StokCerdas — Chronos-T5-mini fine-tuned untuk permintaan ritel perishable
Checkpoint ini dipakai oleh StokCerdas, sistem rekomendasi pengadaan stok untuk UMKM ritel (submission AIC COMPFEST 18).
Asal & cara latih
- Base model: amazon/chronos-t5-mini (20M parameter)
- Data: FreshRetailNet-50K (CC BY 4.0), 100 toko, setelah koreksi censored demand (penjualan pada jam stockout dikoreksi/dibuang) dan penskalaan global.
- Objektif: horizon 7 hari (bukan 64 seperti pretraining) — sesuai horizon produk.
- 3 epoch, lr 1e-4, batch 32, ~3.600 step, GPU tunggal (~4 menit).
- 7 hari terakhir tiap deret dipotong dari data latih dan dipakai sebagai jendela evaluasi, sehingga tidak ada kebocoran.
Hasil (184 store-SKU, horizon 7 hari, seed 42, num_samples 100)
| Model | MASE | WAPE macro | WAPE micro | MAE |
|---|---|---|---|---|
| Moving average 7 hari (baseline) | 0,949 | 0,632 | 0,517 | 15,59 |
| Chronos-T5-mini zero-shot | 0,973 | 0,569 | 0,520 | 15,66 |
| Checkpoint ini (fine-tuned) | 0,964 | 0,556 | 0,512 | 15,44 |
Keterbatasan — baca sebelum memakai
- Keunggulannya kecil. Model menang atas moving average sederhana sebesar ~1% pada WAPE micro dan MAE; lantai derau evaluasi ±0,2%. Model kalah pada MASE (0,964 vs 0,949).
- Sebagian besar kemampuan berasal dari bobot pretrained, bukan dari fine-tuning ini (zero-shot 0,520 -> fine-tuned 0,512 pada WAPE micro).
- Nilai terbesarnya ada di SKU lambat/bervolume kecil (WAPE 0,77 vs 1,32 milik moving average) — bagian yang paling tidak stabil untuk metode naif.
- Dilatih pada data fresh grocery di Tiongkok. Generalisasi ke toko kelontong Indonesia belum diuji (domain shift).
- Angka penjualan pada dataset sumber sudah dinormalisasi global oleh penerbitnya; skala absolutnya bukan satuan fisik.
Sitasi dataset
@article{2025freshretailnet-50k,
title={FreshRetailNet-50K: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail},
author={Yangyang Wang, Jiawei Gu, Li Long, Xin Li, Li Shen, Zhouyu Fu, Xiangjun Zhou, Xu Jiang},
year={2025}
}