Analisis Penjualan Kopi Dengan Prediksi Sarima Dan Rekomendasi Berbasis Algoritma Apriori

Abstrak

Penelitian ini menganalisis penjualan produk kopi menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA) untuk prediksi penjualan dan algoritma Apriori untuk sistem rekomendasi di tiga cabang: Hell's Kitchen, Lower Manhattan, dan Astoria. Hasil prediksi SARIMA menunjukkan bahwa Lower Manhattan memiliki akurasi tertinggi dengan nilai RMSE 12.90 dan MAPE 5.47%, sedangkan Hell's Kitchen dan Astoria menunjukkan tingkat kesalahan prediksi lebih tinggi. Prediksi penjualan tertinggi terjadi di Astoria (300 produk), dan terendah di Hell's Kitchen (201 produk). Rekomendasi optimasi manajemen stok mencakup gangguan stok di Hell's Kitchen, pengelolaan stok presisi di Lower Manhattan, serta analisis pola penjualan lebih mendalam di Astoria. Algoritma Apriori berhasil mengidentifikasi pola pembelian, dengan Hell's Kitchen menunjukkan asosiasi produk terkuat (lift 2.372), Lower Manhattan memiliki aturan asosiasi terbanyak (430 aturan), dan Astoria menunjukkan hubungan asosiasi yang lebih lemah. Strategi yang direkomendasikan meliputi bundling produk di Hell's Kitchen, promosi di Lower Manhattan, serta peningkatan support dan lift di Astoria. Hasil ini diharapkan dapat meningkatkan efisiensi manajemen stok dan strategi penjualan di cabang ketiga.