Buku ini akan fokus pada optimasi algoritma Long Short Term Memory (LSTM) untuk meningkatkan kinerja model yang terbentuk selama 60 hari ke depan. Studi kasus menggunakan data primer dari hasil observasi dan wawancara dan data sekunder menggunakan laporan transaksi penjualan produk pada Ciwo Pet Shop pada bulan Januari 2018 sampai dengan Maret 2020. Metode yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM), dalam preprocessing, data cleaning, labeling, summary, dan transformasi data. Tahap pemahaman data menggunakan metode Analisis Data Eksplorasi. Pengembangan model LSTM menggunakan beberapa parameter yaitu partisi data, jumlah hidden layer, skenario dropout untuk mencegah overfitting, jumlah neuron, epoch yang menggambarkan jumlah iterasi pelatihan, ukuran batch adalah jumlah data pelatihan yang harus diperhatikan dalam setiap proses pemutakhiran bobot.518.1 KHU a