Implementasi Data Mining untuk Sales Forecasting Berbasis Website dengan Metode ARIMA

Authors

    Junio Ryan( 1 ) Hartana Wijaya( 2 )

    (1) Mahasiswa
    (2) 

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

Download data is not yet available.

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

2024-08-20

How to Cite

[1]
J. Ryan and H. Wijaya, “Implementasi Data Mining untuk Sales Forecasting Berbasis Website dengan Metode ARIMA”, bit-Tech, vol. 7, no. 1, pp. 19–27, Aug. 2024.

Issue

Section

Articles
DOI : https://doi.org/10.32877/bt.v7i1.1332
Abstract views: 65 / PDF downloads: 43