Pengantar Metode Peramalan
Peramalan adalah suatu kegiatan memperkirakan apa yang akan terjadi di masa yang akan datang. Dalam beberapa referensi, sering dijumpai kata “forecasting” dan “prediction“. Pada dasarnya makna dari kedua kata tersebut tidaklah sama, meskipun keduanya sama-sama mempunyai arti peramalan. Kata “forecasting” adalah kegiatan meramalkan dengan menggunakan metode ilmiah  (metode kuantitatif), sementara kata “prediction” adalah kegiatan meramalkan dengan menggunakan intuisi (metode kualitatif).
Dalam metode kuantitatif, peramalan didasarkan pada data masa lampau. Metode ini biasanya diterapkan jika  ada asumsi bahwa kejadian yang akan datang berhubungan kuat dengan kejadian masa lalu, bisa jadi mempunyai kecenderungan pola yang relatif sama tiap periodenya. Beberapa metode kuantitatif yang sering digunakan antara lain analisis runtun waktu, analisis regresi.
Lain halnya dengan metode kuantitatif, metode kualitatif didasarkan pada intuisi dan bersifat subyektif. Metode ini biasanya digunakan pada peramalan jangka panjang. Sebagai contohnya mengenai kemungkinan penerapan produk baru pada suatu area tertentu. Dalam metode ini, interprestasi mengenai perubahan  pola data masa lampau  sebagai akibat faktor eksternal, diperlukan untuk memperkirakan kejadian yang akan datang.  Adapun interprestasi terhadap perubahan pola data masa lalu dilakukan oleh “para ahli” di bidang terkait. Dengan demikian kesuksesan hasil penerapan metode kualitatif  sangat tergantung pada pengetahuan dan pengalaman  “para ahli” yang terlibat. lebih lanjut di video berikut [9].

berikut rekening persediaan Gillette Venus berbentuk stafel (balance-column account)
Toserba Waljinah, Delanggu
TABEL FAKTA
Company Prefix : 0047400
Item Reference : 141308
TanggalPembelianPenjualanSisa
KuantitasHarga per unitHarga totalKuantitasHarga per unitHarga totalKuantitasHarga per unitHarga total
1 April20038.0007.600.000


20038.0007.600.000
1040045.60018.240.000


20038.0007.600.000
40045.60018.240.000
15


200
200
38.000
45.600
7.600.000
9.120.000
20045.6009.120.000
2530053.20015.960.000


200
300
45.600
53.200
9.120.000
15.960.000
28


200
100
45.600
53.200
9.120.000
5.320.000
20053.20010.640.000
3010060.8006.080.000200
100
53.200
60.800
10.640.000
6.080.000


Tahapan Algoritma Forecast
  1. Data Warehouse telah dipersiapkan menggunakan proses ETL (extract, transform, load) menuju Tabel Fakta, ketika proses transformasi data mungkin bisa di agregasi ke level jumlah penjualan harian, nantinya Tabel Fakta akan menjadi dasar untuk query roll-up, drill-down, slice and dice, pivot (rotate). Data dikolom penjualan diasumsikan sebagai demand dari konsumen. Utamanya data yang dibutuhkan adalah tanggal dan unit yang terjual.
  2. Pengenalan pola data dengan mencari koefisien autokorelasi pada waktu lag yang berbeda:
    1. apakah stasioner (konstan)
    2. apakah data memiliki tren (trend)
    3. apakah data musiman (seasonal)
    4. apakah data tren musiman (seasonal trend)
    5. apakah data acak (irregular)
  3. Pemilihan teknik peramalan terbaik dengan mencari nilai terkecil dari Mean Absolute Deviation, Tracking Signal, dan Theil Coefficient
    1.  Teknik untuk data stasioner
      1. Constant model
      2. Constant model with smoothing factor adaptation
      3. Moving average model
      4. Weighted moving average model
    2.  Teknik untuk data tren
      1. Trend model (1st-order exponential smoothing)
      2. Trend model (2nd-order exponential smoothing model, with and without parameter optimization)
    3.  Teknik untuk data musiman
      1. Seasonal model (Winters' method)
    4.  Teknik untuk data tren musiman
      1. Seasonal trend model (1st-order exponential smoothing model)
    5.  Teknik untuk data acak
      1. No forecast
      2. Moving average model
      3. Weighted moving average model
  4. Menampilkan grafik data time series terhadap waktu menggunakan Angular-nvD3
  5. Artikel bersambung ke tulisan berikut: Data Mining: Identifikasi Pola Data Time Series dengan AngularJS & nvD3
Daftar Pustaka:
  1. F. Gorunescu, Data Mining: Concepts, Models and Techniques. Berlin: Springer, 2011.
  2. J. Han, M. Kamber and J. Pei, Data Mining: Concepts and Techniques. Amsterdam: Elsevier/Morgan Kaufmann, 2012.
  3. jurnalakuntansikeuangan.com, 'Akuntansi Persediaan: Sistim Periodik Vs Perpetual | Jurnal Akuntansi Keuangan', 2015. [Online]. Available: http://datacomlink.blogspot.co.id/2015/12/akuntansi-persediaan-sistim-periodik-vs-perpetual.html. [Accessed: 02- Dec- 2015].
  4. A. Kanda, 'Forecasting', Department of Mechanical Engineering, Indian Institue of Technology Delhi, 2003.
  5. U. Küsters, B. McCullough and M. Bell, 'Forecasting software: Past, present and future', International Journal of Forecasting, vol. 22, no. 3, pp. 599-615, 2006.
  6. B. Mellor, Data Analytics and Optimization Track, 1st ed. Columbus: Department of Integrated Systems Engineering, Ohio State University, 2015.
  7. K. King, Master of Engineering Student Handbook, 1st ed. Ithaca, NY: School of Operations Research and Information Engineering, Cornell University, 2015, pp. 8-10.
  8. U. Muawanah and F. Poernawati, Konsep Dasar Akuntansi dan Pelaporan Keuangan Jilid 2 untuk SMK. Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan, Direktorat Jenderal Manajemen Pendidikan Dasar dan Menengah, Departemen Pendidikan Nasional, 2008.
  9. M. North, Data mining for the masses. Global Text Project, 2012.
  10. S. Makridakis, The Forecasting accuracy of major time series methods. Chichester: Wiley, 1984.
  11. C. Renfro, "Econometric software: The first fifty years in perspective", JOURNAL OF ECONOMIC AND SOCIAL MEASUREMENT., vol. 29, pp. 9-108, 2004.
  12. Help.sap.com, 'Forecast Formulas - Sales & Operations Planning (LO-LIS-PLN) - SAP Library', 2015. [Online]. Available: http://help.sap.com/saphelp_470/helpdata/en/a5/6320e843a211d189410000e829fbbd/content.htm. [Accessed: 05- Dec- 2015]. 

Reaksi:

You Might Also Like:

Add your comment Hide comment

Hello, how may we help you? Just send us a message now to get assistance.

Facebook Messenger ×