Peramalan Trend Produk Untuk Meningkatkan Gross Merchandise Value Sebagai Key Account Managment

Abstract

This journal focuses on utilizing forecasting methods for product trend to enhance GMV within e-commerce. The study analyzes sales forecasts for brand X helmets using three methods: Exponential Smoothing, Linear Regression, and Moving Average. Exponential Smoothing provided the most accurate forecast, predicting 11,094 unit sales in the 21st week with MAD of 428.25, MSE of 239,783.69, and MAPE of 5.81%. Linear Regression predicted 10,415 unit sales with MAD 549.37, MSE 421,183.10, and MAPE 8.94%. Moving Average predicted 10,745.50 unit sales with MAD 703.78, MSE 647,057.76, and MAPE 9.03%. Overall, Exponential Smoothing was the most accurate, offering insights into effective forecasting methods for brand X helmet sales and supporting future business decisions. Keywords: Sawit, Forecasting, Time Series, Moving Average, Exponential Smoothing, Linear Regression

Jurnal ini berfokus pada penggunaan metode peramalan dalam trend produk untuk meningkatkan GMV dalam e-commerce. Studi ini menganalisis ramalan penjualan helm merek X menggunakan tiga metode: Exponential Smoothing, Linear Regression, dan Moving Average. Exponential Smoothing memberikan ramalan paling akurat, dengan perkiraan penjualan 11.094 unit pada minggu ke-21 dengan MAD sebesar 428,25, MSE sebesar 239.783,69, dan MAPE sebesar 5,81%. Linear Regression memprediksi penjualan sebesar 10.415 unit dengan MAD 549,37, MSE 421.183,10, dan MAPE 8,94%. Moving Average memprediksi penjualan sebesar 10.745,50 unit dengan MAD 703,78, MSE 647.057,76, dan MAPE 9.03%. Secara keseluruhan, Exponential Smoothing adalah yang paling akurat, memberikan wawasan tentang metode peramalan yang efektif untuk helm merek X. Kata kunci: GMV, E – Commerce, Peramalan, Time Series, Moving Average, Regresi Linear, Exponential Smoothing