Analisis Deret Waktu dari Produk yang Terjual Menggunakan Beberapa Teknik Populer
Isi Artikel Utama
Abstrak
Penjualan merupakan komponen terpenting dalam suatu perusahaan bidang industri. Hal ini dikarenakan, bila terjadi penjualan berarti terdapat pendapatan ke dalam perusahaan, oleh karena itu penting untuk dilakukan analisis terhadap produk-produk yang terjual agar perusahaan dapat mempersiapkan lebih dini sebelum permintaan terhadap produk tersebut datang, guna dapat menghasilkan pendapatan yang lebih baik. Penelitian ini menggunakan ARIMA, SVR, FFT dan Prophet sebagai metode-metode untuk peramalan dan menggunakan MAPE dan RMSPE untuk mengukur tingkat akurasinya, juga untuk melihat apakah terjadinya seasonality terhadap produk-produk yang di analisis, digunakan seasonal_decompose. Hasil analisis didapatkan bahwa ARIMA dan Prophet merupakan metode peramalan terbaik, hal ini karena kedua metode tersebut memiliki nilai MAPE dan RMSPE yang terendah. Dan setelah di analisis menggunakan seasonal_decompose, didapatkan bahwa semua produk yang diteliti memiliki pola yang berulang di waktu tertentu setiap kuartalnya. Untuk analisis lebih lanjut, dilakukan komparasi head-to-head, dimana digunakan 20 sampel produk untuk setiap kategorinya, Maka dihasilkan dari analisis ini bahwa produk pada Kategori 1 lebih baik menggunakan ARIMA dan produk pada Kategori 2 lebih baik menggunakan Prophet.
Unduhan
Data unduhan belum tersedia.
Rincian Artikel
Cara Mengutip
[1]
L. Ervintyana, A. Widjaja, dan S. L. Liliawati, “Analisis Deret Waktu dari Produk yang Terjual Menggunakan Beberapa Teknik Populer”, JuTISI, vol. 9, no. 1, hlm. 110 –, Apr 2023.
Bagian
Articles
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
This is an open-access article distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (https://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial used, distribution and reproduction in any medium.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.