Analisis Komparatif Model ARIMA, XGBOOST Dan Pendekatan Hybrid ARIMA-XGBOOST Untuk Prediksi Permintaan Proyek IT

Authors

Muhamad Hafidz Universitas Widyatama
Esa Fauzi Universitas Widyatama

DOI:

https://doi.org/10.31539/intecoms.v8i3.15848

Abstract

Sejak akhir tahun 2022 hingga akhir tahun 2024, industri pengembangan perangkat lunak mengalami penurunan signifikan dalam permintaan proyek IT, yang berdampak pada kesulitan dalam perencanaan sumber daya dan penyusunan strategi bisnis. Penelitian ini bertujuan untuk mengembangkan model prediksi permintaan proyek IT melalui analisis komparatif terhadap tiga pendekatan, yaitu model statistik ARIMA (AutoRegressive Integrated Moving Average), model machine learning XGBoost (Extreme Gradient Boosting), dan pendekatan Hybrid yang menggabungkan keunggulan keduanya. Data diperoleh dari Clutch.co, sebuah platform global yang menyediakan informasi dan ulasan mengenai penyedia jasa IT. Evaluasi performa masing-masing model dilakukan dengan menggunakan metrik evaluasi seperti Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian yang dilakukan terhadap data test set, untuk menilai kemampuan model dalam menghadapi data yang benar-benar belum terlihat sebelumnya. Hasilnya, model XGBoost menunjukkan performa terbaik dengan MAE sebesar 1.5574 dan RMSE sebesar 2.3597, mengungguli ARIMA dan Hybrid ARIMA-XGboost.
Kata Kunci: Permintaan Proyek IT, Peramalan, ARIMA, XGBoost, Analisis Komparatif

References

Azlina Putri, A. (2021). Resolusi: Rekayasa Teknik Informatika dan Informasi Penerapan Data Mining Untuk Memprediksi Penjualan Buah Dan Sayur Menggunakan Metode K-Nearest Neighbor (Studi Kasus: PT. Central Brastagi Utama). Media Online), 1(6), 354–361.

Zidan Rusminto, M., Adi Wibowo, S., & Santi Wahyuni, F. (2024). Peramalan Harga Saham Menggunakan Metode Arima (Autoregressive Integrated Moving Average) Time Series. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 2).

Rahman Abdul Aziz, A., & Taqwa Prasetyaningrum, P. (2025). Analisis Perbandingan Model ARIMA dan Exponential Smoothing dalam Meramalkan Harga Penutupan Saham. Technology and Science (BITS), 7(1).

Dava Maulana, M., Id Hadiana, A., Rakhmat Umbara Informatika, F., Jenderal Achmad Yani Cimahi Jl Terusan Jend Sudirman, U., Cimahi Sel, K., Cimahi, K., & Barat, J. (2023). Algoritma Xgboost Untuk Klasifikasi Kualitas Air Minum. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Issue 5).

Zhang, L., Bian, W., Qu, W., Tuo, L., & Wang, Y. (2021). Time series forecast of sales volume based on XGBoost. Journal of Physics: Conference Series, 1873(1).

Huang, X., Zhuang, X., Tian, F., Niu, Z., Chen, Y., Zhou, Q., & Yuan, C. (2025). A Hybrid ARIMA-LSTM-XGBoost Model with Linear Regression Stacking for Transformer Oil Temperature Prediction. Energies, 18(6).

Fikri Alfawaid, M., Prianggono, J., Studi, P. S., Kepolisian, I., & Tinggi Ilmu Kepolisian, S. (2023). Penerapan Metode Multiple Machine Learning (Hybrid Model) Untuk Mendeteksi Link Phishing Sebagai Upaya Preventif Dalam Meminimalisir Korban Pencurian Data. Jurnal Ilmu Kepolisian, 17.

Liang, L. (2024). ARIMA with Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction in the US stock market. SHS Web of Conferences, 196, 02001.

Atesongun, A., & Gulsen, M. (2024). A Hybrid Forecasting Structure Based on Arima and Artificial Neural Network Models. Applied Sciences (Switzerland), 14(16).

Quiñones-Rivera, H., Rubiano-Ovalle, O., & Alfonso-Morales, W. (2023). Demand Forecasting Using a Hybrid Model Based on Artificial Neural Networks: A Study Case on Electrical Products. Journal of Industrial Engineering and Management, 16(2), 363–381.

Suddala, S. (2024). Dynamic Demand Forecasting In Supply Chainsusing Hybrid Arima-Lstm Architectures. International Journal of Advanced Research, 12(10), 1167–1171.

Mei, Y., Yang, Y., Chen, H., Shi, W., & Su, X. (2024). ARIMA-Xgboost Based Pricing and Replenishment Strategy for Perishable Goods. In Highlights in Science, Engineering and Technology MMACS (Vol. 2024).

Sinan Sari. (2025). Clutch. diakses pada 19 juni 2025, Pukul 15.00 dari https://www.horizon-labs.co/resources/clutch.

Paulius Jonaitis. (2025). Instant Data Scraper Overview. diakses pada 19 juni 2025, Pukul 15.30 dari https://chromewebstore.google.com/detail/instant-data-scraper/ofaokhiedipichpaobibbnahnkdoiiah

Parera Agrippina, A., & Yulian Pamuji, F. (2024). Komparasi Peramalan Penerimaan Siswa Baru Menggunakan Metode Exponential Smoothing. Jurnal PROSISKO, 11 No.1. Maret 2024.

Aji, M. B., & Idifitriani, F. (2024). Analisis Perbandingan RMSE Algoritma Machine Learning dalam Memprediksi Harga Saham. ICOM, Jurnal Informatika Dan Teknologi Komputer, Vol. 05 No. 02, 113–119.