PREDIKSI JUMLAH PRODUKSI MAKANAN OLAHAN PADA PT MDG TEKNIK PERSADA MENGGUNAKAN ALGORITMA ARIMA BERBASIS WEB

Penulis

  • Rafli Ardiansyah Budi Luhur
  • Reva Ragam Santika Universitas Budi Luhur

Kata Kunci:

Data mining, peramalan, ARIMA

Abstrak

Prediksi yang tidak cukup akurat dapat menyebabkan kekurangan atau kelebihan persediaan, sehingga mengurangi efisiensi dan meningkatkan biaya produksi. PT MDG Teknik Persada adalah perusahaan yang beroperasi di industri makanan olahan, menghadapi tantangan dalam perencanaan produksi dan persediaan untuk masing-masing cabangnya. Analisis ini menggunakan teknik pengolahan data atau data mining menggunakan metode prediksi. Algoritma prediksi yang digunakan dalam analisis adalah ARIMA (Autoregressive Integrated Moving Average) untuk memprediksi volume produksi penjualan di cabang Tanah Kusir. Evaluasi sistem dilakukan dengan membandingkan hasil prediksi dengan data penjualan aktual untuk mengukur tingkat akurasi. Selain itu, analisis statistik seperti MAPE (Mean Absolute Percentage Error) juga digunakan untuk menilai kinerja sistem dalam memprediksi jumlah produksi penjualan. Hasil analisis menunjukkan bahwa data untuk ayam ekonomi dengan parameter (3,1,1) mencapai skor akurasi MAPE 14,95%. Selain itu, untuk beberapa produk, skor akurasi relatif baik, dengan nilai di bawah 40%. Dengan menggunakan sistem ini, PT MDG Teknik Persada diharapkan akan mengoptimalkan operasi bisnisnya dengan mengurangi biaya produksi yang tidak perlu.

Referensi

Arhami, M., & Nasir, M. (2020). Data Mining : Algoritma dan Implementasi. Yogyakarta: Andi.

Arifai, S.R.A. and Lukman Junaedi (2020) ‘Prediksi Permintaan Barang Bedasarkan Penjualan Menggunakan Metode Arima Box-Jenkins (Studi Kasus : Pt. Beststamp Indonesia)’, Jurnal E-Bis (Ekonomi-Bisnis), 4(2), pp. 138–146. Available at: https://doi.org/10.37339/e-bis.v4i2.227.

Cahyo, D.N. et al. (2022) ‘Analisis Peramalan Produksi Susu Berbagai Ternak Perah Di Indonesia Menggunakan Metode Autoregressive Integrated Moving Average (Arima)’, Journal Animal Science and Technology, 4(3), pp. 310–321. Available at: https://doi.org/10.20884/1.angon.2022.4.3.p310-321.

Heru Widiyanto, M., Mayasari, R. and Garno, G. (2023) ‘Implementasi Time Series Pada Data Penjualan Di Gaikindo Menggunakan Algoritma Seasonal Arima’, JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), pp. 1501–1506. Available at: https://doi.org/10.36040/jati.v7i3.6879.

Juwanda, A. et al. (2021) ‘Analisa Prediksi Penjualan Mobil dengan Metode Autoregressive Integrated Moving Average (ARIMA)’, Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA) Jakarta-Indonesia, (September), pp. 1–7. Available at: https://conference.upnvj.ac.id/index.php/senamika/article/view/1787.

M. Johra, “SOFT CLUSTERING DENGAN ALGORITMA FUZZY K-MEANS (STUDI KASUS : PENGELOMPOKAN DESA DI KOTA TIDORE KEPULAUAN)”, BAREKENG: J. Math. & App., vol. 15, no. 2, pp. 385-392, Jun. 2021.

Mahayana, I.B.B., Mulyadi, I. and Soraya, S. (2022) ‘Peramalan Penjualan Helm dengan Metode ARIMA (Studi Kasus Bagus Store)’, Inferensi, 5(1), p. 45. Available at: https://doi.org/10.12962/j27213862.v5i1.12469.

Muslim, M. A., Prasetiyo, B., Mawarni, E. L., Herowati, A. J., Mirqotussa'adah, Rukmana, S. H., & Nurzahputra, A. (2019). Data Mining Algoritma C4.5. Semarang.

Nasirudin, F. et al. (2022) ‘Peramalan Jumlah Produksi Kopi Di Jawa Timur Pada Tahun 2020-2021 Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (Sarima)’, AGRIUM: Jurnal Ilmu …, 25(1), pp. 34–43. Available at: http://jurnal.umsu.ac.id/index.php/agrium/article/viewFile/8211/7281.

Oktavianti, E. and Ali, H. (2023) ‘Prediksi Pendapatan Penjualan Makanan Menggunakan Algoritma Autoregressive Integrated Moving Average (ARIMA)’, Jurnal Multinetics, 9(1), pp. 2–3.

Putri, E.S. and Sadikin, M. (2021) ‘Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan Algoritma LSTM dan ARIMA’, Format Jurnal Ilmiah Teknik Informatika, 10(2), p. 162. Available at: https://doi.org/10.22441/format.2021.v10.i2.007.

Sinaga, S.A. (2023) ‘Implementasi Metode Arima (Autoregressive Moving Average) Untuk Prediksi Penjualan Mobil’, Journal Global Technology Computer, 2(3), pp. 102–109. Available at: https://doi.org/10.47065/jogtc.v2i3.4013.

Sianturi, F. A. (2018). Penerapan Algoritma Apriori Untuk Penentuan Tingkat. 2(1), pp. 53-62.

Suntoro, J. (2019). Data Mining: Algoritma Dan Implementasi Dengan Pemrograman PHP. Jakarta: Elex Media Komputindo.

Waryanto, H. and Wanti, D.A. (2019) ‘Prediksi Penjualan Seragam Sekolah Dengan Menggunakan Metode Arima’, Jurnal Statistika dan Matematika, 1(1), pp. 88–102.

Zalukhu, M.M. and Gunawan, H. (2024) ‘Autoregresif Integrated Moving Average (Arima) Peramalan Penjualan Obat Pada Apotik Berbasis Android’, JID (Jurnal Info Digit), 2(2), pp. 659–671.

Unduhan

Diterbitkan

30-09-2024

Cara Mengutip

Ardiansyah, R., & Ragam Santika, R. (2024). PREDIKSI JUMLAH PRODUKSI MAKANAN OLAHAN PADA PT MDG TEKNIK PERSADA MENGGUNAKAN ALGORITMA ARIMA BERBASIS WEB. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 3(2), 305–313. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/1290

Terbitan

Vol 3 No 2 (2024): Prosiding SENAFTI Ke-5 September 2024

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2024 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel paling banyak dibaca berdasarkan penulis yang sama