Embed Size (px)
Citation preview
Perbandingan Metode Forecast berdasarkan Rerata
dan Metode Long Short Term Memory (LSTM) pada
PT. Indofarma Tbk.
Abstrak—Persediaan adalah salah satu hal penting yang
diperlukan oleh perusahaan karena dapat membantu dalam
meminimalisir opportunity lost. Namun persediaan yang
berlebihan juga dapat menyebabkan kerugian karena dibutuhkan
modal besar dalam pengelolaannya. Sehingga diperlukan metode
peramalan permintaan yang akurat agar jumlah persediaan
sesuai dengan permintaan konsumen. Pada penelitian ini
dilakukan peramalan permintaan pada PT. Indofarma Tbk
dengan metode statistik tradisional yang terdiri atas simple
average dan moving average, serta metode machine learning yaitu
dengan Long Short Term Memory (LSTM) menggunakan Python
yang kemudian hasil peramalan akan dibandingkan nilai Root
Mean Squared Error (RMSE) nya untuk mengetahui metode yang
memiliki nilai eror paling kecil. Hasil yang diperoleh yaitu dari 5
produk yang diteliti, 4 diantaranya paling baik menggunakan
metode LSTM karena memiliki nilai RMSE paling baik.
Kata Kunci—forecast, long short term memory, sales demand,
time series
Persediaan atau inventory merupakan salah satu salah satu
hal penting yang diperlukan oleh sebuah organisasi. Persediaan
juga merupakan aktiva penting yang perusahaan miliki
sehingga diperlukan pengendalian agar persediaan dapat
dikelola dengan baik [1]. Persediaan dapat membantu
perusahaan untuk meminimalkan opportunity lost karena
kelancaran proses produksi maupun distribusi [2]. Namun
persediaan yang terlalu banyak juga dapat merugikan
perusahaan karena persediaan termasuk dalam pemborosan
yang membutuhkan modal besar untuk pengelolaannya [3].
Selain itu, persediaan juga memiliki risiko rusak apabila
disimpan dalam waktu lama ataupun pengelolaan yang kurang
baik [4]. Salah satu parameter yang dapat digunakan dalam
mengelola persediaan yaitu dengan pengukuran Inventory
Turnover Ratio (ITO) atau rasio perputaran persediaan [13].
Nilai rasio yang tinggi menandakan semakin cepatnya
penjualan persediaan, sedangkan nilai rasio yang rendah
menandakan penjualan persediaan dilakukan pada jangka
waktu yang lama [15].
Tinggi rendahnya nilai rasio perputaran persediaan salah
satunya dipengaruhi oleh penjualan, yaitu rasio antara
penjualan aktual dengan peramalan penjualan [16]. Peramalan
adalah model yang digunakan untuk memprediksikan atau
meramalkan kondisi di masa yang akan datang sehingga
perusahaan dapat melakukan perencanaan dengan baik [5].
Hasil peramalan penjualan digunakan sebagai input dari sistem
persediaan yang tidak hanya dievaluasi tingkat akurasinya
tetapi juga untuk implikasi pengendalian persediaan [18]. Maka
dari itu, peramalan penjualan dapat menjadi suatu rencana
strategis untuk masa yang akan datang [6]. Peramalan terdiri
atas berbagai metode dan setiap produk dengan pola permintaan
yang beragam juga memiliki metode peramalannya masing-
masing yang paling akurat untuk digunakan. Metode peramalan
deret waktu dapat dikelompokkan menjadi dua kategori yaitu
metode statistik tradisional dan metode machine learning [11].
Beberapa metode peramalan statistik tradisional yaitu simple
average dan moving average. Sedangkan metode peramalan
dengan machine learning salah satunya adalah metode
Recurrent Neural Network (RNN) yang merupakan jaringan
syaraf yang memiliki koneksi feedback [7]. RNN memiliki
bentuk pengembangan model berupa Long Short Term Memory
(LSTM) yang dapat digunakan untuk memproses data
sekuensial serta memiliki sel memori untuk mengingat kembali
informasi dalam waktu yang lama [12]. Dengan adanya
berbagai macam metode peramalan, setiap metode dapat
dievaluasi dengan mengukur harga parameter peramalan
terbaik. Harga parameter peramalan terbaik merupakan harga
yang memberi nilai kesalahan peramalan paling kecil [8].
Pada penelitian ini akan dilakukan peramalan permintaan
pada PT. Indofarma Tbk yang merupakan salah satu perusahaan
manufaktur yang bergerak dalam bidang farmasi. Produk yang
diproduksi oleh PT. Indofarma sebagian besar adalah Obat
Generik Berlogo (OGB), namun ada juga produk ethical
branded yang merupakan obat generik dengan nama dagang,
Over the Counter (OTC) atau obat yang dapat diberli tanpa
resep dokter, dan juga alat kesehatan. Selama ini PT. Indofarma
menerapkan metode peramalan secara kualitatif dan kuantitatif.
1st Tifa Ayu Praditya
Jurusan Teknik Industri Universitas Islam Indonesia Yogyakarta, Indonesia
2nd Muhammad Naufal Alfareza
Jurusan Teknik Industri Universitas Islam Indonesia
Yogyakarta, Indonesia
RO-81
I. PENDAHULUAN
Metode kualitatif yang dilakukan adalah survei pasar, pendapat
eksekutif, dan juga Focus Group Discussion (FGD). Sedangkan
metode kuantitatif yang digunakan adalah deret waktu (moving
average dan exponential smoothing) dan kausal (analisis
regresi). Dari berbagai produk yang dipasarkan oleh PT.
Indofarma Tbk, terdapat beberapa produk yang termasuk dalam
pareto penjualan namun memiliki nilai ITO yang rendah. Untuk
itu, pada penelitian ini akan dilakukan perbandingan hasil
peramalan secara kuantitatif dengan metode simple average,
moving average, dan Long Short Term Memory (LSTM) untuk
dicari metode yang paling baik berdasarkan nilai eror terkecil
agar persediaan pada PT. Indofarma Tbk lebih terkendali.
Metode LSTM digunakan karena dapat menilai perilaku masa
lalu dan memverifikasi apakah perilaku tersebut perlu disimpan
dan digunakan dalam prediksi di masa mendatang pada rentang
waktu yang lama [19]. Analisis akan dilakukan terhadap 5
produk pareto penjualan PT. Indofarma Tbk yang memiliki nilai
inventory turnover ratio paling kecil. Tujuan dilakukannya
penelitian ini adalah untuk membantu perusahaan dalam
menentukan metode peramalan yang paling baik untuk
diterapkan agar jumlah persediaan yang dimiliki oleh PT.
Indofarma Tbk kedepannya dapat lebih terkendali dan dalam
jumlah yang optimal.
II. METODOLOGI
Penelitian ini dilakukan dengan beberapa tahapan yang
dijelaskan pada Gambar1
.
Gambar 1 Alur Penelitian
Pada Gambar 1 dapat diketahui bahwa penelitian ini dimulai dengan langkah pertama yaitu mengidentifikasi masalah yang ada pada studi kasus, selanjutnya dilakukan studi literatur melalui jurnal, prosiding, ataupun buku sejenis yang berkaitan ataupun mendukung penelitian yang akan dilakukan. Selanjutnya dilakukan pengumpulan data-data yang akan dipergunakan dalam penelitian. Pada penelitian ini sumber data merupakan data sekunder dimana merupakan data historis penjualan pada tahun 2017 yang diperoleh dari PT. Indofarma Tbk secara langsung. Kemudian data yang telah terkumpul akan diolah dengan Python menggunakan Google Colab untuk
dilakukan peramalan dengan metode simple average, moving average 3 bulan, moving average 4 bulan, dan LSTM. Proses LSTM dilakukan dengan membagi data penjualan tahun 2017 menjadi data latih dan data penjualan tahun 2018 menjadi data uji. Data tersebut dilakukan transformasi menjadi skala dengan nilai antara 0 dan 1. Model akan dibuat menggunakan data latih dan akan membuat prediksi berdasarkan model yang telah terbentuk. Model LSTM yang dibangun menggunakan 50-unit layer, nilai dropout sebesar 0,1, timesteps sebanyak 1, optimizer menggunakan Adam, epochs sebanyak 100, dan batch size sebanyak 32. Setelah dilakukan pengolahan data akan diperoleh hasil data peramalan yang kemudian akan dianalisis dengan membandingkan nilai RMSE pada masing-masing metode yang digunakan sehingga dapat dilanjutkan ke proses terakhir dimana dilakukan penarikan kesimpulan mengenai metode yang paling baik berdasarkan analisis yang telah dilakukan dan pemberian saran baik untuk penelitian selanjutnya dan juga bagi perusahaan.
III. HASIL DAN PEMBAHASAN
Peramalan dilakukan terhadap 5 produk pareto PT. Indofarma Tbk yang memiliki nilai ITO rendah. ITO adalah angka yang menunjukkan frekuensi perputaran persediaan. Selain itu ITO juga diartikan sebagai rasio untuk mengukur berapa kali dana yang ditanam dalam suatu persediaan berputar dalam satu periode [14]. Selanjutnya dilakukan peramalan berdasarkan data penjualan pada tahun 2017 yang dijabarkan pada Tabel I.
TABEL I. PENJUALAN TAHUN 2017
Periode
Penjualan 2017
Irbesartan Ome-
prazole Amlo-dipine
Rifastar Domperi-
done
1 0 7774 16490 36095 142
2 14528 38562 0 12312 0
3 90993 9633 0 36182 1915
4 5200 3445 98950 16439 1572
5 1262 48697 138550 0 68535
6 14307 13604 0 3500 16564
7 21857 51939 56060 38340 1050
8 10096 42049 0 36539 17422
9 886 15880 12452 9000 250
10 93542 45920 172465 23338 5955
11 32282 45900 39115 20245 1820
12 0 33784 1000 16500 8000
Data historis yang ada pada Tabel I menjadi input untuk selanjutnya dilakukan peramalan untuk 12 bulan kedepan dengan Python menggunakan Google Colab. Sehingga diperoleh hasil peramalan dengan metode LSTM, simple average, moving average 3 bulanan, dan moving average 4 bulanan. Hasil peramalan pada produk Irbesartan dijabarkan pada Tabel II.
RO-82
Periode Penjualan
2018
Forecast 2018
LSTM Simple
Average
Moving Average
3
Moving Average
4
1 0 16356 23746 41941 31678
2 0 16356 23746 24741 39375
3 10150 17170 23746 22227 25834
4 33108 19024 23746 29637 24222
5 52675 20609 23746 25535 30277
6 0 16356 23746 25800 29927
7 15228 17578 23746 26990 27565
8 5121 16766 23746 26108 27998
9 15170 17574 23746 26300 28942
10 0 16356 23746 26466 28608
11 0 16356 23746 26291 28278
12 0 16356 23746 26352 28456
RMSE 15884.7 20383.1 23664.6 25114.9
Hasil peramalan yang diperoleh selanjutnya akan dievaluasi terhadap penjualan aktual pada tahun 2018 sehingga diperoleh nilai Root Mean Square Error (RMSE) yang merupakan parameter yang digunakan dalam mengevaluasi nilai hasil dari pengukuran terhadap nilai yang sebenarnya atau nilai yang dianggap benar [9]. Nilai RMSE dapat dihitung dengan rata-rata selisih antara hasil prediksi dengan penjualan aktual [10]. Penggunaan RMSE untuk mengevaluasi hasil peramalan karena RMSE dianggap lebih intuitif dibandingkan dengan metode lainnya, dimana RMSE memiliki skala pengukuran yang sama dengan data yang dievaluasi [17]. Selain itu, RMSE digunakan untuk menghindari penggunaan nilai absolut yang tidak diinginkan dalam banyak perhitungan matematis serta RMSE sering didefinisikan sebagai fungsi biaya yang harus diminimalkan [20]. Pada produk Irbesartan, nilai RMSE paling kecil yaitu dengan metode LSTM selanjutnya metode simple average, moving average 3 bulan, dan moving average 4 bulan.
Gambar 2 Grafik Sales dan Forecast Irbesartan
Pada Gambar 2 juga dapat dilihat grafik antara penjualan aktual pada tahun 2018 dengan hasil peramalan yang telah dilakukan berdasarkan data penjualan tahun 2017 pada produk
Irbesartan. Sehingga dapat dilihat bahwa hasil peramalan dengan metode LSTM paling mendekati penjualan aktual tahun 2018 apabila dibandingkan dengan metode lain.
Hasil peramalan dan nilai RMSE pada produk Omeprazole dijabarkan pada Tabel III sehingga diketahui bahwa nilai RMSE yang paling kecil yaitu dengan menggunakan metode LSTM, selanjutnya yaitu metode simple average, moving average 4 bulan, dan moving average 3 bulan.
Periode Penjualan
2018
Forecast 2018
LSTM Simple
Average Moving
Average 3 Moving
Average 4
1 0 16356 29766 41868 35371
2 3518 16637 29766 40517 40244
3 2660 16569 15481 38723 38825
4 16820 17707 28667 40369 37056
5 47134 20160 29681 39870 37874
6 11538 17281 29759 39654 38500
7 50992 20473 29765 39965 38063
8 2299 16540 29766 39830 37873
9 67637 21820 29766 39816 38078
10 15720 17618 29766 39870 38128
11 20440 17999 29766 39839 38036
12 13500 17439 29766 39842 38029
RMSE 15884.7 21802.6 28545.1 27156.6
Pada Gambar 3 juga dapat dilihat grafik antara penjualan aktual pada tahun 2018 dengan hasil peramalan yang telah dilakukan berdasarkan data sales tahun 2017 pada produk Omeprazole. Sehingga dapat dilihat bahwa fluktuasi pada hasil peramalan dengan metode LSTM paling mendekati fluktuasi pada penjualan aktual tahun 2018 apabila dibandingkan dengan metode lain.
Gambar 3 Grafik Sales dan Forecast Omeprazole
Hasil peramalan dan nilai RMSE pada produk Amlodipine dijabarkan pada Tabel IV sehingga diketahui bahwa nilai RMSE yang paling kecil yaitu dengan menggunakan metode LSTM,
RO-83
HASIL PERAMALAN IRBESARTAN TAHUN 2018 TABEL II.
TABEL III. HASIL PERAMALAN OMEPRAZOLE TAHUN 2018
selanjutnya yaitu metode simple average, moving average 3 bulan, dan moving average 4 bulan.
Periode Penjualan
2018
Forecast 2018
LSTM Simple
Average
Moving Average
3
Moving Average
4
1 12060 17323 44590 70860 56258
2 8910 17070 44590 36992 67210
3 5400 16788 44590 36284 40896
4 31193 18869 44590 48045 41341
5 90897 23688 44590 40440 51426
6 65560 21652 44590 41590 50218
7 23613 18255 44590 43358 45970
8 91046 23700 44590 41796 47239
9 23651 18258 44590 42248 48713
10 23500 18246 44590 42468 48035
11 5472 16794 44590 42171 47489
12 15000 17560 44590 42295 47869
RMSE 31059.7 32298 34420.4 35359.3
Pada Gambar 4 juga dapat dilihat grafik antara penjualan aktual pada tahun 2018 dengan hasil peramalan yang telah dilakukan berdasarkan data penjualan tahun 2017 pada produk Amlodipine. Sehingga dapat dilihat bahwa hasil peramalan dengan metode LSTM paling sering mendekati nilai penjualan aktual tahun 2018 apabila dibandingkan dengan metode lain.
Gambar 4 Grafik Sales dan Forecast Amlodipine
Hasil peramalan dan nilai RMSE pada produk Rifastar dijabarkan pada Tabel V sehingga diketahui bahwa nilai RMSE yang paling kecil yaitu dengan menggunakan metode LSTM, selanjutnya yaitu metode moving average 4 bulan, moving average 3 bulan, dan simple average.
Periode Penjualan
2018
Forecast 2018
LSTM Simple
Average
Moving Average
3
Moving Average
4
1 2801 10820 20708 20028 17271
2 5253 10866 20708 18924 19338
3 4000 10842 20708 18484 18339
4 10126 10961 20708 19145 17862
5 13201 11023 20708 18851 18202
6 15508 11071 20708 18827 18435
7 23524 11243 20708 18941 18210
8 19713 11160 20708 18873 18177
9 7042 10901 20708 18880 18256
10 5400 10869 20708 18898 18270
11 3756 10838 20708 18884 18228
12 5634 10873 20708 18887 18233
RMSE 6545.6 12840.5 11424.7 10789.5
Pada Gambar 5 juga dapat dilihat grafik antara penjualan aktual pada tahun 2018 dengan hasil peramalan yang telah dilakukan berdasarkan data penjualan tahun 2017 pada produk Rifastar. Sehingga dapat dilihat bahwa hasil peramalan dengan metode LSTM paling sering mendekati nilai penjualan aktual tahun 2018 apabila dibandingkan dengan metode lain.
Gambar 5 Grafik Sales dan Forecast Rifastar
Hasil peramalan dan nilai RMSE pada produk Domperidone dijabarkan pada Tabel VI sehingga diketahui bahwa nilai RMSE yang paling kecil yaitu dengan menggunakan metode simple average, selanjutnya yaitu metode LSTM, moving average 3 bulan, dan moving average 4 bulan.
RO-84
TABEL V. HASIL FORECAST RIFASTAR TAHUN 2018
TABEL IV. HASIL PERAMALAN AMLODIPINE TAHUN 2018
TABEL VI. HASIL FORECAST DOMPERIDONE TAHUN 2018
Periode Penjualan
2018
Forecast 2018
LSTM Simple
Average
Moving Average
3
Moving Average
4
1 0 10768 10269 5258 4006
2 0 10768 10269 5026 4945
3 2945 10822 10269 6095 4693
4 225 10772 10269 5460 5411
5 38205 11586 10269 5527 4764
6 1365 10793 10269 5694 4953
7 11845 10996 10269 5560 4955
8 15820 11078 10269 5594 5021
9 12845 11016 10269 5616 4923
10 4181 10846 10269 5590 4963
11 10490 10969 10269 5600 4966
12 10945 10978 10269 5602 4968
RMSE 10518 10418.8 10907.3 11162.9
Pada Gambar 6 juga dapat dilihat grafik antara penjualan aktual pada tahun 2018 dengan hasil peramalan yang telah dilakukan berdasarkan data penjualan tahun 2017 pada produk Domperidone.
Gambar 6 Grafik Sales dan Forecast Domperidone
Berdasarkan 5 produk yang diteliti yaitu Irbesartan, Omeprazole, Amlodipine, Rifastar, dan Domperidon didapatkan bahwa 4 dari 5 produk hasil peramalan menggunakan LSTM menghasilkan nilai RMSE yang paling kecil. Hal ini menunjukkan bahwa pada penelitian ini berdasarkan 5 produk yang diteliti, metode machine learning berupa model LSTM merupakan metode yang lebih baik dibandingkan dengan metode statistik tradisional. Karakteristik PT. Indofarma Tbk dimana permintaan penjualan beberapa produk yang kurang stabil pada setiap periode maka peramalan berdasarkan rerata kurang cocok dengan tipe permintaan tersebut. Sehingga, penggunaan metode LSTM didapatkan hasil yang lebih baik ditunjukkan dengan hasil eror yang lebih kecil.
Pada penelitian ini digunakan metode peramalan berdasarkan rerata yang terdiri atas metode simple average, moving average 3 bulan, dan moving average 4 bulan, serta metode peramalan machine learning yaitu metode LSTM untuk dibandingkan berdasarkan nilai RMSE. Hasil yang diperoleh yaitu dari 5 produk yang diteliti, 4 diantaranya paling baik menggunakan metode LSTM karena memiliki nilai RMSE paling kecil, yaitu pada produk Irbesartan, Omeprazole, Amlodipine, dan Rifastar. Sedangkan untuk produk Domperidone paling baik menggunakan metode simple average karena memiliki nilai RMSE paling kecil. Berdasarkan penelitian ini dapat disimpulkan bahwa peramalan dengan metode machine learning lebih akurat karena memiliki nilai eror lebih kecil dibandingkan dengan penggunaan metode berdasarkan rerata.
Untuk itu, Peneliti memberikan saran kepada PT. Indofarma Tbk untuk menerapkan metode LSTM dalam proses peramalan permintaan karena terbukti lebih akurat dibandingkan dengan metode berdasarkan rerata. Selanjutnya, saran juga diberikan untuk penelitian selanjutnya agar memperbanyak data yang digunakan dan jenis metode yang dibandingkan, salah satunya yaitu metode peramalan untuk jenis data yang memiliki trend siklus atau musiman agar hasil yang diperoleh lebih bervariasi dan dapat diketahui kemungkinan-kemungkinan metode lain yang memiliki tingkat eror lebih kecil.
[1] W. Tamodia, “Evaluasi penerapan sistem pengendalian intern untuk persediaan barang dagangan pada PT. Laris Manis Utama Cabang Manado,” Jurnal EMBA: Jurnal Riset Ekonomi, Manajemen, Bisnis dan Akuntansi, vol. 1, pp. 20–29, Juni 2013.
[2] S. Heripracoyo, “Analisis dan perancangan sistem informasi akuntansi pembelian dan persediaan pada PT. Oliser Indonesia,” In Seminar Nasional Aplikasi Teknologi Informasi (SNATI), pp. B93–B100, Juni 2009.
[3] A. P. Kinanthi, D. Herlina, and F. A. Mahardika, “Analisis pengendalian persediaan bahan baku menggunakan metode min-max (studi kasus PT. Djitoe Indonesia Tobacco),” PERFORMA: Media Ilmiah Teknik Industri, vol. 15, pp. 87-92, 2016.
[4] N. Manengkey, “Analisis sistem pengendalian intern persediaan barang dagang dan penerapan akuntansi ada PT. Cahaya Mitra Alkes,” Jurnal EMBA: Jurnal Riset Ekonomi, Manajemen, Bisnis dan Akuntansi, vol. 2, pp. 13-21, September 2014.
[5] A. A. Gofur, and U. D. Widianti, “Sistem Peramalan Untuk Pengadaan Material Unit Injection di PT. XYZ,” Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), vol. 2, pp. 13-18, Oktober 2013.
[6] K. Margi, and S. Pendawa, “Analisa dan penerapan metode single exponential smoothing untuk prediksi penjualan pada periode tertentu (studi kasus: PT. Media Cemara Kreasi),” vol. 2, pp. 259-266, 2015.
[7] L. A. D. Susanti, A. Fariza, and S. Setiawardhana, “Peramalan harfa saham menggunakan recurrent neural network dengan algoritma backpropagation through time (BPTT),” EEPIS Final Project, pp. 1-8, Januari 2011.
[8] R. Hidayat, and S. Suprapto, “Meminimalisasi nilai error peramalan dengan algoritma extreme learning machine,” Jurnal Optimasi Sistem Industri, vol. 11, pp. 187-192, Februari 2012.
[9] F. Febrianti, M. Hafiyusholeh, and A. H. Asyhar, “Perbandingan pengklusteran data iris menggunakan metode k-means dan fuzzy c-means,” Jurnal Matematika (MANTIK), vol. 2, pp. 7-13, Oktober 2016.
[10] T. Setiyorini, and R. S. Wahono, “Penerapan metode bagging untuk mengurangu data noise pada neural network untuk estimasi kuat tekan beton,” Journal of Intelligent Systems, vol. 1, pp. 37-42, Februari 2015.
RO-85
IV. KESIMPULAN DAN SARAN
DAFTAR PUSTAKA
[11] S. Elsworth, and S. Guttel, “Time Series Forecasting Using LSTM Networks: A Symbolic Approach,” arXiv, pp. 1-12, Maret 2020.
[12] K. U. Jaseena, and B. C. Kovoor, “A hybrid wind speed forecasting model using stacked autoencoder and LSTM,” Journal of Renewable and Sustainable Energy, vol. 12, pp. 1-16, Maret 2020.
[13] J. A. Khan, S. Deng, and M. H. A. K. Khan, “An Empirical Analysis Of Inventory Turnover Performance Within A Local Chineese Supermarket,” European Scientific Journal, vol. 12, pp. 145-157, December 2016.
[14] Kasmir, Analisis Laporan Keuangan. Jakarta: Rajawali Pers, 2014.
[15] R. S. Oktapiadi, K. Komariah, and D. Jhoansyah, “Analisis inventroy turn over dalam meningkatkan profitabilitas pada Matahari Department Store Tbk,” EKOBIS, vol. 20, pp. 62-71, July 2019.
[16] V. Gaur, M. L. Fisher, and A. Raman, “An Econometric Analysis of Inventory Turnover Performance in Retail Services,” Management Science, vol. 51, February 2005.
[17] H. D. E. Sinaga, and N. Irawati, “Perbandingan double moving average dengan double exponential smoothing pada peramalan bahan medis habis pakai,” Jurnal Teknologi dan Sistem Informasi (JURTEKSI), vol. 4, pp. 197-204, Juni 2018.
[18] X. Wang, and F. Petropoulos, “To select or to combine? The inventory performance of model and expert forecasts,” International Journal of Production Research, vol. 54, pp. 5271-5282, March 2016.
[19] T. R. Kalaiarasan, V. Anandkumar, and A. M. R. Kumar, “Sales Forecasting using RNN,” International Journal of Innovative Technology and Exploring Engineering, vol. 8, pp. 2748-2751, July 2019.
RO-86
[20] T. Chai, and R. R. Draxler, “Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature,” Geoscientific Model Development, vol. 7, pp. 1247-1250, June 2014.
