data bagi manajemen Toko Basmalah serta merekomendasikan pengembangan model hybrid ANN–XGBoost dengan variabel eksternal untuk meningkatkan akurasi dan mendukung pengambilan keputusan strategis.

ENGLISH

This study aims to predict product sales at Basmalah Stores in the Malang Regency and City areas, enhancing distribution efficiency and stock management within an expanding Sharia retail network. Daily sales data from January 1, 2023, to December 31, 2024, were processed through normalization, feature extraction, and the testing of two machine learning algorithms: Artificial Neural Network (ANN) Backpropagation and Extreme Gradient Boosting (XGBoost). The research utilized various training-to-testing data compositions ranging from 50:50 to 90:10. The results indicate that the ANN model with a 7-6-3-1 architecture and a 90:10 data composition delivered the best performance, yielding a Mean Squared Error (MSE) of 34.02%, a Mean Absolute Error (MAE) of 27.88%, and a coefficient of determination R² of 0.304. Meanwhile, the XGBoost model produced an MSE of 34.98%, an MAE of 27.63%, and an R² value of 0.329. ANN proved superior in recognizing non-linear and fluctuant patterns, whereas XGBoost demonstrated greater stability and ease of interpretation. This study confirms the importance of data-driven sales prediction for managing Basmalah Stores. It recommends the development of a hybrid ANN–XGBoost model that incorporates external variables to enhance accuracy and support informed strategic decision-making.

ARABIC

تهدف هذه الدراسة إلى التنبؤ بمبيعات المنتجات في توكو بسملة بمنطقة مقاطعة ومدينة مالانج، وذلك من أجل تحسين كفاءة التوزيع وإدارة المخزون ضمن شبكة تجارة التجزئة الشرعية التي تشهد نموًا مستمرًا. تمّت معالجة بيانات المبيعات اليومية للفترة من 1 يناير 2023 إلى 31 ديسمبر 2024 من خلال عمليات التطبيع (normalization)، واستخراج الخصائص (feature extraction)، واختبار خوارزميتين من خوارزميات التعلم الآلي، وهما الشبكة العصبية الاصطناعية (Artificial Neural Network – ANN) بخوارزمية Backpropagation، والتعزيز التدرجي المتطرف (Extreme Gradient Boosting – XGBoost)، مع استخدام عدة نسب لبيانات التدريب والاختبار تتراوح بين 50:50 و90:10. أظهرت النتائج أن نموذج ANN-E بهيكلية 7-6-3-1 ونسبة بيانات 90:10 حقق أفضل أداء، حيث بلغت قيمة ‎34.02‎ Mean Squared Error (MSE) بالمئة، وقيمة Mean Absolute Error (MAE) ‎27.88‎ بالمئة، ومعامل التحديد (R²) ‎0.304‎. في المقابل، حقق نموذج XGB-E قيمة MSE بلغت ‎34.98‎ بالمئة، وقيمة MAE بلغت ‎27.63‎ بالمئة، وقيمة R² بلغت ‎0.329‎. يتميز نموذج الشبكة العصبية الاصطناعية (Artificial Neural Network – ANN) بقدرته على التعرف على الأنماط غير الخطية والمتقلبة، في حين يتميز نموذج التعزيز التدرجي المتطرف (Extreme Gradient Boosting – XGBoost) بدرجة أعلى من الاستقرار وسهولة التفسير. تؤكد هذه الدراسة أهمية تطبيق التنبؤ بالمبيعات المعتمد على البيانات في إدارة متجر بسملة، كما توصي بتطوير نموذج هجين يجمع بين الشبكة العصبية الاصطناعية (Artificial Neural Network – ANN) والتعزيز التدرجي المتطرف (Extreme Gradient Boosting – XGBoost) مع إضافة متغيرات خارجية، بهدف تحسين مستوى الدقة ودعم عملية اتخاذ القرار الاستراتيجي.