@mastersthesis{universitasamikomyogyakarta32622,
           month = {February},
            year = {2026},
          author = {Hendriansyah Santosa},
           title = {PEMODELAN PERAMALAN PENJUALAN BUKU
MENGGUNAKAN LSTM BIDIRECTIONAL: PENANGANAN
OUTLIER DAN PENGURANGAN OVERFITTING DENGAN
TEKNIK CLIPPING DAN EARLY STOPPING
(Studi Kasus: PT Intan Pariwara)},
          school = {Universitas AMIKOM Yogyakarta},
        keywords = {LSTM, Bi-LSTM, Clipping, Early stopping, Book sales forecasting,},
             url = {https://eprints.amikom.ac.id/id/eprint/32622/},
        abstract = {esis ini berjudul ?Pemodelan Peramalan Penjualan Buku Menggunakan
LSTM Bidirectional: Penanganan Outlier dan Pengurangan Overfitting dengan
Teknik Clipping dan Early Stopping?. Penelitian ini bertujuan untuk merancang
model peramalan penjualan buku berbasis deep learning dengan pendekatan
Bidirectional Long Short-Term Memory (Bi-LSTM). Fokus penelitian diarahkan
pada penanganan data penjualan yang bersifat fluktuatif dengan keberadaan
outlier serta potensi overfitting. Data yang digunakan berupa catatan penjualan
harian dengan atribut waktu dan kategori. Tahapan praproses mencakup feature
engineering, transformasi logaritmik, standardisasi, dan penerapan clipping pada
variabel target. Dataset dibentuk dalam format deret waktu dengan pendekatan
sliding window, sedangkan evaluasi model dilakukan menggunakan metrik MSE,
MAE, RMSE, dan koefisien determinasi (R?).
Hasil penelitian menunjukkan bahwa penerapan teknik clipping dan early
stopping pada model Bi-LSTM mampu meningkatkan kinerja prediksi secara
signifikan. Model mencapai nilai R? sebesar 0,87 dan RMSE sebesar 0,44, yang
menandakan tingkat akurasi dan kemampuan generalisasi yang baik. Bi-LSTM
terbukti efektif dalam menangkap pola nonlinier serta tren musiman pada data
penjualan, sementara clipping berperan dalam mereduksi pengaruh nilai ekstrem
dan early stopping berfungsi menjaga stabilitas proses pelatihan.
Penelitian ini menyimpulkan bahwa Bi-LSTM yang dipadukan dengan
teknik clipping dan early stopping merupakan pendekatan yang efektif dan efisien
dalam peramalan penjualan buku. Temuan ini diharapkan dapat memberikan
kontribusi praktis bagi industri penerbitan dan perdagangan buku dalam
optimalisasi perencanaan persediaan serta pengambilan keputusan bisnis,
sekaligus memberikan kontribusi akademik pada pengembangan kajian timeseries
multivariate forecasting berbasis deep learning.}
}