E-mail: venezia.ryanka@gmail.com
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.
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
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]:
( )
= jumlah data
= data sebenarnya pada waktu t
= data hasil prediksi pada waktu t
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.
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.
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 rumus-
rumus baik yang sudah tersedia, ataupun yang bersifat customize. Tampilan Microsoft Excel
yang berupa spreadsheet memudahkan pengguna untuk melakukan perhitungan atau
pembuatan tabel.
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
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
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
Forecasting untuk tahun 2012 dilakukan dengan menggunakan nilai periode berdasarkan
forecasting untuk data training. Kemudian dihitung nilai error dari hasil forecasting tersebut
Tabel 6. Nilai MAD 10 Produk Setelah Forecasting Tahun 2012 dengan Simple Moving Average
Kode Item
Periode (n) MAD
JK-21 9 276,8205476
JK-50 3 809,1869903
JK-130D 3 689,4430432
JK-55 9 136,2138712
JK-K19 9 426,5612137
JK-BL.11 9 128,3519842
JK-R10 3 113,0685664
JK-T200 9 343,9200714
JKB210D 6 146,3693805
JK-M10 9 240,7260003
Rata-rata 331,0661669
Tabel 7. Nilai MAD Hasil Forecasting Data Training dengan 9 Nilai Alpha untuk 10 Customer
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
Tabel 8. Nilai MAD 10 Customer Setelah Forecasting Tahun 2012 dengan Single Exponential Smoothing
Kode
Customer alpha(α) MAD
110.T17 0,4 213,9
110.S57 0,9 4269,34
110.S56 0,4 906,779
110.S26 0,3 22,8344
110.S39 0,7 317,195
110.C02 0,9 458,076
110.Y04 0,2 252,879
110.C14 0,1 599,974
110.A26 0,2 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
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.
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
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
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
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
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 JK-
R10. 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
Tabel 15. Perbandingan Nilai Rata-Rata MAD Hasil Forecasting 2012 Menggunakan Kedua Metode
Forecasting
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 JK-
21. 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.
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.
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 Info-
Fuzzy Network (IFN) Methodology. Dordrecht: Kluwer Academic.
[3] Dunham, M. (2003). Data Mining Introductory and Advanced Topics. New Jersey:
Prentice Hall.