Yak, forecasting atau analisa data adalah hal yang seringkali kita dengar untuk memperkirakan seuatu hal atau ‘masa depan’.

Sebenarnya kita sudah setiap hari melakukan ini secara tidak sengaja. Apa yang saya maksud dengan tidak sengaja adalah karena sesuatu hal tersebut sudah menjadi kebiasaan. Misalnya anda bisa mengukur kira-kira berapa lama anda bisa sampai ke tempat kuliah atau lokasi kerja. Anda mengatakan bahwa anda bisa sampai ke tempat kerja dalam waktu 10-15 menit. Dan hei, andapun sudah menggunakan confidence interval dalam perkiraan anda.

Pola/pengalaman/kebiasaan adalah salah satu cara untuk melakukan forecasting. Ada cara lain yang dapat dilakukan yaitu dengan menggunakan model. Hah, Apa itu model? Wanita cantik seperti julie estelle? tentu saja tidak. Model adalah representasi dari permasalahan nyata.

Dalam hal ini permasalahan kita adalah menentukan lama waktu untuk sampai di tempat kuliah atau tempat kerja. Representasinya adalah t(waktu) = S(jarak)/V(kecepatan) rata-rata. Contoh lain yang mungkin sering kita temui adalah untuk memperkirakan pendapatan penjualan. Representasinya adalah Pendapatan = penjualan  x harga barang yang dijual.

Dengan mengetahui bahwa Jarak (atau harga barang dijual) adalah tetap, kita bisa melakukan peramalan dengan langsung memperkirakan waktu yang dibutuhkan, atau dengan memperkirakan kecepatan rata-rata dalam perjalanan tersebut.

Okay, lalu dimana susahnya? modelnya gampang gitu. Hehe.. Kalau tadi kita memperkirakan langsung terhadap kecepatan, kita bisa berumit-rumit ria dengan memperkirakan apa yang mempengaruhi kecepatan tersebut. Kecepatan bisa dipengaruhi oleh pengemudi, kondisi jalan, kondisi cuaca, hari, kepadatan jalan, maupun berat dari pengemudi dan bahan bakar yang dibawa (Mobil F1 kaleeee =D ) Dengan menggunakan hal tersebut maka akan didapatkan persamaan tertentu seperti V = 30 + a * pengemudi – b * kondisi jalan – c* kondisi cuaca + d * hari – e * kepadatan jalan + error peramalan (hasil disini adalah ‘khayalan’ penulis belaka, aslinya mungkin berbeda).

Tanda positif menyatakan bahwa variabel tersebut akan meningkatkan kecepatan, dan tanda negatif menyatakan sebaliknya.

Kalau masih kurang rumit, masih ada lagi yang kemudian membagi jarak menjadi segmen-segmen.

Kenapa forecasting jadi rumit begitu? ya, kerumitan itu dimaksudkan untuk mendapatkan akurasi dari estimasi dan mendapatkan variabel-variabel yang sesuai dan signifikan untuk mempengaruhi waktu tempuh kita.

Masing-masing cara orang melakukan forecasting tidak dapat disalahkan, karena memang itu salah semua, hehe.. Yang dapat kita ambil dari maksud melakukan forecasting adalah untuk mendapatkan output yang relatif sesuai dengan keadaan dan dapat digunakan dengan baik.

“Essentially, all models are wrong, but some are useful” ~George E.P. Box

Advertisements