PERAMALAN TREND PENJUALAN RETAIL MENGGUNAKAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE

• LUKY FABRIANTO
• 14002269

---

ABSTRAK

ABSTRAK

 

Nama                   : Luky Fabrianto

NIM                    : 14002269

Program Studi     : Ilmu Komputer

Jenjang                : Strata Dua (S2)

Konsentrasi         : Data Mining

Judul                    : “Peramalan Trend Penjualan Retail Menggunakan          Autoregressive Integrated Moving Average”

 

Dalam satu tahun sejak awal berdiri, pada sembilan bulan pertama penjualan berfluktiatif namun berada dalam nilai transaksi yang menguntungkan serta bisa menutupi biaya operasional, tetapi pada tiga bulan terakhir nilai penjualan cenderung flat dan menurun, hal tersebut diduga disebabkan oleh supply barang dari distributor yang tersendat sehingga kebutuhan konsumen banyak tidak tersedia di toko. Sudah saatnya pengurus toko untuk memberikan peluang bagi para anggota untuk berinvestasi menanamkan modal guna  kelanjutan eksistensi toko.

Penelitian ini mengkaji metode yang tepat untuk meramalkan trend penjualan toko, data yang dipakai adalah data penjualan satu tahun sejak toko berdiri. Hasil yang didapat ada sekitar 5% pencilan pada transaksi dan fluktuasi transaksi antar hari cukup besar sehingga diperlukan penghalusan untuk meminimalisir gejolak pada data transaksi, tahap terakhir dari penelitian ini adalah peramalan trend penjualan menggunakan metode ARIMA, model yang didapat adalah ARIMA (3,1,2) dengan persentase kesalahan atau MAPE sebesar  2.5% dan nilai  RMSE sebesar 112883.14236. Untuk 15 hari kedepan diramalkan nilai penjualan berada pada kisaran antara  Rp. 3.187.116 sampai Rp. 3.612.883.

 

Kata kunci: Peramalan, Penjualan, Pencilan, Penghalusan, ARIMA, MAPE

KATA KUNCI

Autoregressive Integrated Moving Average

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1]        S. H. Wahid, “Ketentuan Pengembalian Setoran Pokok Dalam Undang-Undang No.17 Tahun 2012 Tentang Perkoperasian (Perspektif Undang-Undang Dasar 1945 Dan Hukum Islam),” JURISDICTIE, 2017, doi: 10.18860/j.v5i2.4018.

[2]        Abdullah, A. G., & Mulyadi, Y. (2016). Peramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing. KNTIA, 2.

[3]        Yusendra, M. A. E. (2015). Kajian Penerapan Metode Peramalan pada Ilmu Ekonomi dan Ilmu Komputer (Studi Kasus: Penerimaan Mahasiswa Baru Ibi Darmajaya). Prosiding Sembistek 2014, 1(01), 267-279. TIA, 2.

[4]        Pavlyshenko, B. M. (2019). Machine-learning models for sales time series forecasting. Data, 4(1), 15. Doi: 10.3390/data4010015.

[5]        Molydah, S. (2018). Analisis Perbandingan Implementasi Sarima Dan Support Vector Machine (Svm) Dalam Prediksi Jumlah Wisatawan Mancanegara.(Universitas Islam Indonesia, Yogyakarta)

[6]        Widiyanto, S. (2019). Peramalan nilai impor besi baja Indonesia 2008-2017 dengan model arima. JURNAL MANAJEMEN, 11(2), 217-225.

[7]        Wiyanti, D. T., & Pulungan, R. (2012). Peramalan Deret Waktu Menggunakan Model Fungsi Basis Radial (RBF) dan Auto Regressive Integrated Moving Average (ARIMA). Jurnal Mipa, 35(2).

[8]        Ferguson, T. S. (1961, July). On the rejection of outliers. In Proceedings of the fourth Berkeley symposium on mathematical statistics and probability (Vol. 1, No. 1, pp. 253-287). Berkeley: University of California Press.

[9]        Barnett, V., & Lewis, T. (1984). Outliers in statistical data-Osd.

[10]      Sembiring, R. K. (1995). Analisis regresi. Bandung: ITB.

[11]      Paludi, S. (2009). Identifikasi dan Pengaruh Keberadaan Data Pencilan (Outlier). Majalah Panorama Nasional, 56-62.

[12]      Septiadi, M. N. K., Handayani, S., & Mulyadi, C. (2018). Penilaian Persediaan Barang Dagang Dengan Metode Rata-Rata Bergerak. EKA CIDA, 1(2).

[13]      Yuanti, A. D. (2016). Perbandingan Model Time Series Seasonal Arima (Sarima) Dan Seasonal Arfima (Sarfima) Pada Data Beban Konsumsi Listrik Jangka Pendek Di Jawa Timur (Studi Kasus di APD PT. PLN Distribusi Jawa Timur) (Doctoral dissertation, Airlangga University).

[14]      Cryer, J. D., & Chan, K. S. (2008). Time series analysis: with applications in R. Springer Science & Business Media.

[15]      Wei, W. W. (2006). Time series analysis. In The Oxford Handbook of Quantitative Methods in Psychology: Vol. 2.

[16]      Azriati, K. F., Hoyyi, A., & Mukid, M. A. (2014). Verifikasi Model Arima Musiman Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang). Jurnal Gaussian, 3(4), 701-710. ISSN: 2339-2541.

[17]      Aziz, A. (2011). Analisis Critical Root Value pada Data Nonstasioner. CAUCHY, 2(1), 1-6. Doi: doi.org/10.18860/ca.v2i1.1794.

[18]      Widodo, W. (2005). Metode Autoregresi dan Autokorelasi untuk meramalkan jumlah penjualan pakaian di toko Yuanita Purwodadi. Tugas Akhir Mahasiswa UNNES, Semarang.

[19]      Krismiasari, S. (2012). Peramalan Produksi Padi Di Kabupaten Kampar Dengan Metode Box-Jenkins (Doctoral dissertation, Universitas Islam Negeri Sultan Syarif Kasim Riau).

[20]      Sugiarto, S. (2017). Penduga Model Arima Untuk Peramalan Harga Tbs Kelapa Sawit Di Propinsi Riau. Jurnal Sains dan Teknologi Industri, 15(1), 35-40.

[21]      Hanke, J. E., Reitsch, A. G., & Wichern, D. W. (2001). Business forecasting (Vol. 9). New Jersey: Prentice Hall.

[22]      Makridakis, S. (1993). Dkk. Metode dan Aplikasi Peramalan, Jakarta: Airlangga.

[23]      A. H. Hutasuhut, “Pembuatan Aplikasi Pendukung Keputusan untuk Peramalan Persediaan Bahan Baku Produksi Plastik Blowing dna Inject Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) di CV. Asia,” J. Tek. Pomits, vol. 3, no. 2, pp. 70–171, 2014, [Online]. Available: http://ejurnal.its.ac.id/index.php/teknik/article/viewFile/8114/1846.

[24]      Hatidja, D. (2011). Penerapan Model Arima Untuk Memprediksi Harga Saham PT. Telkom Tbk. Jurnal Ilmiah Sains, 11(1), 116-123. Doi: 10.35799/jis.11.1.2011.53.

[25]   Pamungkas, M. B., & Wibowo, A. (2019). Aplikasi Metode ARIMA Box-Jenkins Untuk Meramalkan Kasus Dbd Di Provinsi Jawa Timur. The Indonesian Journal of Public Health, 13(2), 183.doi: 10.20473/ijph.v13i2.2018.183-196.

[26]     Sutanto, P., Setiawan, A., & Setiabudi, D. H. (2017). Perancangan Sistem Forecasting di Perusahaan Kayu UD. 3G dengan Metode ARIMA. Jurnal Infra, 5(1), 325-330.

[27]     Wibowo, A. (2018). Model peramalan indeks harga konsumen kota Palangka Raya menggunakan Seasonal ARIMA (SARIMA). Matematika, 17(2).

[28]     Rahmadayanti, R., Susilo, B., & Puspitaningrum, D. (2015). Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential SMOOTHING Pada Peramalan Penjualan Semen di PT. Sinar Abadi. Rekursif: Jurnal Informatika, 3(1).

[29]     Yuniarti, A. (2010). Perbandingan metode peramalan eksponensial smoothing dan Box-Jenkins (ARIMA) musiman (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).

[30]     Ul Ukhra, A. (2014). Pemodelan dan peramalan data deret waktu dengan metode SEASONAL ARIMA. Jurnal Matematika UNAND, 3(3).

[31]     Linda, P., Situmorang, M., & Tarigan, G. (2014). Peramalan Penjualan Produksi Teh Botol Sosro Pada PT. Sinar Sosro Sumatera Bagian Utara Tahun 2014 Dengan Metode Arima Box-Jenkins. Saintia Matematika, 2(3), 253-266.

[32]     As’ad, M., Wibowo, S. S., & Sophia, E. (2017). Peramalan Jumlah Mahasiswa Baru Dengan Model Autoregressive Integrated Moving Average (Arima). JIMP-Jurnal Informatika Merdeka Pasuruan, 2(3)., doi: 10.37438/jimp.v2i3.77.

[33]     Raihan, R., Effendi, M. S., & Hendrawan, A. (2016). Forcasting Model Exsponensial Smoothing Time Series Rata Rata Mechanical Availability Unit Off Highway Truck CAT 777D Caterpillar. POROS TEKNIK, 8(1), 1-9.

[34]     Aprilia, D. (2016). Perbandingan Metode Peramalan Exponential Smoothing Dan Moving Average (Studi Prediksi Jumlah Penderita TB Paru di Provinsi Jawa Timur) (Doctoral dissertation, Universitas Airlangga).

[35]     Setiawan, E., Murfi, H., & Satria, Y. (2016). Analisis Penggunaan Metode Kernel Density Estimation pada Loss Distribution Approach untuk Risiko Operasional. Jurnal Matematika Integratif ISSN, 1412, 6184.

[36]     Putri, R. M., & Widodo, E. (2018). Application of Support Vector Machine Method For Rupiah Exchange Rate To Us Dollar Forecasting. In PROSIDING SEMINAR NASIONAL & INTERNASIONAL (Vol. 1, No. 1).

[37]     Naufal, M. F. (2017). Peramalan Jumlah Wisatawan Mancanegara Yang Datang Ke Indonesia Berdasarkan Pintu Masuk Menggunakan Metode Support Vector Machine (SVM) (Doctoral dissertation, Institut Teknologi Sepuluh Nopember).

[38]     Samsiah, D. N. (2008). Analisis Data Runtun Waktu Menggunakan Model Arima (p, d, q). Program studi Matematika Fakultas Sains dan Teknologi. UIN Sunan Kalijaga. Yogyakarta.