Pendekatan Bayesian untuk Prediksi Permintaan Produk Makanan Ringan UMKM dalam Kondisi Ketidakpastian
Keywords:
pendekatan Bayesian, prediksi permintaan, UMKM, ketidakpastian, makanan ringanAbstract
Penelitian ini menerapkan pendekatan Bayesian untuk memprediksi permintaan produk makanan ringan pada Usaha Mikro, Kecil, dan Menengah (UMKM) dalam kondisi ketidakpastian. Prediksi permintaan pada UMKM umumnya menghadapi keterbatasan data historis dan fluktuasi permintaan yang tinggi, sehingga metode deterministik konvensional kurang mampu memberikan hasil yang andal. Penelitian ini bertujuan untuk mengembangkan model prediksi permintaan berbasis Bayesian yang mampu mengintegrasikan informasi awal serta mengukur tingkat ketidakpastian sebagai dasar pengambilan keputusan. Metode yang diusulkan menggunakan regresi Bayesian untuk memperoleh distribusi posterior permintaan berdasarkan data penjualan historis. Hasil penelitian menunjukkan bahwa model Bayesian menghasilkan prediksi yang lebih informatif melalui penyediaan interval kepercayaan (credible interval) yang merepresentasikan ketidakpastian permintaan. Evaluasi empiris menunjukkan bahwa model mencapai nilai mean absolute percentage error (MAPE) sebesar 9,84%, lebih baik dibandingkan regresi linier konvensional dengan MAPE sebesar 14,27%. Selain itu, interval kepercayaan 95% mampu mencakup sebagian besar nilai permintaan aktual. Temuan ini membuktikan bahwa pendekatan Bayesian tidak hanya meningkatkan akurasi prediksi, tetapi juga memberikan informasi probabilistik yang bermanfaat bagi UMKM dalam perencanaan produksi dan pengelolaan persediaan di tengah ketidakpastian pasar.
References
[1] A. Kustanto, “Usaha Mikro Kecil Menengah (UMKM) Sebagai : Pilar Ekonomi Kerakyatan Dalam Dimensi Politik Hukum Integratif.,” vol. 15, no. 1, hal. 17–31, 2022, doi: https://doi.org/10.31942/jqi.v15i1.6485.
[2] Syaharuddin, “Integration Of Bayesian Methods In Machine Learning : A Theoretical And Empirical Review,” vol. 5, no. 2, hal. 140–149, 2024, doi: 10.23887/insert.v5i2.82710.
[3] M. R. Syahwana dan R. M. Simanjorang, “Analisa Sistem Pakar Metode Bayes Dalam Mendiagnosa Penyakit Tubercolosis,” vol. 1, hal. 57–66, 2022, doi: 10.55338/justikpen.v1i2.7.
[4] N. A. Ratih Puspadini, Anjar Wanto, “Penerapan ML dengan Teknik Bayesian Regulation untuk Peramalan,” vol. 3, no. 3, hal. 147–155, 2022, doi: 10.47065/josyc.v3i3.1692.
[5] M. Wolah, S. K. Nasib, A. Arsal, dan I. K. Hasan, “Research in the Mathematical and Natural Sciences Pemilihan Metode Optimal Untuk Prediksi Angka Kemiskinan di Provinsi Gorontalo : Perbandingan Double Exponential Smoothing dan Bayesian Structural Time Series,” vol. 4, no. 1, hal. 74–89, 2025, doi: 10.55657/rmns.v4i1.202.
[6] E. Ardiyani, S. Nurdiati, A. Sopaheluwakan, dan M. K. Najib, “Probabilistic Prediction Model Using Bayesian Inference in Climate Field : A Systematic Literature,” vol. 7, no. 3, hal. 602–617, 2023, doi: 10.31764/jtam.v7i3.13651.
[7] M. N. Abdilah, Y. Ruhiat, dan Y. Guntara, “Rainfall Classification Analysis Using Naïve Bayes Classifier Based on Air And Wind Temperatures in Serang City,” vol. 9, no. 1, hal. 39–48, 2024, doi: 10.21009/SPEKTRA.091.04.
[8] S. R. Putri dan A. W. Wijayanto, “Learning Bayesian Network for Rainfall Prediction Modeling in Urban Area using Remote Sensing Satellite Data ( Case Study : Jakarta , Indonesia ),” hal. 77–90, 2021, doi: 10.34123/icdsos.v2021i1.37.
[9] T. H. Saragih dan D. Kartini, “Analisis Sentimen Brand Ambassador Bts Terhadap Tokopedia Menggunakan Klasifikasi Bayesian Network Dengan Ekstraksi Fitur TF-IDF,” hal. 383–390, 2019, doi: 10.33795/jip.v9i4.1333.
[10] N. Arifani, S. Nurrohmah, dan I. Fithriani, “Metode Bayesian Chain Ladder untuk Memprediksi Cadangan Klaim,” vol. 6, no. 1, hal. 120–129, 2022, doi: 10.21009/JSA.06111.
[11] H. Maharani, “Konstruksi Bayesian Network Dengan Algoritma K2 Pada Kasus Prediksi,” 2023, doi: 10.61769/telematika.v7i2.56.
[12] W. Y. Ambarita, S. Dur, S. Harleni, P. S. Matematika, U. Islam, dan N. Sumatera, “Pola Curah Hujan Di Medan Menggunakan Model Bayesian Vector Autoregressive,” vol. 4, no. 3, hal. 1688–1701, 2023, doi: 10.46306/lb.v4i3.470.
[13] I. P. Sari, L. Elvitaria, dan I. Yoelanda, “Metode Bayesian Network Untuk Menentukan Probabilitas Indikasi Gangguan Bipolar,” vol. 4, no. 2, 2024, doi: doi.org/10.58794/jekin.v4i2.717.
[14] E. J. Kusuma, R. Nurmandhani, L. Aryani, I. Pantiawati, dan G. F. Shidik, “Optimasi Model Extreme Gradient Boosting Dalam Upaya Penentuan Tingkat Risiko Pada Ibu Hamil Berbasis Bayesian Machine Learning Optimization In Determining The Maternal Risk,” vol. 12, no. 1, 2025, doi: 10.25126/jtiik.2025129001.
[15] I. Muthahharah dan Z. Mar, “Analisis Spasial Bayesian dengan Metode CAR Leroux ( Studi Kasus : Stunting di Indonesia ),” vol. 7, no. 2, hal. 275–282, 2024, doi: 10.35580/jmathcos.v7i2.4203.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Publikasi Ilmu Komputer dan Multimedia
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
