Penelitian ini bertujuan untuk membantu UMKM mengetahui gambaran jumlah produksi agar dapat mendapatkan keuntungan yang optimal dengan cara menggunakan metode Peramalan dalam perencanaan produksi masing-masing varian rasa pia. Penelitian ini menggunakan Metode Peramalan Moving Average, Exponential Smoothing, Trend Analysis dan ARIMA. Data penjualan untuk varian coklat menunjukkan bahwa data stasioner. Data dihitung dengan menggunakan QM for Windows dan Eviews 12, nilai error dari urutan terkecil hingga terbesar yaitu Metode Arima (1,0,0) (16906,73), metode exponential smoothing (21299,19), metode Moving Average (26776,44), trend analysis (28751,88). Dari keempat metode yang digunakan untuk mengolah data adalah metode Arima(1,0,0). Sehingga hasil peramalan untuk periode berikutnya sebesar 1313 pack. Data Varian keju menunjukkan bahwa data tidak stasioner sehingga untuk varian keju diperlukan proses differencing. Kemudian data juga dihitung dengan QM for windows dan eviews 12, nilai error dari urutan terkecil hingga terbesar yaitu metode Arima(1,1,0) (17947,69), exponential smoothing (19824,03), moving average (20200,41), trend analysis (21539,06). Sehingga dari keempat metode diatas, metode yang digunakan untuk meramalkan adalah metode Arima (1,1,0). Dan hasil peramalan untuk periode 1303 pack.
Kata kunci : ARIMA, Exponential Smoothing, Moving Average,dan Trend Analysis

The objective of the study was to help UMKM in figuring out its selling to get maximum profit by forecasting the marketing of its pia cake variants. This applied forecasting model of moving average, exponential smoothing, and trend analysis and ARIMA. The data were processed, using QM for Windows, and Eviews 12. The selling data of chocolate variant indicated that it was stationary. The rate of errors from the lowest were ARIMA(1,0,0) (16906,73), exponential smoothing method (21299,19), moving average (26776,44), and trend analysis (28751,88). The one chosen to process the data was ARIMA(1,0,0) method. This the number of next production for this variant was 1313 packs. Meanwhile the data of the cheese variants was not stationary, for which the differencing process was required. The same tools were also applied for the data; and its error rates were identified in ARIMA(1,1,0) (17947,69), exponential smoothing (19824,43), moving average (20200,41), and trend analysis (21539,06). Again, ARIMA(1,1,0) was also taken to explore the data, and is suggested 1303 packs for selling the cheese variants. Keywords: ARIMA, Exponential Smoothing, Moving Average, Trend Analysis