Peramalan Penjualan Aksesoris Kamera Pada Toko Gwan Global Digital di E-Commerce Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) dan Feed Forward Neural Network (FFNN)

Suriawan, Jasmine Angelia (2025) Peramalan Penjualan Aksesoris Kamera Pada Toko Gwan Global Digital di E-Commerce Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) dan Feed Forward Neural Network (FFNN). Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2043211048-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Teknologi digital melalui e-commerce mendorong pentingnya peramalan penjualan untuk pengelolaan stok dan strategi pemasaran yang efektif. Penelitian ini meramalkan penjualan Takara Rover 66, Takara Spirit 1, dan Takara Baterai di Gwan Global Digital menggunakan metode ARIMA dan FFNN, dengan data penjualan Januari hingga Oktober 2024 untuk pelatihan dan November hingga Desember 2024 untuk evaluasi. Hasilnya menunjukkan model terbaik untuk tiap produk, mendukung pengambilan keputusan yang lebih baik, meningkatkan efisiensi operasional, dan memperkaya literatur peramalan penjualan. Hasil penelitian menunjukkan bahwa dengan menggunakan evaluasi Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE), didapatkan bahwa model ARIMA terbaik untuk Takara Rover 66 adalah ARIMA (0,1,1) dengan nilai MAE dan RMSE masing-masing sebesar 1,280,313.33 dan 1,546,494.36 dan untuk Takara Spirit 1 adalah model ARIMA (1,0,0) dengan nilai MAE dan RMSE masing-masing sebesar 339,917.3, serta model ARIMA (1,1,0) untuk Takara Baterai, dengan nilai MAE dan RMSE masing-masing sebesar 352,810.4 dan 437,012.775. Model FFNN terbaik adalah FFNN(3,2,1) untuk Takara Rover 66 dengan nilai RMSE sebesar 1,177,622.41, FFNN(3,8,1) untuk Takara Spirit 1 dengan nilai RMSE sebesar 485,752.71, dan FFNN(3,5,1) untuk Takara Baterai dengan nilai RMSE sebesar 499,439.2. Berdasarkan hasil evaluasi RMSE, model FFNN menunjukkan kinterja lebih unggul untuk meramalkan penjualan mingguan Takara Rover 66 dan Takara Spirit 1, sedangkan model ARIMA menghasilkan hasil peramalan penjualan mingguan lebih baik untuk Takara Baterai.
==================================================================================================================================
Digital technology through e-commerce drives the importance of sales forecasting for effective stock management and marketing strategies. This study forecasts the sales of Takara Rover 66, Takara Spirit 1, and Takara Battery at Gwan Global Digital using ARIMA and FFNN methods, with sales data from January to October 2024 for training and November to December 2024 for evaluation. The results show the best model for each product, support better decision making, improve operational efficiency, and enrich the sales forecasting literature. The results show that using Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) evaluation, it is found that the best ARIMA model for Takara Rover 66 is ARIMA (0,1,1) with MAE and RMSE values of 1,280.313. 33 and 1,546,494.36 and for Takara Spirit 1 is ARIMA (1,0,0) model with MAE and RMSE values of 339,917.3 respectively, and ARIMA (1,1,0) model for Takara Battery, with MAE and RMSE values of 352,810.4 and 437,012.775 respectively. The best FFNN models are FFNN(3,2,1) for Takara Rover 66 with an RMSE value of 1,177,622.41, FFNN(3,8,1) for Takara Spirit 1 with an RMSE value of 485,752.71, and FFNN(3,5,1) for Takara Battery with an RMSE value of 499,439.2. Based on the RMSE evaluation results, the FFNN model shows superior performance for forecasting weekly sales of Takara Rover 66 and Takara Spirit 1, while the ARIMA model produces better weekly sales forecasting results for Takara Battery.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	ARIMA, E-Commerce, FFNN, Gwan Global Digital, Peramalan Penjualan
Subjects:	Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Jasmine Angelia Suriawan
Date Deposited:	30 Apr 2025 01:15
Last Modified:	30 Apr 2025 01:15
URI:	http://repository.its.ac.id/id/eprint/118986

Actions (login required)

View Item