Analisis Forecasting untuk Data Penjualan Menggunakan

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

mailto:[email protected]

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 Nama Customer

Total Quantity

(2010-2011)

1 110.T17 PT. TERANG MAS ABADI 18414

2 110.S57 CV. SINAR BARU 113240

3 110.S56 CV. SURYA NEDIKA ISABELLA 59029

4 110.S26 CV. SINAR REJEKI 3040

5 110.S39 PT. SANJUNG ABADI NUGERAHA 11857

6 110.C02 PT. BUMI TANGERANG COKLATUTAMA 8858

7 110.Y04 PT. YULIE PANGAN SENTOSA 39941

8 110.C14 PT. CITA RASA SUKSES 34570

9 110.A26 PT. ALLOY MANDIRI FOOD 8205

10 110.T09 PT. TRITEGUH MANUNGGALSEJATI 28737

Total 325891

Tabel 2. Top 10 Produk yang di-forecasting

No Kode Item Nama Item

Total Quantity (2010-

2011)

1 JK-21 Jelly Cup K-21 12649

2 JK-50 Jelly Cup K-50 42254

3 JK-130D Jelly Cup K-130D 50531

4 JK-55 Jelly Cup K-55 8898

5 JK-K19 Jelly Cup K-k19 Keong 15114

6 JK-BL.11 Jelly Cup K-bl.11 13296

7 JK-R10 Jelly Cup K-r10 Kristal 7394

8 JK-T200 Jelly Cup K-200 Natural untuk printing 13826

9 JKB210D Jelly Cup KB210D 20939

10 JK-M10 Jelly Cup K-m10 Mawar 17013

Total 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 rumus-

rumus 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 user-

friendly. 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 berbeda-

beda [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 MAD n = 3 MAD n= 6 MAD n= 9

110.T17 306,27 221,69 161,03

110.S57 2284,41 2550,10 2834,96

110.S56 519,16 559,44 423,16

110.S26 30,79 35,79 33,11

110.S39 316,35 440,89 356,83

110.C02 243,25 289,42 289,64

110.Y04 271,86 206,36 181,10


Tabel 3. MAD Hasil Forecasting Data Training dengan 3 Nilai Periode untuk 10 Customer(lanjutan)

Kode Customer MAD n = 3 MAD n= 6 MAD n= 9

110.C14 634,48 685,96 618,22

110.A26 71,75 63,15 73,78

110.T09 364,14 378,11 282,61

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 9 222,18945

110.S57 3 4576,7733

110.S56 9 901,46152

110.S26 9 23,45978

110.S39 3 317,03072

110.C02 3 465,6452

110.Y04 9 253,07041

110.C14 9 578,84252

110.A26 6 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 MAD n = 3 MAD n= 6 MAD n= 9

JK-21 251,71 253,32 208,73

JK-50 528,68 640,06 666,12

JK-130D 539,32 570,84 717,36

JK-55 130,84 133,99 128,61

JK-K19 273,65 272,56 244,09

JK-BL.11 165,41 160,16 128,07

JK-R10 82,67 91,18 95,01

JK-T200 155,76 120,19 110,71

JKB210D 534,86 432,12 463,76

JK-M10 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) 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

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 290,41 275,23 273,12 272,63 274,47 284,32 291,86 318,00 340,29

110.S57 2814,53 2516,69 2309,35 2198,26 2174,86 2176,47 2177,04 2149,62 2132,31

110.S56 660,78 562,79 536,97 535,01 538,58 553,08 556,11 594,64 622,49

110.S26 33,45 30,77 30,27 30,58 32,04 33,70 34,87 37,40 39,48

110.S39 327,56 329,60 316,42 303,03 295,74 287,23 278,10 282,14 288,33

110.C02 280,94 247,26 233,33 221,69 212,26 204,68 195,42 193,08 189,28

110.Y04 258,90 240,08 248,66 256,69 262,57 266,23 259,82 275,46 278,99

110.C14 578,80 610,64 621,94 613,61 601,97 593,79 589,23 591,46 596,04

110.A26 68,48 64,84 66,74 69,41 71,63 74,77 77,92 80,81 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 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

MAD (α= 0,1-0,9)

Kode Item 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

JK-21 242,35 234,08 228,27 224,48 219,90 217,27 214,73 212,04 211,11

JK-50 566,72 546,57 507,80 471,07 466,61 464,96 471,21 479,49 481,98

JK-130D 658,91 593,46 538,78 519,08 521,09 530,89 548,87 591,79 627,48

JK-55 118,88 117,36 118,37 120,55 110,10 125,49 127,05 129,29 132,34

JK-K19 286,37 283,77 281,73 285,18 289,22 300,57 314,49 326,94 343,44

JK-BL.11 177,20 155,11 144,56 139,23 142,58 148,59 154,59 147,75 162,99

JK-R10 118,54 93,62 86,58 82,96 82,92 84,14 85,28 87,05 89,64

JK-T200 134,65 136,13 139,07 141,25 143,01 144,63 145,85 149,44 155,69

JKB210D 586,87 548,65 525,74 510,39 498,47 491,67 493,39 496,17 499,14

JK-M10 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

Kode Item alpha(α) MAD

JK-21 0,9 183,55

JK-50 0,6 698,625

JK-130D 0,4 629,393

JK-55 0,5 188,157

JK-K19 0,3 445,118

JK-BL.11 0,4 127,319

JK-R10 0,5 124,531

JK-T200 0,1 306,491

JKB210D 0,6 171,433

JK-M10 0,6 249,868

Rata-rata 312,448

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 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


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 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.


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 Info-

Fuzzy 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, dari

http://intersystem.biz/index2.php?option=com_content&do_pdf=1&id=290


Documents

Analisis Forecasting untuk Data Penjualan Menggunakan