Analysis of Data Mining for Forecasting Total Goods Delivery with Moving Average Method

Abstract

In the logistics and distribution of goods, the expedition service is necessary, because the expedition is an important part of a business that has a strong attachment to the distribution. The number of deliveries from an expedition per period is uncertain, sometimes the number increases or decreases. This may result in an imbalance between existing facilities and employees and the number of shipments from customers or company policies. To overcome this, required forecasting techniques that are able to predict total shipments, as well as predict which goods and products are the most widely sent. The moving average method using the last 5 period data is used as a way of forecasting. MAPE (Mean Absolute % Error) is used as a test method, and a result of 34 %, indicates that the method is feasible to use.

Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali

“…Dikenal sebagai Knowledge Discovery in Database (KDD), data Mining merupakan sebuah proses untuk menemukan hubungan atau pola yang memiliki makna dengan cara mengamati data yang besar, di mana datanya disimpan dalam sebuah penyimpanan, dan mengelolanya dengan teknik statistik dan/atau matematika guna mendapatkan manfaat [6]. Data mining pada saat ini dapat mengatasi jumlah data sangat besar/banyak, dimensi data yang sangat tinggi dan kumpulan data yang beragam [6]. Metode-metode dalam pengolahan data mining [7]…”

“…Mean Absolute Percent Error (MAPE) merupakan perhitungan yang dilakukan untuk mengetahui rata-rata kesalahan absolut dalam bentuk persentase, di mana perhitungannya dapat dilakukan dengan persamaan 5 [6]:…”

“…(5) Dimana: A : Nilai Aktual F : Nilai Peramalan n : Jumlah Periode yang digunakan MAPE memiliki standar penilaian terhadap hasil tingkat error yang dihasilkan oleh perhitungannya [6], hal ini ditunjukkan pada Tabel 1.…”

“…Dalam penggunaannya metode kuantitatif lebih sering digunakan daripada kualitatif, yang lebih dikenal sebagai time series, yang bentuk datanya terakumulasi selama periode waktu tertentu. Time series memiliki empat komponen penting yaitu, Tren Sekuler, Variasi Musim, Variasi Siklus, dan Variasi Ireguler.Penggunaan time series, cenderung digunakan untuk memprediksi masa depan serta dibuat menggunakan set data yang rinci yang dihasilkan dari di masa lalu[6].…”

Comparison of the trend moment and double moving average methods for forecasting the number of dengue hemorrhagic fever patients

“…Trend moment for predicting the rental of multimedia equipment using data 2 years earlier and resulting in an error rate of 21% [20]. Data mining analysis for forecasting the total delivery of goods using data from the last 5 periods and producing accuracy using MAPE as a testing method with a yield of 34% [21] and researching forecasting to predict rice prices using the autoregressive integrated moving average with exogeneous (ARIMAX) model and the vector autoregressive (VAR) model involving several variables, including consumer rice price, production, dry milled rice, harvested area and rice prices in Thailand. The results of the study show that the ARIMAX model can predict the consumer price of rice with a MAPE of 0.15% and this is 15.27% better than the VAR model [22].…”