Analisis Forecasting untuk Data Penjualan Menggunakan Metode Simple Moving Average dan Single Exponential Smoothing: Studi Kasus PT Guna Kemas Indah

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,


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]:


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.


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


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


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


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


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.


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


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


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


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.


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


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


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.


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


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.


[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.


[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


dari

Analisis Forecasting untuk Data Penjualan Menggunakan Metode Simple Moving Average dan Single Exponential Smoothing: Studi Kasus PT Guna Kemas Indah

Recommend Documents