Implementasi Data Mining untuk Sales Forecasting Berbasis Website dengan Metode ARIMA
DOI:
https://doi.org/10.32877/bt.v7i1.1332
Keywords:
ARIMA, Data Mining , Predict Future Sales , Sales , Website Application
Abstract
Dalam guna untuk memastikan keberlangsungan suatu perusahaan dalam menghadapi kompetisi penjualan dimasa mendatang, seorang entrepreneur juga dapat mencari sebuah pola permintaan konsumen dengan tujuan agar dapat membuat sebuah keputusan yang tepat sehingga alokasi sumber daya, pemasaran dan keuangan yang akan mempengaruhi keputusan penyediaan produk dan layanan kepada konsumen menjadi lebih akurat sehingga menurunkan kemungkinan terjadinya kelebihan maupun kekurangan stok yang dapat mengakibatkan penurunan keuntungan yang diperoleh perusahaan. Penelitian ini sendiri menggunakan metode AutoRegressive Integrated Moving Average (ARIMA) yang ditujukan untuk membuat sebuah sistem yang dapat memberikan manajemen perusahaan sebuah prediksi penjualan yang memiliki probabilitas tinggi yang berfungsi sebagai basis manajemen perusahaan dalam menentukan stok yang dibutuhkan dengan menggunakan data historis penjualan yang dilakukan oleh perusahaan dari januari 2022 hingga februari 2024 yang digunakan sebagai basis dari perhitungan peramalan penjualan. Metode ARIMA menggunakan tiga parameter yang biasanya disebut dengan parameter p, d, q yang biasanya digunakan untuk mencari lag dari AutoRegression, banyaknya differencing yang dilakukan terhadap data, dan untuk mencari lag dari Moving Average. Hasil peramalan metode ARIMA ini sendiri pun dievaluasi dengan dua metrik yang digunakan untuk mencari nilai error prediksi, yaitu MAPE dan RMSE. Yang dimana hasil perhitungan kesalahan prediksi yang dilakukan oleh MAPE menunjukan hasil error sebesar 17.92%, sementara nilai hasil perhitungan kesalahan prediksi yang dilakukan oleh RMSE menunjukan hasil sebesar 94.64. Hal ini menunjukan bahwa aplikasi dapat membantu perusahaan dalam memperkirakan penjualan yang akan terjadi sehingga dapat memperkirakan kebutuhan stok barang pada periode mendatang.
Downloads
References
T. Delfiano and D. Lasut, “Application of Data Mining to Predict Product Sales Using the K-Means Method,” Bit-Tech, vol. 6, no. 2, Dec. 2023.
J. Agusman, “Stock Forecasting Information System using the Holt-Winters Method,” Bit-Tech, vol. 6, no. 2, Dec. 2023.
R. Gustriansyah, E. Ermatita, and D. P. Rini, “An approach for sales forecasting,” Expert Syst Appl, vol. 207, p. 118043, Nov. 2022, doi: 10.1016/j.eswa.2022.118043.
E. Tan and I. Astuti, “Metode Autoregressive Integrated Moving Average untuk Meramalkan Penjualan,” EKOMABIS: Jurnal Ekonomi Manajemen Bisnis, vol. 1, no. 02, pp. 149–158, Sep. 2020, doi: 10.37366/ekomabis.v1i02.43.
G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, TIME SERIES ANALYSIS Forecasting and Control, 5th ed. New Jersey: John Wiley & Sons, Inc., 2016.
B. Umayah and F. Kurniawan, “Analisa Perilaku Konsumen Melalui Data Transaksi Berbasis Pendekatan Market Basket Analysis,” Sains, Aplikasi, Komputasi dan Teknologi Informasi, vol. 1, no. 2, p. 30, Aug. 2019, doi: 10.30872/jsakti.v1i2.2603.
H. F. Ferdy and A. A. Putra, “PERAMALAN PENJUALAN SEPEDA MOTOR DI PT. SABENA MOTOR TAHUN 2019 MENGGUNAKAN METODE ARIMA,” EDUSAINTEK, vol. 4, 2020.
R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice, 3rd edition, OTexts.com/fpp3. OTexts: Melbourne, Australia, 2021.
H. Hassyddiqy and H. Hasdiana, “Analisis Peramalan (Forecasting) Penjualan Dengan Metode ARIMA (Autoregressive Integrated Moving Average) Pada Huebee Indonesia,” Data Sciences Indonesia (DSI), vol. 2, no. 2, pp. 92–100, Jan. 2023, doi: 10.47709/dsi.v2i2.2022.
S. S. Ishak et al., “Indonesian Consumer Price Index Forecasting Using Autoregressive Integrated Moving Average,” International Journal of Electronics and Communications Systems, vol. 3, no. 1, p. 33, Jun. 2023, doi: 10.24042/ijecs.v3i1.18252.
A. Rizki, “Aplikasi Model ARIMA dalam Peramalan Data Harga Emas Dunia Tahun 2010-2022,” Jurnal Statistika dan Aplikasinya, vol. 7, no. 1, pp. 84–92, Jun. 2023, doi: 10.21009/JSA.07108.
I. B. B. Mahayana, I. Mulyadi, and S. Soraya, “Peramalan Penjualan Helm dengan Metode ARIMA (Studi Kasus Bagus Store),” Inferensi, vol. 5, no. 1, p. 45, Apr. 2022, doi: 10.12962/j27213862.v5i1.12469.
J. D. Kelleher and B. Tierney, Data Science. The MIT Press, 2018. doi: 10.7551/mitpress/11140.001.0001.
S. Sutrisno and Jupron, “Analisa Klasifikasi Penyakit Diabetes Dengan Algoritma Neural Network,” bit-Tech, vol. 6, no. 3, pp. 303–310, Apr. 2024, doi: 10.32877/bt.v6i3.1161.
C. Chatfield and H. Xing, The Analysis of Time Series An Introduction with R. CRC Press, 2019.
L. Farosanti, “Analisa Peramalan Penjualan Alat Kesehatan dan Laboratorium di PT. Tristania Global Indonesia Menggunakan Metode ARIMA,” Jurnal Informatika Merdeka Pasuruan, vol. 7, no. 1, Apr. 2022, doi: 10.37438/jimp.v7i1.428.
M. H. Mohd, H. Haga, J. M. Addawe, J. Park, and T. Nguyen-Huu, Advances in data-driven approaches and modeling of complex systems. Frontiers Media SA, 2023.
S. C. Satapathy, V. Bhateja, M. N. Favorskaya, and T. Adilakshmi, Smart Computing Techniques and Applications, vol. 225. Singapore: Springer Singapore, 2021. doi: 10.1007/978-981-16-0878-0.
U. A. Yakubu and M. P. A. Saputra, “Time Series Model Analysis Using Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) for E-wallet Transactions during a Pandemic,” International Journal of Global Operations Research, vol. 3, no. 3, pp. 80–85, Aug. 2022, doi: 10.47194/ijgor.v3i3.168.
R. Kiki, “PEMODELAN HARGA MINYAK WEST TEXAS INTERMEDIATE MENGGUNAKAN MODEL ARIMA, ARFIMA, FUZZY TIME SERIES MARKOV CHAIN DAN HYBRID ARIMA-FTSMC,” Universitas Andalas, Padang, 2021.
T. A. Atwan, Time Series Analysis with Python Cookbook:Practical Recipes for Exploratory Data Analysis, Data Preparation, Forecasting, and Model Evaluation. Packt Publishing, 2022.
E. A. N. Putro, E. Rimawati, and R. T. Vulandari, “Prediksi Penjualan Kertas Menggunakan Metode Double Exponential Smoothing,” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 9, no. 1, p. 60, Apr. 2021, doi: 10.30646/tikomsin.v9i1.548.
S. Amar, A. Sudiarso, and M. K. Herliansyah, “The Accuracy Measurement of Stock Price Numerical Prediction,” J Phys Conf Ser, vol. 1569, no. 3, p. 032027, Jul. 2020, doi: 10.1088/1742-6596/1569/3/032027.
T. O. Hodson, “Root mean square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geosci Model Dev, vol. 15, no. 14, Jul. 2022.
A. S. Limaye, D. E. Irwin, and N. P. Hanan, Use of Earth Observations for Actionable Decision Making in the Developing World. Frontiers Media SA, 2021.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 bit-Tech
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.