Peramalan Permintaan Semen di PT. XYZ Menggunakan Time Series Regression dan ARIMA

Wirdyacahya, Berliana Salsa; Prastuti, Mike

doi:10.12962/j23373520.v11i1.63222

Cited by 4 publications

(4 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…ARIMA (p, d, q) ini memiliki 3 kemungkinan model, yaitu AR (p), MA (q), dan ARMA (p, q). Model ARIMA ini sudah banyak digunakan untuk berbagai macam peramalan, seperti peramalan konsumsi listrik [4][5][6], peramalan konsumsi energi [7][8][9], peramalan permintaan semen, paving blok, dan juga kipas angin [10][11][12], dan termasuk juga peramalan tentang inflasi di Indonesia [13]. Selain itu, di bidang pertanian juga digunakan untuk meramalkan produksi kelapa sawit [14,15], peramalan produksi CPO [16,17], peramalan jumlah tanaman kelapa sawit [18], peramalan produksi, dan juga penjualan teh hijau [19,20] dan peramalan produksi atau penjualan lainnya.…”

Section: Tinjauan Literaturunclassified

Forecasting Coconut Production in Indragiri Hilir with Autoregressive Integrated Moving Average Model

Mardesci¹,

Maryam

Ihwan

2023

SISTEMASI

View full text Add to dashboard Cite

Indragiri Hilir adalah salah satu kabupaten di Provinsi Riau yang merupakan penghasil kelapa terbesar di Indonesia. Berdasarkan data statistik, jumlah produksi kelapa di Indragiri Hilir tercatat sekitar 313.396 ton pada Tahun 2021, tetapi produksinya menurun dari tahun ke tahun. Jumlah produksi kelapa yang akan datang perlu diketahui, sehingga bisa dicarikan solusi agar produksi kelapa di Indragiri Hilir bisa kembali meningkat. Tujuan penelitian ini adalah untuk mengetahui perkiraan atau peramalan produksi kelapa untuk 5 tahun yang akan datang. Hal ini berguna untuk mengetahui sejauh mana penurunan produksi kelapa selama rentang waktu tersebut, sehingga bisa dicarikan solusinya. Dalam penelitian ini, peramalan jumlah produksi kelapa dilakukan dengan metode Autoregressive Integrated Moving Average (ARIMA). Model Autoregressive Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. Analisis data pada penelitian ini menggunakan aplikasi EViews sebagai alat bantu untuk peramalan. Berdasarkan hasil peramalan bahwa jumlah produksi kelapa untuk 5 tahun yang akan datang (2022-2026) adalah menurun. Jika hal ini dibiarkan, lama kelamaan Indragiri Hilir tidak lagi menjadi penghasil kelapa terbesar di Riau. Solusi yang diberikan adalah peremajaan atau replanting terhadap lahan tanaman yang rusak dan tua perlu ditingkatkan. Dalam hal ini, perlu peranan pemerintah dalam meningkatkan program peremajaan tanaman, khususnya pada perkebunan rakyat.

show abstract

Section: Tinjauan Literaturunclassified

Forecasting Coconut Production in Indragiri Hilir with Autoregressive Integrated Moving Average Model

Mardesci¹,

Maryam

Ihwan

2023

SISTEMASI

View full text Add to dashboard Cite

show abstract

“…Regresi Dummy merupakan generalisasi dari regresi linear yang dimana variabel prediktornya adalah kategorik [14]. Dituliskan model regresi dummy seperti pada Persamaan (1).…”

Section: B Regresi Dummyunclassified

Aplikasi Model ARIMAX dengan Efek Variasi Kalender untuk Peramalan Trend Pencarian Kata Kunci “Zalora” pada Data Google Trends

Dani,

Wahyuningsih,

Putra

et al. 2023

Inferensi

View full text Add to dashboard Cite

ABSTRAK ⎯ ARIMAX menjadi salah satu metode dalam analisis runtun waktu yang digunakan untuk memodelkan suatu peristiwa dengan menambahkan variabel eksogen sebagai informasi tambahan. Saat ini, model ARIMAX dapat diterapkan pada data runtun waktu yang memiliki efek variasi kalender. Secara singkat, variasi kalender terjadi akibat perubahan komposisi pada kalender. Tujuan dari penelitian ini adalah mengaplikasikan model ARIMAX dengan efek variasi kalender untuk peramalan trend pencarian kata kunci "Zalora". Data dikumpulkan dimulai dari periode Januari 2018 sampai dengan November 2022 dalam bentuk series mingguan. Berdasarkan hasil analisis, diperoleh model ARIMAX dengan efek variasi kalender dengan sisaan ARIMA (1,1,1). Ketepatan akurasi peramalan menggunakan Mean Absolute Percentage Error (MAPE) sebesar 10.47%. Hasil peramalan untuk 24 periode kedepan cenderung berfluktuasi dan diperkirakan pada bulan April 2023 akan terjadi peningkatan trend pencarian kata kunci "Zalora". Kata kunci⎯ ARIMAX, variasi kalender, ZALORAABSTRACT ⎯ ARIMAX is a method in time series analysis that is used to model an event by adding exogenous variables as additional information. Currently, the ARIMAX model can be applied to time series data that has calendar variation effects. In short, calendar variations occur due to changes in the composition of the calendar. The purpose of this study is to apply the ARIMAX model with the effects of calendar variations to forecast search trends for the keyword "Zalora". Data were collected starting from January 2018 to November 2022 in the form of a weekly series. Based on the results of the analysis, the ARIMAX model is obtained with calendar variation effects with ARIMA residuals (1,1,1). Forecasting accuracy using the Mean Absolute Percentage Error (MAPE) of 10.47%. Forecasting results for the next 24 periods tend to fluctuate and it is estimated that in April 2023 there will be an increase in search trends for the keyword "Zalora". Keywords⎯ ARIMAX, calendar variations, ZALORA

show abstract

“…Model lain pada peramalan data runtun waktu adalah TSR (Time Series Regression) [10], [15]. Model TSR ini dapat digunakan maupun diterapkan pada data yang mengandung pola tren maupun musiman.…”

Section: Pendahuluanunclassified

Forecasting The Search Trends of The Keyword “Sarung Wadimor” In Indonesia on Google Trends Data Using Time Series Regression with Calender Variation and Arima Box-Jenkins

Dani

Fauziyah²,

Sandariria³

2023

View full text Add to dashboard Cite

The impact of this 4.0 era is that data is growing and can be collected very easily and then reprocessed to obtain information. One of the search engines for various data and information that is often used is Google, causing a high search intensity and will further impact on increasing the amount of data generated by search engines. Google Trends is one of the official websites from Google that reflects or takes pictures of events in society based on search keywords. The search keyword that will be studied in this article is “Sarung Wadimor”. Therefore, the purpose of this research is to forecast the search trend for the keyword "Sarung Wadimor" which is interesting because the resulting time series data pattern shows a recurring pattern due to the effect of calendar variations which are thought to be related to the month of Ramadan. Forecasting modeling uses Autoregressive Integrated Moving Average (ARIMA) and Time Series Regression (TSR). The goodness of the model used in this article is the Mean Square Error (MSE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). Based on the results of the analysis, using three goodness-of-fit measures shows that the TSR model with the Calendar Variation of Ramadan + Month Periods has smaller MSE, RMSE, and SMAPE values than the other models with goodness-of-fit values of 88.602, 9.413, and 26.950, respectively. Forecasting results for the next 6 periods show that the search trend for the keyword "Sarung Wadimor" tends to decrease, this is because the month of Ramadan is still quite far in 2023.

show abstract

Peramalan Permintaan Semen di PT. XYZ Menggunakan Time Series Regression dan ARIMA

Cited by 4 publications

References 2 publications

Forecasting Coconut Production in Indragiri Hilir with Autoregressive Integrated Moving Average Model

Forecasting Coconut Production in Indragiri Hilir with Autoregressive Integrated Moving Average Model

Aplikasi Model ARIMAX dengan Efek Variasi Kalender untuk Peramalan Trend Pencarian Kata Kunci “Zalora” pada Data Google Trends

Forecasting The Search Trends of The Keyword “Sarung Wadimor” In Indonesia on Google Trends Data Using Time Series Regression with Calender Variation and Arima Box-Jenkins

Contact Info

Product

Resources

About