Pasar ritel di indonesia diprediksi akan naik sebesar 37.32 miliar USD dan CAGR
(Compound Annual Growth rate) sebesar 4% dari tahun 2021 hingga 2025.
Perkembangan ini adalah sebuah potensi yang besar bagi indonesia untuk meningkatkan
keadaan ekonomi negara setelah melewati masa pandemi Covid-19. Pasar ritel sendiri
sering memiliki masalah manajerial seperti manajemen stok barang yang dapat
berpengaruh besar terhadap keuntungan perusahaan. Memprediksi jumlah penjualan atau
Sales forecasting adalah salah cara untuk memperkirakan berapa kebutuhan inventoris
barang berdasarkan kemungkinan penjualan yang akan terjadi. Sales forecasting
menggunakan data deret waktu atau time series yang memiliki karakteristik umum yaitu
data dengan jumlah besar dan memiliki dimensionalitas yang tinggi. Penelitian ini
mencoba melakukan dimensionality reduction dengan menggunakan 4 algoritma seleksi
fitur yaitu: Random forest, LASSO Regression, Linear regression dan Beta coefficient
untuk mengurangi dimensionalitas pada data. Kemudian dilakukan agregasi dari hasil
setiap seleksi fitur dengan metode Simple Majority Voting Ensemble (SMVE) untuk
menentukan fitur terbaik dari gabungan seleksi fitur. Pada penelitian ini juga digunakan
metode Bidirectional Long-Short Term Memory (BiLSTM) yang merupakan algoritma
Recurrent Neural Network (RNN) untuk melakukan prediksi terhadap 2 skenario dataset,
yaitu dataset yang menggunakan seleksi fitur dan dataset tanpa menggunakan seleksi
fitur. Sehingga, skenario tanpa seleksi fitur menghasilkan performa evaluation MAE =
1.00, RMSE = 1.552, R2 = 0.91 dan waktu eksekusi = 14 menit 3 detik dan skenario
dataset tanpa seleksi fitur menghasilkan performa yang lebih baik yaitu MAE = 0.975,
RMSE = 1.517, R2 = 0.94 dan waktu eksekusi = 10 detik 42 detik.
Kata Kunci: Pasar Ritel, Sales Forecasting, Seleksi fitur, Simple Majority Voting
Ensemble (SVM), Bidirectional Long-Short Term Memory (BiLSTM), Recurrent Neural
Network (RNN)