STUDI PERBANDINGAN METODE ARIMA, DOUBLE EXPONENTIAL SMOOTHING, DAN SINGLE EXPONENTIAL SMOOTHING PADA PENJUALAN PUPUK

Muhammad Febria Hafid Syahputra; Ahmad Lutfi; Akhlis Munazilin

doi:10.36080/idealis.v8i2.3536

Authors

Muhammad Febria Hafid Syahputra Sistem Informasi, Fakultas Sains dan teknologi, Universitas Ibrahimy, Situbondo, Indonesia
Ahmad Lutfi Sistem Informasi, Fakultas Sains dan teknologi, Universitas Ibrahimy, Situbondo, Indonesia
Akhlis Munazilin Ilmu Komputer, Fakultas Sains dan teknologi, Universitas Ibrahimy, Situbondo, Indonesia

DOI:

https://doi.org/10.36080/idealis.v8i2.3536

Keywords:

ARIMA, CRISP-DM, Double Exponential Smoothing, Forecasting, Penjualan Pupuk, Single Exponential Smoothing

Abstract

Pupuk memiliki peran vital dalam sektor pertanian sebagai penyedia nutrisi utama bagi tanaman. Namun, fluktuasi permintaan pupuk menjadi tantangan dalam merencanakan produksi dan distribusi yang efisien. Permasalahan ini mendorong perlunya metode peramalan yang akurat untuk mendukung pengambilan keputusan perusahaan. Perbandingan ketiga metode ini diperlukan untuk menentukan metode peramalan yang paling sesuai dengan karakteristik data penjualan pupuk agar perusahaan dapat merencanakan distribusi dan produksi secara efisien. Oleh karena itu, penelitian ini membandingkan tiga metode peramalan deret waktu, yaitu Autoregressive Integrated Moving Average (ARIMA), Single Exponential Smoothing (SES), dan Double Exponential Smoothing (DES), dalam meramalkan penjualan pupuk berdasarkan data historis dari CV. Sugi Baim Tani selama 33 bulan. Ketiga metode dipilih karena memiliki karakteristik berbeda dalam menangani tren dan pola musiman pada data. Evaluasi dilakukan menggunakan metrik MAE, MAPE, dan RMSE untuk menilai akurasi setiap metode sebelum disimpulkan hasil perbandingan. Proses peramalan menggunakan pendekatan CRISP-DM, dimulai dari pemahaman bisnis hingga deployment sistem prediksi berbasis Python dan Streamlit. Hasil penelitian menunjukkan bahwa ketiga metode dapat digunakan dalam peramalan penjualan pupuk, dengan ARIMA memberikan akurasi terbaik berdasarkan nilai MAPE dan RMSE masing-masing sebesar 8,92% dan 218,07. Metode DES unggul pada nilai RMSE terkecil sebesar 186,82, sedangkan SES menghasilkan MAPE sebesar 9,28% dengan RMSE sebesar 239,69. Penelitian ini diharapkan dapat memberikan kontribusi praktis bagi perusahaan pupuk dalam mendukung pengambilan keputusan produksi dan distribusi secara lebih tepat sasaran.

Downloads

Download data is not yet available.

References

[1] F. C. Rizki, P. R. Wicaksono, and F. Wijayanti, “Peningkatan kesuburan tanah dan produktivitas sebagai hasil pengolahan lahan di dusun ngadilegi, pandaan,” JIPMJurnal Inf. Pengabdi. Masy., vol. 2, no. 1, pp. 1–9, 2024.

[2] E. Nurahmi et al., “Pengaruh media tanam dan dosis pupuk npk terhadap pertumbuhan bibit kelapa sawit ( elaeis guineensis jacq . ) the influence of growing media and npk fertilizer dosage on the growth of oil palm seedlings ( elaeis guineensis jacq .),” Jurnal Agriumvol. 21, no. 4, 2024.

[3] R. Larizadeh and B. M. Tosarkani, “A novel data-driven rolling horizon production planning approach for the plastic industry under the uncertainty of demand and recycling rate,” Expert Syst. Appl., vol. 263, p. 125728, Mar. 2025, doi: 10.1016/J.ESWA.2024.125728.

[4] N. P. L. Santiari and I. G. S. Rahayuda, “Analisis Perbandingan Metode Single Exponential Smoothing dan Single Moving Average dalam Peramalan Pemesanan,” J. Inform. Univ. Pamulang, vol. 6, no. 2, pp. 312–318, 2021, [Online]. Available: http://openjournal.unpam.ac.id/index.php/informatika312

[5] P. Pandemi, “Analisis perbandingan metode exponential smoothing untuk peramalan kunjungan wisatawan internasional di indonesia pasca pandemi,” vol. 2, no. 1, pp. 315–325, 2025.

[6] A. D. Milniadi and N. O. Adiwijaya, “Analisis Perbandingan Model Arima Dan Lstm Dalam Peramalan Harga Penutupan Saham (Studi Kasus : 6 Kriteria Kategori Saham Menurut Peter Lynch),” SIBATIK J. J. Ilm. Bid. Sos. Ekon. Budaya, Teknol. dan Pendidik., vol. 2, no. 6, pp. 1683–1692, 2023, doi: 10.54443/sibatik.v2i6.798.

[7] R. Ribeiro, A. Pilastri, C. Moura, F. Rodrigues, R. Rocha, and P. Cortez, “Predicting the tear strength of woven fabrics via automated machine learning: An application of the CRISP-DM methodology,” ICEIS 2020 - Proc. 22nd Int. Conf. Enterp. Inf. Syst., vol. 1, no. Iceis, pp. 548–555, 2020, doi: 10.5220/0009411205480555.

[8] A. Triayudi, I. Fitri, Sumiati, and Iksal, “Stock Investment Modeling and Prediction Using Vector Autoregression (VAR) and Cross Industry Standard Process for Data Mining (CRISP-DM) BT - Proceeding of the 3rd International Conference on Electronics, Biomedical Engineering, and Health Informatics,” T. Triwiyanto, A. Rizal, and W. Caesarendra, Eds., Singapore: Springer Nature Singapore, 2023, pp. 279–292.

[9] F. Hu et al., “Python’s evolution on Stack Overflow: An empirical analysis of topic trends,” J. Comput. Lang., vol. 84, p. 101340, Sep. 2025, doi: 10.1016/J.COLA.2025.101340.

[10] B. Julyano, “Desain dan Implementasi Website Harvest Lens Prediksi Harga Beras Menggunakan Framework Streamlit,” e-Proceeding of Engineering, vol. 11, no. 4, pp. 2856–2860, 2024.

[11] P. M. S. Tarigan, J. T. Hardinata, H. Qurniawan, M. Safii, and R. Winanjaya, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang,” J. Janitra Inform. dan Sist. Inf., vol. 2, no. 1, pp. 9–19, 2022, doi: 10.25008/janitra.v2i1.142.

[12] R. S. P. Revathy et al., "Streamlit-based web application for Parkinson’s detection using machine learning," J. Artif. Intell. Capsule Netw., Jan. 2025, doi: 10.36548/jaicn.2024.4.006.

[13] V. Plotnikova, M. Dumas, and F. P. Milani, “Applying the CRISP-DM data mining process in the financial services industry: Elicitation of adaptation requirements,” Data Knowl. Eng., vol. 139, p. 102013, May 2022, doi: 10.1016/J.DATAK.2022.102013.

[14] D. A. Chairunnisa, “Sistem Informasi Document Management System (DMS),” Sist. Inf. Doc. Manag. Syst., vol. 6, no. ISSN, pp. 2614–7602, 2022, doi: 10.36352/jr.v6i2.

[15] M. C. Chasandra Puspitasari, S.Kom., “CRISP-DM (Cross-Industry Standard Process for Data Mining),” BINUS UNIVERSITY MALANG. [Online]. Available: https://binus.ac.id/malang/2022/05/crisp-dm-cross-industry-standard-process-for-data-mining/

[16] F. A. Mahbubi, T. I. Hermanto, and C. D. Lestari, "Peramalan penjualan saham nikel menggunakan algoritma long short term memory (LSTM)," IDEALIS Indones. J. Inf. Syst., vol. 8, pp. 138-149, 2025.

[17] R. G. R. Mumu, N. Nurchim, and S. Sumarlinda, “Forecasting Central Bank Digital Currency Terhadap Rupiah Digital,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 65–74, 2023, doi: 10.36080/idealis.v6i2.3027.