Optimasi Prediksi Penjualan Retail Online Menggunakan LightGBM dan Hyperparameter Tuning

Abstract

Penelitian ini bertujuan untuk membangun dan mengoptimalkan model prediksi penjualan harian berbasis data deret waktu menggunakan algoritma Light Gradient Boosting Machine (LightGBM) pada data retail online dari marketplace Olist. Proses penelitian dimulai dari penggabungan dan agregasi data transaksi e-commerce menjadi format harian, dilanjutkan dengan penanganan outlier menggunakan metode Interquartile Range (IQR) capping, serta rekayasa fitur untuk menambahkan informasi temporal dan historis seperti prev_day_sales dan day_of_week. Data kemudian dibagi menjadi data latih dan data uji dengan pendekatan time-based split. Model baseline dilatih menggunakan parameter default, kemudian dioptimalkan melalui hyperparameter tuning menggunakan GridSearchCV dengan validasi silang TimeSeriesSplit. Evaluasi dilakukan menggunakan metrik MAE, RMSE, dan R². Hasil penelitian menunjukkan bahwa model hasil tuning mampu meningkatkan akurasi prediksi dengan nilai MAE turun sebesar 5,34%, RMSE turun sebesar 8,34%, dan R² meningkat sebesar 0,76%. Prediksi penjualan harian untuk satu hari ke depan mencapai R$ 1.676,86 dan mampu mengikuti pola aktual dengan baik. Penelitian ini membuktikan bahwa pendekatan sistematis melalui pra-pemrosesan data, rekayasa fitur, dan tuning parameter dapat menghasilkan model prediksi penjualan yang lebih akurat, stabil, dan aplikatif untuk mendukung pengambilan keputusan di sektor e-commerce. Secara teoritis, penelitian ini memberikan kontribusi dalam memperkuat pemahaman mengenai efektivitas algoritma LightGBM dalam konteks pemodelan deret waktu harian, khususnya melalui integrasi antara feature engineering temporal dan strategi tuning parameter yang sistematis. Temuan ini menegaskan pentingnya pendekatan komprehensif dalam membangun model prediksi penjualan yang akurat.