Analisis Prediksi Pola Penjualan pada Kantin Sehat Universitas Majalengka menggunakan Data Mining Metode Time Series Analysis dan Algoritma SARIMA

Authors

  • Aa Herdi Prayoga STMIK LIKMI Bandung
  • Franciskus Antonius Alijoyo STMIK LIKMI Bandung

DOI:

https://doi.org/10.36423/index.v6i2.1905

Abstract

Penerapan data mining memberikan dampak serta kontribusi besar dalam berbagai bidang dan sektor termasuk ritel dan layanan makanan. Data mining dalam konteks analisis telah menjadi salah satu kunci dalam memahami pola dan tren pada sebuah kumpulan data, pada kantin sehat Universitas Majalengka terdapat 406 hingga 686 transaksi perminggu nya, seringkali pada pengelolaan persediaan menjadi kendala mengakibatkan pembengkakan biaya operasional yang pada akhirnya mengurangi profitabilitas kantin.  metode time series analysis analysis dan algoritma ARIMA dapat digunakan untuk memprediksi nilai bedasarakan data historis dengan tujuan untuk mengoptimalkan pengelolaan persediaan stok berbasis data. Data transaksi penjualan harian secara historis yang diambil dari satu tenant selama periode tertentu digunakan sebagai sampel analisis untuk memprediksi penjualan mingguan dimasa yang akan datang. Hasil prediksi pola penjualan diharapkan dapat dijadikan acuan pengambilan keputusan strategis pada manajemen operasional kantin memberikan rekomendasi pengadaan stok yang lebih efisien, mengurangi biaya operasional, dan meningkatkan profitabilitas kantin

References

M. Mustika et al., DATA MINING DAN APLIKASINYA. Bandung: CV WIDINA MEDIA UTAMA, 2021. Accessed: Jun. 27, 2024. [Online]. Available: https://repository.penerbitwidina.com/publications/351768/data-mining-dan-aplikasinya

N. S. Represa, A. Fernández-Sarría, A. Porta, and J. Palomar-Vázquez, “Data Mining Paradigm in the Study of Air Quality,” Environmental Processes, vol. 7, no. 1, pp. 1–21, Mar. 2020, doi: 10.1007/s40710-019-00407-5.

Y. Ensafi, S. H. Amin, G. Zhang, and B. Shah, “Time-series forecasting of seasonal items sales using machine learning – A comparative analysis,” International Journal of Information Management Data Insights, vol. 2, no. 1, p. 100058, Apr. 2022, doi: 10.1016/j.jjimei.2022.100058.

Aa Herdi Prayoga, “Implementasi Load Balancing Menggunakan Metode Per Connection Classifier (PCC) dengan Failover pada Server Jaringan Mikrotik (Studi Kasus Universitas Majalengka),” Universitas Majalengka, Majalengka, 2023.

A. D. Supriatna and F. A. Alijoyo, “Increasing The Competitiveness Of Sukasari District UMKM Through Digital Technology-Based Cooperatives,” Jurnal Info Sains: Informatika dan Sains, vol. 13, no. 03, pp. 754–759, 2023.

M. Heru Widiyanto, R. Mayasari, and G. Garno, “IMPLEMENTASI TIME SERIES PADA DATA PENJUALAN DI GAIKINDO MENGGUNAKAN ALGORITMA SEASONAL ARIMA,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1501–1506, Oct. 2023, doi: 10.36040/jati.v7i3.6879.

D. Pratiwi, S. M. U. Agustini, W. Windasari, and E. N. Kencana, “Forecasting Farmer Exchange Rate in Bali Province Using Seasonal Autoregressive Integrated Moving Average (SARIMA) Method,” J Phys Conf Ser, vol. 1503, no. 1, p. 012002, Jul. 2020, doi: 10.1088/1742-6596/1503/1/012002.

R. Saputro and S. Novani, “Data Analytics for Decision-Making in Evaluating the Top-Performing Product and Developing Sales Forecasting Model in an Oil Service Company,” International Journal of Current Science Research and Review, vol. 07, no. 02, Feb. 2024, doi: 10.47191/ijcsrr/V7-i2-14.

V. P. Ariyanti and Tristyanti Yusnitasari, “Comparison of ARIMA and SARIMA for Forecasting Crude Oil Prices,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 2, pp. 405–413, Mar. 2023, doi: 10.29207/resti.v7i2.4895.

Hedi, A. Suryani, and A. Binarto, “Forecasting the Number of New Cases of COVID-19 in Indonesia Using the ARIMA and SARIMA Prediction Models,” 2021. doi: 10.2991/aer.k.211106.011.

A. Natayu, Q. J. H. Clarke, and M. Fikri, “Benchmark of Holt-Winters and SARIMA Methods in Predicting Jakarta Climate,” 2022.

S. K. Prilistya, A. E. Permanasari, and S. Fauziati, “The Effect of The COVID-19 Pandemic and Google Trends on the Forecasting of International Tourist Arrivals in Indonesia,” in 2021 IEEE Region 10 Symposium (TENSYMP), IEEE, Aug. 2021, pp. 1–8. doi: 10.1109/TENSYMP52854.2021.9550838.

D. K. Silalahi, “Forecasting of Poverty Data Using Seasonal ARIMA Modeling in West Java Province,” JTAM | Jurnal Teori dan Aplikasi Matematika, vol. 4, no. 1, p. 76, Apr. 2020, doi: 10.31764/jtam.v4i1.1888.

H. U. MY, S. L. Setyowati, K. A. Notodiputro, Y. Angraini, and L. N. A. Mualifah, “Comparison of Seasonal ARIMA and Support Vector Machine Forecasting Method for International Arrival in Lombok,” Jambura Journal of Mathematics, vol. 6, no. 2, pp. 212–219, Aug. 2024, doi: 10.37905/jjom.v6i2.26478.

Downloads

Published

2024-11-30