Analisis Forecasting untuk Data Penjualan Menggunakan Metode

Analisis Forecasting untuk Data Penjualan Menggunakan Metode Simple
Moving Average dan Single Exponential Smoothing: Studi Kasus PT Guna
Kemas Indah
Venezia Ryanka Sutrisno
Information System, Faculty of Computer Science, Universitas Indonesia
E-mail: [email protected]
Abstrak
Forecasting adalah salah satu metode data mining yang digunakan untuk meramalkan atau memperkirakan
mengenai sesuatu yang belum terjadi. Pada dunia bisnis, forecasting biasa digunakan dalam menentukan
keputusan bisnis untuk masa yang akan datang. Penelitian ini ingin menunjukkan implementasi forecasting
untuk data penjualan organisasi yang bersifat irregular, dengan menggunakan dua metode forecasting yaitu
simple moving average dan single exponential smoothing. Hasil forecasting kemudian divisualisasikan dalam
bentuk dashboard. Penelitian ini menunjukkan secara umum metode single exponential smoothing memberikan
prediksi yang lebih baik dibandingkan simple moving average dengan selisih nilai forecast error sebesar 18,62
untuk produk dan 20,46 untuk customer.
Forecasting Analysis for Sales Data Using Simple Moving Average and Single
Exponential Smoothing Method: Case Study PT Guna Kemas Indah
Abstract
Forecasting is one of data mining method that is used to predict or estimate something that has not happened. On
the business world, forecasting often used to determine business decision for the future. This research would like
to show the implementation of forecasting for sales data organization that is irregular, with the use of two
methods of forecasting, which are simple moving average and single exponential smoothing. The forecasting
result then visualized in dashboard form. This research shows in general, single exponential smoothing method
provides better predictions than simple moving average with the difference between the value of forecast error of
18,62 for products and 20,46 for customers.
Keywords: forecasting, irregular, simple moving average, single exponential smoothing
Pendahuluan
Data mining adalah suatu konsep yang digunakan untuk menemukan pengetahuan
yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang
tersimpan di dalam database besar [1]. Data mining merupakan bagian dari proses
Knowledge Discovery in Database (KDD) yang memiliki beberapa tahapan seperti pemilihan
data, preprocessing, transformasi, data mining, dan evaluasi hasil [2]. Berdasarkan dua teknik
dari data mining yaitu verification atau validation dan discovery, metode verifikasi umumnya
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
meliputi teknik statistik dan analisis variansi atau memvalidasi hipotesa yang dipaparkan
pengguna, sedangkan metode discovery terbagi menjadi model prediktif dan model deskriptif.
Teknik prediktif melakukan prediksi pada data dengan menggunakan hasil yang telah
diketahui dari data yang berbeda. Model ini dapat dibuat berdasarkan penggunaan data
historis lainnya. Model deskriptif bertujuan untuk mengidentifikasi pola-pola atau hubungan
antardata dan memberikan cara untuk mengeksplorasi karakteristik data yang diselidiki [3].
PT Guna Kemas Indah memiliki data penjualan sejak tahun 2010 sampai dengan tahun
2012. Tetapi sejauh ini, data tersebut tidak pernah dimanfaatkan. Sebenarnya data tersebut
dapat diolah lebih lanjut untuk memberikan keuntungan bagi organisasi. Contohnya, untuk
mengetahui tren yang terjadi, selain itu data tersebut dapat digunakan untuk memprediksi
penjualan di masa yang akan datang dengan melakukan forecasting. Penggunaan forecasting
atau prediksi sudah banyak digunakan dalam kegiatan organisasi guna mempersiapkan
kondisi yang mungkin akan terjadi di masa yang akan datang. Prediksi juga merupakan dasar
dari seluruh keputusan bisnis, meskipun tidak akan benar-benar tepat, tetapi organisasi dapat
memperoleh gambaran untuk mengambil keputusan. Namun dalam melakukan prediksi, tidak
menutup kemungkinan organisasi kurang memperhatikan pola data yang dimiliki, sehingga
akhirnya menggunakan metode prediksi yang kurang sesuai dengan pola data. Hal ini
mengakibatkan hasil yang diperoleh tidak maksimal dalam membantu organisasi menentukan
langkah di masa yang akan datang, sehingga pemahaman tentang pola data yang dimiliki
sangat penting [4].
Terdapat berbagai macam metode yang dapat diaplikasikan terhadap pola data,
sebagai contohnya adalah metode simple moving average dan metode single exponential
smoothing. Simple moving average merupakan metode yang baik digunakan untuk data yang
bersifat tidak stabil, yaitu data yang tidak memiliki tren dan terpengaruh musim [5]. Pada
penelitian yang terdahulu dilakukan, metode simple moving average dapat digunakan untuk
melakukan forecasting untuk data yang bersifat acak dan dapat mengurangi variasi acak yang
terjadi pada data [6]. Metode single exponential smoothing juga dapat digunakan dalam
melakukan forecasting dengan pola data yang tidak stabil atau irregular. Berdasarkan
penelitian yang dilakukan sebelumnya, metode ini juga dinilai dapat digunakan untuk data
yang memiliki nilai mean yang tetap dan tidak memiliki tren [7].
Belum adanya penelitian yang membandingkan kedua metode tersebut, dan setelah
mengetahui pentingnya pemahaman akan data yang dimiliki dan juga mengetahui bahwa
data-data tersebut dapat diolah untuk menghasilkan pengetahuan yang baru bagi organisasi,
maka penulis memilih untuk membahas mengenai forecasting. Pada tempat studi kasus,
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
diketahui bahwa perusahaan tersebut belum memanfaatkan forecasting sebagai salah satu
kegiatan bisnisnya, hal tersebut dikarenakan belum adanya pengetahuan yang cukup oleh
perusahaan untuk mengolah data yang dimiliki. Untuk itu, penulis ingin meneliti berdasarkan
data penjualan yang dimiliki perusahaan tersebut agar nantinya perusahaan dapat
mempertimbangkan penggunaan forecasting sebagai salah satu kegiatan bisnisnya ditengah
persaingan bisnis yang ada. Melalui data penjualan berdasarkan data customer dan data
produk pada tahun 2010 sampai 2012, dan jenis data perusahaan yang bersifat irregular,
maka metode forecasting yang akan digunakan pada penelitian ini adalah metode simple
moving average dan single exponential smoothing. Kedua metode tersebut dipilih karena
keduanya merupakan metode yang dapat digunakan untuk menangani data dengan pola
irregular [8].
Penelitian ini berusaha menjawab beberapa rumusan masalah mengenai metode
forecasting apa yang paling tepat diantara moving average dengan exponential smoothing,
berdasarkan jenis data yang dimiliki organisasi yang bersifat irregular. Selain itu,
berdasarkan data yang dimiliki, forecasting dapat dilakukan berdasarkan customer dan produk,
manakah yang dapat diprediksi dengan lebih baik diantara keduanya. Rumusan masalah yang
terakhir adalah sejauh mana dashboard dapat memberikan hasil visualisasi dari forecasting.
Landasan Teori
Business Intelligence (BI) menurut Turban dapat diartikan sebagai kumpulan dari
arsitektur, peralatan, databases, perangkat analisis, aplikasi, dan metodologi [9]. Terdapat
definisi business intelligence lain yang diungkapkan oleh D.J Powers bahwa business
intelligence menjelaskan tentang suatu konsep dan metode bagaimana untuk meningkatkan
kualitas pengambilan keputusan bisnis berdasarkan sistem yang berbasiskan data [10]. BI
seringkali dipersamakan sebagaimana briefing books, report and query tools, dan sistem
informasi eksekutif. BI merupakan sistem pendukung pengambilan keputusan yang
berbasiskan data-data.
Dapat dilihat dari pengertian diatas bahwa BI menggunakan data sebagai kunci utama
pengaplikasiannya dengan dukungan teknologi. Seperti yang diungkapkan oleh Raymond
bahwa penyediaan informasi mengenai keseluruhan kinerja organisasi bagi para eksekutif,
tidaklah mungkin dilakukan secara manual, melainkan harus didukung sepenuhnya dengan
sistem komputerisasi yang disebut Computer-Base Executive Information System, para
eksekutif dapat membangun Executive Information System (EIS) berdasarkan tiga konsep
dasar manajemen, yaitu [11]:
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
1. Critical Success Factor, dimana para eksekutif senatiasa dapat memantau seberapa baik
organisasi berjalan sesuai dengan tujuan dan faktor-faktor penentu keberhasilan dari
organisasi tersebut.
2. Management By Exception dimana para eksekutif dapat melakukan tindakan segera,
berdasarkan tampilan informasi dilayar komputer, mengenai perbandingan kinerja yang di
rencanakan dengan kinerja aktual.
3. Mental Model, dimana para eksekutif membuat penilaian dan perkiraan untuk memahami
fenomena yang terjadi melalui Information Compression yang disarikan dari data dan
informasi organisasi, sehingga melalui gambaran atau model mental operasi organisasi
tersebut, memudahkan para eksekutif dalam memutuskan tindakan yang perlu diambil dalam
waktu segera.
Salah satu metode dalam business intelligence adalah data mining. Data mining dalam
pengertian yang sederhana menunjuk kepada “penambangan” pengetahuan dari data dengan
jumlah yang banyak [12]. Data mining merupakan proses dari eksplorasi dan analisis, secara
otomatisasi atau semi-automatisasi, dengan jumlah data yang banyak untuk menemukan pola
dan aturan yang berarti [13]. Sedangkan SAS Institute mendefinisikan data mining sebagai
proses untuk memilih, eksplorasi, dan memodelkan sejumlah data untuk menemukan pola
data yang sebelumnya tidak diketahui untuk keuntungan bisnis [14]. Lainnya mendefinisikan
data mining sebagai proses yang menggunakan statistik, matematik, artificial intelligence,
dan teknik machine-learning untuk mengekstrak dan mengidentifikasi informasi yang
berguna dan kemudian menghasilkan pengetahuan dari database yang besar [15]. Definisi
lain dari data mining adalah proses untuk menemukan pengetahuan yang menarik dari tempat
penyimpanan data yang berjumlah besar seperti databases, data warehouses, atau dari
repositori lainnya [12].
Dalam aplikasi bisnis, terdapat lima tipe metode data mining, yaitu: asosiasi,
klasifikasi, prediksi, clustering, dan profiling. Beberapa penulis juga mengelompokkan
metode data mining menurut pemahaman masing-masing, seperti Fayyad dan teman
temannya yang mengkategorisasikan data mining menjadi classification, regression,
clustering, summarization, dependenct modeling, link analysis, dan sequence analysis [16].
Sedangkan Han dan teman-temannya mengkategorisasikannya menjadi association,
generalization, classification, clustering, similarity search, dan path traversal pattern [17].
Lain halnya dengan Berry dan Linoff yang mengkategorisasikan menjadi classification,
estimation, prediction, affinity grouping, clustering, dan description [18]. Pada penelitian ini,
metode yang akan dibahas adalah forecasting.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang belum terjadi
[19]. Peramalan biasanya dilakukan dengan menggunakan data dari masa lalu yang dianalisis
dengan menggunakan metode-metode tertentu. Melalui forecasting diharapkan dapat
meminimalisasi pengaruh ketidakpastian dari masa depan. Sehingga mendapatkan nilai
forecast yang memiliki kesalahan peramalan atau forecast error yang paling minimum
merupakan tujuan dari forecasting. Hal ini menunjukkan bahwa forecasting merupakan alat
bantu yang sangat penting dalam perencanaan yang efektif dan efisien. Berikut ini adalah
metode forecasting yang digunakan dalam penelitian ini.
A. Moving Average Model
Moving average merupakan model dalam melakukan prediksi. Teknik moving average
digunakan dalam memprediksi permintaan dengan cara melakukan perhitungan nilai rata-rata
dari nilai permintaan sesungguhnya dari sejumlah periode yang spesifik sebelumnya. Setiap
prediksi baru ditetapkan pada periode yang lama dan digantikan dengan permintaan dari
periode yang baru, sehingga data pada perhitungan berpindah sepanjang waktu, sesuai dengan
nama metode ini. Metode simple moving average digunakan untuk data yang bersifat tidak
stabil, tidak memiliki tren, dan tidak menggunakan pembobotan pada data. Menurut Wisner
dan teman-temannya moving average menggunakan data historis untuk menghasilkan
prediksi dan dapat bekerja dengan baik ketika nilainya tidak stabil [5]. Nilai periode – n
dalam prediksi simple moving average dapat digambarkan pada persamaan berikut ini:
∑
= prediksi untuk periode t+1
= jumlah periode yang digunakan untuk menghitung moving average
= nilai sesungguhnya pada periode i
B. Single Exponential Smoothing
Exponential smoothing merupakan model hasil pengembangan moving average pada
basis analisis time series dan prediksi, dan sering digunakan untuk prediksi produksi, terutama
untuk prediksi jangka pendek. Model ini dibuat dengan teori bahwa tren dari time series
memiliki karakteristik dari stabilitas dan regularitas. Penggunaan umum dari exponential
smoothing
digunakan untuk memprediksi nilai dari data historis, kemudian digunakan
kembali untuk memprediksi maksimum permintaan yang paling baru dan nilai prediksi yang
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
sebelumnya telah ditentukan. Langkah terakhir adalah menggunakan faktor dari tren yang
paling baru untuk menyesuaikan dengan hasil.
Single exponential smoothing yang dikenal dengan simple exponential smoothing
digunakan untuk peramalan jangka pendek, biasanya hanya satu bulan ke depan. Model
mengasumsikan bahwa data berfluktuasi disekitar nilai rata-rata yang tetap, tanpa tren atau
pola pertumbuhan konsisten [20]. Berikut adalah permodelan dari single exponential
smoothing pada persamaan berikut ini [21]:
(
)
= nilai smoothing pada periode waktu t
= nilai sebenarnya pada periode waktu t-1
= nilai smoothing pada periode waktu t-1
= konstanta smoothing, yang memiliki jangka 0 sampai 1
Dalam melakukan perhitungan menggunakan kedua metode tersebut, hampir dapat
dipastikan akan memiliki kesalahan atau error. Maka perlu dilakukan perhitungan terhadap
nilai akurasi prediksi yang sudah dilakukan. Pada penelitian ini digunakan metode Mean
Absolute Deviation (MAD) dengan ketentuan semakin kecil nilai MAD menunjukkan error
yang dihasilkan semakin sedikit. Persamaan MAD adalah sebagai berikut [22]:
∑
= jumlah data
= data sebenarnya pada waktu t
= data hasil prediksi pada waktu t
Untuk menampilkan hasil dari perhitungan forecasting, maka digunakan dashboard
sebagai alat visualisasinya. Dashboard merupakan sebuah perangkat yang dapat digunakan
untuk menganalisis dan merupakan salah satu yang paling berguna dalam BI [23]. Analisis
yang dimaksud adalah analisis yang diperlukan untuk proses pengambilan keputusan.
Pembuatan dashboard bertujuan agar pengguna lebih mudah untuk melihat dan memahami
hasil forecasting serta melihat perbedaan hasil dari kedua metode yang digunakan. Untuk
memastikan bahwa dashboard yang dibuat sudah sesuai dengan tujuan pembuatannya, maka
dilakukan evaluasi terhadap dashboard. Menurut Read dan teman-temannya, pengukuran
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
untuk hasil dashboard adalah dengan menggunakan metode penyebaran kuesioner kepada
pengguna [24]. Maka penulis menggunakan kuesioner sebagai pengukur hasil dashboard
yang dibuat. Responden kuesioner adalah calon pengguna dashboard, karena dashboard
tersebut dibuat untuk dapat membantu pekerjaan mereka dan dapat memenuhi kebutuhan dari
organisasi.
Metodologi Penelitian
A.
Data Preprocessing
Sesuai dengan tahapan dari proses data mining, maka dilakukan pengumpulan data
yang dilanjutkan dengan data preprocessing, dimana data dipersiapkan sebelum diolah. Data
preprocessing dilakukan untuk mengatasi data-data yang bersifat tidak lengkap atau
incomplete, noisy yaitu outliers atau error, inconsistent atau penamaan yang tidak konsisten.
Pada penelitian ini, data preprocessing mulai dilakukan pada pengubahan format data yang
diberikan karena data tersebut masih dalam format pdf, sehingga tidak compatible dengan
tools yang digunakan. Pada Gambar 1 adalah contoh data saat masih dalam format pdf.
Gambar 1. Contoh Data dalam Format PDF
Dari format pdf tersebut, penulis mengubah format data menjadi .xls, agar dapat diolah
menggunakan Microsoft Excel. Contoh data yang sudah diubah kedalam format .xls dapat
dilihat pada Gambar 2.
Gambar 2. Contoh Data dalam Format .xls
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Setelah format data telah sesuai, maka data kembali dikelompokkan menjadi dua,
yaitu berdasarkan customer dan produk. Maka, forecasting yang dilakukan berdasarkan
pengelompokkan tersebut. Karena jumlah variasi produk yang mencapai 187 jenis produk dan
140 customer, maka pada penelitian ini dipilih 10 jenis produk, khususnya yang tergolong
Jelly Cup dan 10 customer yang memiliki jumlah pembelian paling banyak selama tahun
2010 dan 2011. Proses pemilihan keduapuluh data yang di-forecasting menggunakan fitur
yang telah disediakan pada Microsoft Excel. Pada Tabel 1 adalah hasil kesepuluh customer
yang terpilih untuk di-forecasting. Untuk kesepuluh produk yang di-forecasting dapat dilihat
pada Tabel 2.
Tabel 1. Top 10 Customer yang di-forecasting
No
Kode Customer
Total Quantity
(2010-2011)
Nama Customer
1
2
3
4
5
6
7
8
9
110.T17
110.S57
110.S56
110.S26
110.S39
110.C02
110.Y04
110.C14
110.A26
PT. TERANG MAS ABADI
CV. SINAR BARU
CV. SURYA NEDIKA ISABELLA
CV. SINAR REJEKI
PT. SANJUNG ABADI NUGERAHA
PT. BUMI TANGERANG COKLATUTAMA
PT. YULIE PANGAN SENTOSA
PT. CITA RASA SUKSES
PT. ALLOY MANDIRI FOOD
10
110.T09
PT. TRITEGUH MANUNGGALSEJATI
18414
113240
59029
3040
11857
8858
39941
34570
8205
28737
Total
325891
Tabel 2. Top 10 Produk yang di-forecasting
No
1
2
3
4
5
6
7
8
9
10
Kode Item
JK-21
JK-50
JK-130D
JK-55
JK-K19
JK-BL.11
JK-R10
JK-T200
JKB210D
JK-M10
Nama Item
Jelly Cup K-21
Jelly Cup K-50
Jelly Cup K-130D
Jelly Cup K-55
Jelly Cup K-k19 Keong
Jelly Cup K-bl.11
Jelly Cup K-r10 Kristal
Jelly Cup K-200 Natural untuk printing
Jelly Cup KB210D
Jelly Cup K-m10 Mawar
Total Quantity (20102011)
Total
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
12649
42254
50531
8898
15114
13296
7394
13826
20939
17013
201914
B. Objek Penelitian
Dalam penelitian ini, penulis menggunakan sebuah perusahaan sebagai objek
penelitian. Perusahaan yang dipilih merupakan perusahaan swasta yang bergerak dalam bisnis
manufacturing khususnya kemasan makanan (Thermorforming & Metalizing. Perusahaan ini
telah berdiri sejak tahun 1988 yang berpusat di Jakarta Utara, sedangkan pabriknya terletak di
daerah Tangerang. Berada dalam bidang manufacturing selama 25 tahun menjadikan
perusahaan ini salah satu perusahaan manufacturing untuk kemasan makanan jelly yang besar
dan memiliki beberapa anak cabang [25]. Produk yang ditawarkan adalah kemasan jelly
dalam berbagai ukuran, dan jenis bahan yang disesuaikan dengan permintaan pasar dan juga
permintaan pelanggan. Perusahaan juga menerima ekspor meskipun frekuensinya tidak
sebanyak pembelian dalam negeri.
C. Data Penelitian
Data yang digunakan pada penelitian ini adalah data penjualan perusahaan dari tahun
2010 sampai dengan tahun 2012. Data-data tersebut kemudian dibagi menjadi dua [26],
yaitu :
1. Training data. Kumpulan training ini digunakan untuk mengembangkan metode dan
menentukan metode yang sesuai untuk digunakan dengan parameter yang tepat.
2. Testing data. Kumpulan data ini digunakan untuk mengetes hasil dari prediksi dengan
metode yang sudah diaplikasikan pada training data, sehingga dapat dilihat
keakuratan metode terhadap prediksi.
Maka penulis membagi data 2010 dan 2011 sebagai training data, dan menggunakan data
tahun 2012 sebagai testing data.
D. Alat Penelitian
Terdapat dua alat yang digunakan untuk melakukan penelitian ini. Kedua alat tersebut
adalah Microsoft Excel untuk melakukan data preprocessing , prediksi dan penghitungan
error. Sedangkan untuk visualisasi hasil prediksi, penulis menggunakan Crystal Xcelcius
sebagai alat untuk membuat visualisasi berupa dashboard. Microsoft Excel merupakan bagian
dari Microsoft Office, yang dapat digunakan untuk melakukan perhitungan dengan rumusrumus baik yang sudah tersedia, ataupun yang bersifat customize. Tampilan Microsoft Excel
yang berupa spreadsheet memudahkan pengguna untuk melakukan perhitungan atau
pembuatan tabel.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Crystal Xcelsius adalah salah satu business intelligence tools yang bertujuan untuk
mendukung pengambilan keputusan bisnis yang lebih baik. Crystal Xcelsius mendukung
fungsi-fungsi business intelligence, memiliki kemampuan anlisis, dan penyajian yang userfriendly. Crystal Xcelsius menyediakan berbagai komponen yang dapat digunakan sebagai
model visual data. Komponen-komponen tersebut tidak hanya dapat membuat visualisasi data
yang informatif, tetapi juga interaktif dan dinamis. Selain itu, Crystal Xcelsius juga
mendukung penggunaan aplikasi dan format yang berbeda sehingga dapat mempermudah
pengguna khususnya bagian-bagian di organisasi yang bekerja pada bidang yang berbedabeda [27].
E. Kuesioner Evaluasi Dashboard
Evaluasi dashboard akan dilakukan menggunakan kuesioner dengan empat responden,
yaitu perwakilan dari perusahaan yang diharapkan pada masa yang akan datang dapat
memanfaatkan dashboard untuk membantu pengguna dalam mengambil keputusan bisnis.
Perwakilan terdiri dari direktur, bagian moldmaker dan sales engineer, produksi, dan bagian
marketing masing-masing satu orang dari setiap bagian, sehingga total responden adalah
empat orang.
Pembahasan
Dari proses forecasting dengan metode simple moving average untuk customer dengan
menggunakan data dari tahun 2010 dan 2011, menggunakan nilai parameter yang sudah
ditentukan, maka hasil nilai MAD untuk kesepuluh customer dapat dilihat pada Tabel 3.
Tabel 3. Nilai MAD Hasil Forecasting Data Training dengan 3 Nilai Periode untuk 10 Customer
Kode Customer
110.T17
110.S57
110.S56
110.S26
110.S39
110.C02
110.Y04
MAD n = 3
MAD n= 6
MAD n= 9
306,27
2284,41
519,16
30,79
316,35
243,25
271,86
221,69
2550,10
559,44
35,79
440,89
289,42
206,36
161,03
2834,96
423,16
33,11
356,83
289,64
181,10
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Tabel 3. MAD Hasil Forecasting Data Training dengan 3 Nilai Periode untuk 10 Customer(lanjutan)
Kode Customer
MAD n = 3
634,48
71,75
364,14
110.C14
110.A26
110.T09
MAD n= 6
685,96
63,15
378,11
MAD n= 9
618,22
73,78
282,61
Forecasting untuk tahun 2012 menggunakan nilai periode yang menghasilkan nilai MAD
yang terkecil pada perhitungan data training. Berikut ini adalah hasil dari nilai MAD untuk
kesepuluh customer berdasarkan forecasting tahun 2012 (Tabel 4).
Tabel 4. Nilai MAD untuk 10 Customer Setelah Forecasting Tahun 2012 dengan Simple Moving Average
Kode Customer
Periode (n)
MAD
110.T17
110.S57
110.S56
110.S26
110.S39
110.C02
110.Y04
110.C14
110.A26
9
3
9
9
3
3
9
9
6
222,18945
4576,7733
901,46152
23,45978
317,03072
465,6452
253,07041
578,84252
90,414955
110.T09
9
314,32392
Rata-rata
774,32118
Sedangkan untuk produk dilakukan hal yang serupa dengan customer. Berikut pada Tabel 5
merupakan hasil nilai MAD menggunakan metode simple moving average pada data training.
Tabel 5. Nilai MAD Hasil Forecasting Data Training dengan 3 Nilai Periode untuk 10 Produk
Kode Item
JK-21
JK-50
JK-130D
JK-55
JK-K19
JK-BL.11
JK-R10
JK-T200
JKB210D
JK-M10
MAD n = 3
MAD n= 6
MAD n= 9
251,71
528,68
539,32
130,84
273,65
165,41
82,67
155,76
534,86
253,32
640,06
570,84
133,99
272,56
160,16
91,18
120,19
432,12
208,73
666,12
717,36
128,61
244,09
128,07
95,01
110,71
463,76
539,75
612,70
522,87
Forecasting untuk tahun 2012 dilakukan dengan menggunakan nilai periode berdasarkan
forecasting untuk data training. Kemudian dihitung nilai error dari hasil forecasting tersebut
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
dengan metode MAD. Maka pada Tabel 6 merupakan hasil nilai MAD untuk hasil forecasting
penjualan produk tahun 2012, beserta dengan rata-rata dari seluruh nilai MAD produk.
Tabel 6. Nilai MAD 10 Produk Setelah Forecasting Tahun 2012 dengan Simple Moving Average
Kode Item
Periode (n)
JK-21
JK-50
JK-130D
JK-55
JK-K19
JK-BL.11
JK-R10
JK-T200
JKB210D
JK-M10
MAD
9
3
3
9
9
9
3
9
6
276,8205476
809,1869903
689,4430432
136,2138712
426,5612137
128,3519842
113,0685664
343,9200714
146,3693805
9
240,7260003
331,0661669
Rata-rata
Setelah forecasting menggunakan metode simple moving average, berikutnya
digunakan metode single exponential smoothing. Untuk metode ini, parameter yang
digunakan adalah nilai alpha (α) yaitu antara nilai 0,1-0,9. Pada Tabel 7 adalah hasil nilai
MAD untuk setiap customer berdasarkan forecasting menggunakan data tahun 2010 dan 2011.
Tabel 7. Nilai MAD Hasil Forecasting Data Training dengan 9 Nilai Alpha untuk 10 Customer
MAD (α= 0,1-0,9)
Kode
Customer
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
110.T17
110.S57
110.S56
110.S26
110.S39
110.C02
110.Y04
110.C14
110.A26
290,41
2814,53
660,78
33,45
327,56
280,94
258,90
578,80
68,48
275,23
2516,69
562,79
30,77
329,60
247,26
240,08
610,64
64,84
273,12
2309,35
536,97
30,27
316,42
233,33
248,66
621,94
66,74
272,63
2198,26
535,01
30,58
303,03
221,69
256,69
613,61
69,41
274,47
2174,86
538,58
32,04
295,74
212,26
262,57
601,97
71,63
284,32
2176,47
553,08
33,70
287,23
204,68
266,23
593,79
74,77
291,86
2177,04
556,11
34,87
278,10
195,42
259,82
589,23
77,92
318,00
2149,62
594,64
37,40
282,14
193,08
275,46
591,46
80,81
340,29
2132,31
622,49
39,48
288,33
189,28
278,99
596,04
83,55
110.T09
341,23
339,66
345,12
356,99
374,36
388,34
395,10
420,44
435,69
Menggunakan nilai alpha yang terpilih untuk kesepuluh customer, maka dilakukan
forecasting untuk tahun 2012. Setelah hasil forecasting untuk tahun 2012 diperoleh, maka
dilakukan perhitungan nilai error dari forecasting tersebut. Pada Tabel 8 adalah hasil nilai
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
MAD untuk setiap customer yang diperoleh dengan menghitung nilai error hasil forecasting
untuk tahun 2012.
Tabel 8. Nilai MAD 10 Customer Setelah Forecasting Tahun 2012 dengan Single Exponential Smoothing
Kode
Customer
alpha(α)
MAD
110.T17
110.S57
110.S56
110.S26
110.S39
110.C02
110.Y04
110.C14
110.A26
0,4
0,9
0,4
0,3
0,7
0,9
0,2
0,1
0,2
213,9
4269,34
906,779
22,8344
317,195
458,076
252,879
599,974
92,4561
110.T09
0,2
305,196
Rata-rata
743,863
Selanjutnya, metode single exponential smoothing juga digunakan untuk forecasting produk.
Tabel 9 adalah hasil nilai MAD untuk masing-masing produk.
Tabel 9. Nilai MAD Hasil Forecasting Data Training dengan 9 Nilai Alpha untuk 10 Produk
MAD (α= 0,1-0,9)
Kode Item
JK-21
JK-50
JK-130D
JK-55
JK-K19
JK-BL.11
JK-R10
JK-T200
JKB210D
JK-M10
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
242,35
566,72
658,91
118,88
286,37
177,20
118,54
134,65
586,87
234,08
546,57
593,46
117,36
283,77
155,11
93,62
136,13
548,65
228,27
507,80
538,78
118,37
281,73
144,56
86,58
139,07
525,74
224,48
471,07
519,08
120,55
285,18
139,23
82,96
141,25
510,39
219,90
466,61
521,09
110,10
289,22
142,58
82,92
143,01
498,47
217,27
464,96
530,89
125,49
300,57
148,59
84,14
144,63
491,67
214,73
471,21
548,87
127,05
314,49
154,59
85,28
145,85
493,39
212,04
479,49
591,79
129,29
326,94
147,75
87,05
149,44
496,17
211,11
481,98
627,48
132,34
343,44
162,99
89,64
155,69
499,14
596,20
601,22
565,89
518,69
483,52
474,60
464,87
453,59
448,15
Pada Tabel 10 berikut ini adalah hasil nilai MAD yang diperoleh setelah melakukan
forecasting tahun 2012 dengan membandingkan hasil forecasting dengan data tahun 2012
yang berfungsi sebagai testing data.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Tabel 10. Nilai MAD 10 Produk Setelah Forecasting Tahun 2012 dengan Single Exponential Smoothing
alpha(α)
Kode Item
JK-21
JK-50
JK-130D
JK-55
JK-K19
JK-BL.11
JK-R10
JK-T200
JKB210D
JK-M10
MAD
0,9
0,6
0,4
0,5
0,3
0,4
0,5
0,1
0,6
183,55
698,625
629,393
188,157
445,118
127,319
124,531
306,491
171,433
0,6
249,868
312,448
Rata-rata
Setiap hasil forecasting menggunakan kedua metode memiliki nilai MAD yang terkecil dan
terbesar. Pada Tabel 11 adalah hasil customer dengan nilai MAD terkecil, serta nilai MAD
terkecil untuk produk menggunakan metode simple moving average.
Tabel 11. Nilai MAD Terkecil untuk Forecasting 2012 dengan Metode Simple Moving Average
Kode Customer / Item
Periode (n)
MAD
110.S26
9
23,46
JK-R10
3
113,07
Berdasarkan hasil tersebut, dapat dilihat bahwa nilai MAD terkecil untuk forecasting
customer dengan menggunakan simple moving average adalah 23,46 dengan nilai periode
sebesar 9, untuk customer dengan kode 110.S25. Untuk produk, nilai MAD terkecil yang
diperoleh adalah 113,07 dengan nilai periode sebesar 3, untuk produk JK-R10. Hasil
forecasting kesepuluh customer dan sepuluh produk tidak selalu menghasilkan nilai MAD
yang kecil seperti pada customer 110.S26 dan produk JK-R10. Pada Tabel 12 adalah nilai
MAD terbesar yang diperoleh dari hasil forecasting untuk tahun 2012 menggunakan metode
simple moving average.
Tabel 12. Nilai MAD Terbesar untuk Forecasting 2012 dengan Metode Simple Moving Average
Kode Customer / Item
Periode (n)
MAD
110.S57
3
4576,77
JK-50
3
809,19
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Nilai MAD terbesar untuk customer dengan menggunakan metode simple moving average
adalah 4576,77 yang didapatkan dengan menggunakan periode sebesar 3, untuk customer
dengan kode 110.S57. Untuk produk, MAD terbesar diperoleh produk JK-50 dengan periode
sebesar 3, dan dengan nilai 809,19. Hasil ini kemudian dibandingkan dengan hasil forecasting
menggunakan metode single exponential smoothing.
Untuk metode single exponential smoothing, pada Tabel 13 adalah hasil MAD dengan
nilai terkecil untuk customer dan juga produk setelah forecasting penjualan untuk tahun 2012.
Untuk customer, nilai MAD terkecil sebesar 22,83 dengan menggunakan nilai alpha sebesar
0,3 diperoleh oleh customer dengan kode 110.S26. Pada Tabel 13, nilai MAD terkecil
menggunakan metode single exponential smoothing diperoleh produk dengan kode JK-R10,
dengan nilai MAD 124, 53 dan nilai alpha yang digunakan yaitu 0,5.
Tabel 13. Nilai MAD Terkecil untuk Forecasting 2012 dengan Metode Single Exponential Smoothing
Kode Customer / Item
alpha
MAD
110.S26
0,3
22,83
JK-R10
0,5
124,53
Nilai MAD terbesar untuk customer dan produk dengan metode single exponential smoothing
dapat dilihat pada Tabel 14. Untuk customer nilai MAD terbesar adalah 4269,34 yang
diperoleh customer dengan kode 110.S57 dan nilai alpha sebesar 0,9. Nilai MAD terbesar
untuk produk adalah 6986,62 yang diperoleh JK-50 dengan menggunakan nilai alpha 0,6.
Tabel 14. Nilai MAD Terbesar untuk Forecasting 2012 dengan Metode Single Exponential Smoothing
Kode Customer / Item
alpha
MAD
110.S57
0,9
4269,34
JK-50
0,6
698,62
Keempat hasil yang sudah dijelaskan menunjukkan bahwa untuk nilai MAD terkecil
baik untuk customer maupun produk menggunakan kedua metode menghasilkan customer
dan produk yang sama, yaitu customer dengan kode 110.S26 dan produk dengan kode JKR10. Begitu pula dengan nilai MAD terbesar, baik customer maupun produk yang memiliki
nilai MAD terbesar adalah customer dengan kode 110.S57 dan produk dengan kode JK-50
menggunakan kedua metode. Hasil MAD yang besar dapat dipengaruhi oleh data, karena data
yang digunakan bersifat historis, maka setiap data di masa lalu yang digunakan memiliki
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
peran dalam menentukan hasil forecasting. Perubahan nilai penjualan yang signifikan secara
tiba-tiba juga dapat mempengaruhi hasil forecasting, hal ini adalah yang terjadi pada
forecasting untuk customer dengan kode 110.S57 , jumlah pembelian pada tahun 2011 akhir
yang mengalami penurunan secara signifikan pada awal tahun 2012. Selanjutnya, pada Tabel
15 adalah hasil nilai rata-rata MAD untuk customer dan produk menggunakan kedua metode
forecasting, agar dapat melihat perbandingan lebih lanjut antara kedua data hasil
pengelompokan dan antara kedua metode.
Tabel 15. Perbandingan Nilai Rata-Rata MAD Hasil Forecasting 2012 Menggunakan Kedua Metode
Forecasting
Simple moving average
Single exponential smoothing
Produk
331,07
312,45
Customer
774,32
743,86
Pada Tabel 15, dapat dilihat bahwa nilai rata-rata MAD terkecil untuk produk adalah
forecasting yang menggunakan metode single exponential smoothing. Untuk customer nilai
rata-rata MAD terkecil juga diperoleh dengan menggunakan metode single exponential
smoothing. Maka, dapat diketahui bahwa metode single exponential smoothing secara umum
memberikan hasil error yang lebih kecil dan hasil forecasting yang lebih baik dibanding
simple moving average. Selain itu, dapat diketahui bahwa forecasting yang dilakukan
memberikan hasil yang lebih baik bagi produk dibandingkan untuk customer, meskipun untuk
nilai error MAD terkecil terdapat pada salah satu customer.
Untuk dashboard, berikut ini adalah contoh hasil dari dashboard yang dibuat pada
Gambar 3. Sesuai dengan menu yang dipilih, maka posisi dashboard tersebut sedang berada
pada 10 produk yang diprediksi, dan sedang menampilkan hasil forecasting untuk produk JK21. Chart yang ditampilkan berisi hasil forecasting menggunakan metode simple moving
average yang pada gambar dilambangkan dengan kode SMA, dan juga menggunakan metode
single exponential smoothing, yang dilambangkan dengan kode SES.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
Gambar 3. Contoh Dashboard Hasil Forecasting
Hasil evaluasi dashboard menunjukkan dari empat responden yang telah mencoba dashboard,
dua diantaranya dapat memahami hasil forecasting yang ditunjukkan melalui line chart, dua
lainnya menjawab kurang memahami dan tidak memahami. Berdasarkan alasan yang
diberikan, kurangnya pemahaman akan metode yang digunakan menjadi salah satu penyebab
responden kurang memahami atau tidak memahami hasil forecasting yang disajikan dalam
bentuk line chart tersebut. Namun, tiga responden menjawab dashboard dinilai memberikan
manfaat bagi pekerjaan mereka dan memberikan pengetahuan baru. Dari hasil tersebut, dapat
dilihat bahwa secara umum, dashboard dapat membantu pengguna dalam mempermudah
pekerjaan mereka, dan melalui dashboard pengguna dapat mengetahui hasil forecasting
sehingga dapat memberikan pengetahuan baru bagi mereka untuk proses pengambilan
keputusan di masa yang akan datang, meskipun tampilan dashboard perlu dikembangkan lagi,
sehingga dapat memberikan informasi yang lebih jelas.
Kesimpulan dan Saran
Berdasarkan hasil analisis data yang dilakukan, terdapat beberapa kesimpulan yang
diperoleh. Pertama, forecasting menggunakan metode single exponential smoothing
menghasilkan rata-rata nilai error yang lebih rendah dengan nilai 312,45 untuk produk dan
743,86 untuk customer dibandingkan dengan metode simple moving average yang bernilai
331,07 untuk produk dan 774,32 untuk customer. Kesimpulan kedua adalah forecasting untuk
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
data customer memberikan hasil yang lebih baik dalam hal nilai error terkecil yaitu sebesar
22,83, dibandingkan dengan forecasting untuk produk yang memiliki nilai error terkecil
sebesar 113,07. Namun secara rata-rata tingkat error yang dihasilkan, penggunaan forecasting
pada produk lebih kecil yaitu sebesar 312,45 dibandingkan dengan pada customer yang
memiliki nilai rata-rata error sebesar 743,86. Selain itu yang ketiga, dalam penetapan nilai
parameter kedua metode, yaitu periode pada simple moving average dan alpha pada single
exponential smoothing untuk masing-masing produk dan customer dapat berbeda-beda untuk
memperoleh hasil forecasting dengan nilai error terkecil. Kesimpulan yang keempat adalah
dalam pembuatan dashboard. Dashboard yang dibuat masih dapat dikembangkan lagi agar
lebih mudah dipahami oleh pengguna, tetapi secara umum dashboard dinilai memberikan
manfaat bagi masing-masing pengguna, juga dapat memberikan pengetahuan baru bagi
organisasi untuk pengambilan keputusan dengan memvisualisasikan hasil dari forecasting
sehingga lebih mudah untuk melihat hasilnya. Kesimpulan terakhir yang diperoleh melalui
penelitian ini adalah pentingnya pemahaman kedua metode forecasting diperlukan bagi
pengguna dashboard sehingga dapat lebih mudah memahami hasil forecasting yang
divisualisasikan dalam bentuk line chart.
Saran-saran untuk penelitian di masa yang akan datang terkait dengan penerapan
forecasting dalam data mining menggunakan metode simple moving average dan single
exponential smoothing adalah memperbanyak data training yang digunakan agar pola data
terlihat lebih jelas dan memberikan hasil forecasting yang lebih akurat. Selain itu, variabel
yang digunakan dapat lebih bervariasi lagi, untuk memberikan tingkat ketelitian forecasting
yang lebih baik. Menggunakan metode penghitungan error yang lebih akurat, jika data yang
dimiliki memungkinkan untuk menggunakan metode tersebut juga merupakan salah satu
saran yang dapat diterapkan. Selain itu, melakukan forecasting dengan menggunakan tools
lain yang lebih lengkap sehingga pengolahan data dapat dilakukan dengan lebih baik. Untuk
dashboard yang dibuat dapat memiliki tampilan yang lebih menarik dan lebih informatif.
Daftar Pustaka
[1]
Turban, E., Aronson, J., & Liang, T. (2005). Decision Support Systems and Intelligent
Systems 7th Edition. Upper Saddle River, New Jersey: Prentice Hall.
[2]
Maimon, O., & Last, M. (2000). Knowledge Discovery and Data Mining, The InfoFuzzy Network (IFN) Methodology. Dordrecht: Kluwer Academic.
[3]
Dunham, M. (2003). Data Mining Introductory and Advanced Topics. New Jersey:
Prentice Hall.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
[4]
Gilbert, K., G, R.-S., & I, R.-R. (2010). Knowledge Discovery with Clustering based on
rules by States: A water treatment application. Environmental Modelling&Software 25 ,
712-723.
[5]
Wisner, J., Leong, G., & Tan, K. (2005). Principles of Supply Chain Management: A
Balanced Approach. Mason, Ohio: Thomson, South-Western.
[6]
Alfan, R. R. (2013). Aplikasi Peramalan Persediaan Barang dan Bahan Baku Pada Pizza
Hut Delivery Dago.
[7]
Raharja, A., Angraeni, W., & Vinarti, R. A. (2010). Penerapan Metode Exponential
Smoothing Untuk Peramalan Penggunaan Waktu Telepon di PT.Telkomsel Divre3
Surabaya.
[8]
Toporowski, W. (2011). Smoothing methods Marzena Narodzonek-Karpowska.
Abteilung Handel.
[9]
Turban, E., Sharda, R., Delen, D., & David, K. (2008). Business Intelligence: A
Managerial Approach. Upper Saddle River, NJ: Prentice Hall.
[10] Power, D. (2007). A Brief History of Decision Support Systems.
[11] McLeod Jr, R. (2001). Sistem Informasi Edisi 7 Jilid 2. Jakarta: Prenhallindo.
[12] Han, J., & Kamber, M. (2001). Data Mining Concepts and Techniques [M]. USA:
Kaufmann Publishers.
[13] Berry, M. J., & Linoff, G. (2000). Mastering Data Mining, The Art and Science of
Customer Relationship Management. New York: John Wiley & Sons.
[14] Products & Solutions / Predictive Analytics & Data Mining. (2000). Dipetik May
Monday,
2013,
dari
Predictive
Analytics
&
Data
Mining:
http://www.sas.com/technologies/analytics/datamining/index.html
[15] Turban, E., Sharda, R., Aronson, J., & King, D. (2007). Business Intelligence. New
Jersey: Prentice Hall.
[16] Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to
Knowledge Discovery: An overview. In Advances in Knowledge Discovery and Data
Mining. AAAI/MIT Press.
[17] Han, J., Fu, Y., Wang, W., Koperski, K., & Zaiane, O. (1996). DMQL: A Data Mining
Query Language for Relational Databases. SIGMOD Workshop on Research Issues On
Data Mining and Knowledge Discovery, (hal. 27-34).
[18] Berry, M. J., & Linoff, G. (1997). Data Mining Techniques: For Marketing, Sales, and
Customer Support.
[19] Pangestu, S. (1986). Forecasting : Konsep dan Aplikasi . Yogyakarta: BPFE-UGM.
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
[20] Makridakis. (1999). Metode dan Aplikasi Peramalan edisi 2. Jakarta: Binarupa Aksara.
[21] Hunter, J. (1986). The Exponentially Weighted Moving Average. Journal of Quality
Technology,18 , 203-210.
[22] Krajewski, L., & Ritzman, L. R. (1993). Operations Management, Strategy and
Analysis. Addison-Wesley.
[23] Negash, S., & Gray, P. (2008). Business intelligence, international handbook on
information systems. Handbook on decision support systems. Berlin Heidelberg:
Springer.
[24] Read, Aaron, Tarrell, Alvin, Fruhling, & Ann. (2009). Exploring User Preference for
the Dashboard Menu Design . 42nd Hawaii International Conference on System
Sciences , 1-10.
[25] Homepage: PT Guna Kemas Indah. (2009). Dipetik 05 tuesday, 2013, dari PT Guna
Kemas Indah: http://www.gunakemasindah.com/
[26] Fielding, A. H., & Bell, J. F. (1997). A review of methods for the assessment of
prediction
errors
in
conservation
presence/absence
models.
Foundation
for
Environmental Conservation .
[27] Data Visualization & Presentation using Crystal Xcelsius : Background & Objectives.
(2013).
Dipetik
May
Monday,
2013,
http://intersystem.biz/index2.php?option=com_content&do_pdf=1&id=290
Analisis forecasting..., Venezia Ryanka Sutrisno, FASILKOM UI, 2013
dari