PERBANDINGAN MODEL SARIMA, EXPONENTIAL SMOOTHING, DAN XGBOOST UNTUK PREDIKSI PENJUALAN SUPER STORE
DOI:
https://doi.org/10.23960/jitet.v13i3S1.8173Abstract Views: 124 File Views: 85
Keywords:
Prediksi Penjualan, SARIMA, Exponential Smoothing, XGBoost, Deret WaktuAbstract
Prediksi penjualan merupakan aspek penting dalam mendukung pengambilan keputusan strategis pada industri ritel, terutama dalam perencanaan stok dan manajemen rantai pasok. Seiring meningkatnya kompleksitas pola pembelian konsumen, diperlukan model prediksi yang mampu menangkap pola tren dan musiman secara akurat. Penelitian ini bertujuan untuk membandingkan efektivitas tiga metode prediksi, yaitu SARIMA, Exponential smoothing, dan XGBoost, dalam memprediksi jumlah produk yang terjual pada dataset Super Store periode 2014–2017. Data harian dikonversi menjadi data bulanan, kemudian melalui proses preprocessing seperti pembersihan data, pengecekan duplikasi, pemilihan atribut dan pembagian train–test. Model SARIMA dibangun dengan optimasi parameter melalui grid search, Exponential smoothing menggunakan konfigurasi tren dan musiman aditif, sedangkan XGBoost menerapkan feature engineering berbasis lag dan musiman. Evaluasi dilakukan dengan metrik MAE, MSE, RMSE, dan R². Hasil menunjukkan bahwa SARIMA memberikan performa terbaik dengan R² = 0,932, diikuti oleh Exponential smoothing dan XGBoost. Temuan ini menunjukkan bahwa metode time series tradisional lebih sesuai untuk data berpola musiman stabil dibandingkan pendekatan machine learning.
Downloads
References
N. P. N. P. Dewi and R. A. Nugroho, “Optimasi general regression neural network dengan fruit fly optimization algorithm untuk prediksi pemakaian arus listrik pada penyulang,” Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika, vol. 18, no. 1, pp. 1–12, 2021.
D. P. H. Putri, N. P. N. P. Dewi, I. K. Purnamawan, and N. W. Marti, “Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 9, no. 3, pp. 492–501, 2023.
V. Rao, A. D. Singh, and M. P. Kumar, “Advanced AI and Machine Learning Techniques for Time Series Analysis and Pattern Recognition,” Applied Sciences, vol. 15, no. 6, 2023.
T. Falatouri, F. Darbanian, P. Brandtner, and C. Udokwu, “Predictive analytics for demand forecasting–a comparison of SARIMA and LSTM in retail SCM,” Procedia Computer Science, vol. 200, pp. 993–1003, 2022.
M. N. İnce and Ç. Taşdemir, “Forecasting retail sales for furniture and furnishing items through the employment of multiple linear regression and holt–winters models,” Systems, vol. 12, no. 6, pp. 219, 2024.
O. O. Mustapha and T. Sithole, “Forecasting Retail Sales using Machine Learning Models,” American Journal of Statistics and Actuarial Sciences, vol. 6, no. 1, pp. 35–67, 2025.
N. Sunendar, H. P. Putro, and R. Hesananda, “Prediksi Penjualan Aerosol Menggunakan Algoritma ARIMA, LSTM Dan GRU,” INSOLOGI: Jurnal Sains dan Teknologi, vol. 4, no. 1, pp. 113–126, 2025.
S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “Forecasting with statistical and machine learning methods: The M4 and M5 competitions and how to improve forecasting accuracy,” International Journal of Forecasting, vol. 38, no. 1, pp. 26–39, 2022.
R. Diana, H. Warni, and T. Sutabri, “Penggunaan teknologi machine learning untuk pelayanan monitoring kegiatan belajar mengajar pada SMK Bina Sriwijaya Palembang,” Jurnal Teknik Informatika (JUTEKIN), vol. 11, no. 1, 2023.
M. J. Rahaman, “A comprehensive review to understand the definitions, advantages, disadvantages and applications of machine learning algorithms,” Int J Comput Appl, vol. 186, no. 31, pp. 43–47, 2024.
Q. Lu, S. Taimourzadeh, P. J. Fitzgerald, A. Harzand, J. McCaney, and J. B. Prillinger, “Machine learning methods application: generating clinically meaningful insights from healthcare survey data,” Journal of Medical Artificial Intelligence, vol. 8, 2025.
B. Liao, T. Zhou, Y. Liu, M. Li, and T. Zhang, “Tackling the Wildfire Prediction Challenge: An Explainable Artificial Intelligence (XAI) Model Combining Extreme Gradient Boosting (XGBoost) with SHapley Additive exPlanations (SHAP) for Enhanced Interpretability and Accuracy,” Forests, vol. 16, no. 4, pp. 689, 2025.
H. Wijaya, D. P. Hostiadi, and E. Triandini, “Meningkatkan prediksi penjualan retail XYZ dengan teknik optimasi radom search pada model XGBoost”, Seminar Hasil Penelitian Informatika dan Komputer (SPINTER), pp 829-833. 2024.
H. Kuswanto, P. E. P. Utomo, U. Khaira, and A. Waladi, “Prediksi Nilai Ekspor Migas Indonesia Menggunakan Metode SARIMA dan LSTM,” SATESI: Jurnal Sains Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 69–79, 2025.
A. Ermawati, A. Amrullah, K. Huda, and M. A. Haris, “Implementasi Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) untuk Memprediksi Curah Hujan di Kota Semarang,” Jurnal Statistika dan Komputasi, vol. 3, no. 2, pp. 62–71, 2024.
N. P. N. P. Dewi, Y. Leu, K. Mustofa, and M. Riasetiawan, “Enhancing Diesel Backup Power Forecasting With LSTM, GRU, and Autoencoder-based Input Encoding,” Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, vol. 14, no. 1, 2025.
A. Aliniy, Y. P. Pasrun, and A. T. Sumpala, “Prediksi Jumlah Mahasiswa Baru Fti Usn Kolaka Menggunakan Metode Single Exponential smoothing,” SATESI: Jurnal Sains Teknologi dan Sistem Informasi, vol. 3, no. 1, pp. 20–25, 2023.
I. P. S. Handika and I. K. S. Satwika, “Enhancing Sales Forecasting Accuracy Through Optimized Holt-Winters Exponential smoothing with Modified Improved Particle Swarm Optimization,” JANAPATI: Jurnal Nasional Pendidikan Teknik Informatika, vol. 12, no. 2, 2024.
A. Damayanti, F. D. Marleny, and A. A. Ningrum, “IMPLEMENTASI REGRESI LINIER BERGANDA UNTUK PREDIKSI PENJUALAN PADA PT TRIMANDIRI SARANA PROPETINDO BANJARMASIN,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, 2025.
M. W. Aditya, I. N. Sukajaya, and I. G. A. Gunadi, “Forecasting Jumlah Pasien DBD di BRSUD Kabupaten Tabanan Menggunakan Metode Regresi Linier,” Bali Medika Jurnal, vol. 10, no. 1, pp. 1–12, 2023.
N. P. N. P. Dewi, N. K. Kertiasih, and N. L. D. Sintiari, “Modifikasi Fruit Fly Optimiziation Algorithm untuk Optimasi General Regression Neural Network pada Kasus Prediksi Time-Series,” Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, vol. 11, no. 3, pp. 192–204, 2022.
A. Yulianto, R. Adiperkasa, and Y. Farida, “Analisis Prediksi Harga Smartphone Tahun 2023 Menggunakan Model Random Forest Regression Berdasarkan Fitur,” Jurnal Komputer dan Teknologi dan Sistem Informasi (KOMTEKS), vol. 3, no. 1, pp. 58–69, 2024.
I. K. N. Ananda, N. P. N. P. Dewi, N. W. Marti, and L. J. E. Dewi, “Klasifikasi Multilabel pada Gaya Belajar Siswa Sekolah Dasar menggunakan Algoritma Machine Learning,” Journal of Applied Computer Science and Technology, vol. 5, no. 2, pp. 144–154, 2024.
N. W. Y. Wiani, I. M. A. Wirawan, and K. Y. E. Aryanto, “Klasifikasi Gerakan Tangan Berbasis Sinyal sEMG Menggunakan Deep Learning,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 11, no. 1, pp. 121–128, 2025.
O. Ozdemir and C. Yozgatligil, “Forecasting performance of machine learning, time series, and hybrid methods for low‐and high‐frequency time series,” Statistica Neerlandica, vol. 78, no. 2, pp. 441–474, 2024.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
