Bangun dan evaluasi peramalan permintaan intermiten dengan Python untuk mendukung keputusan persediaan berbasis data.
Skill yang dibangun
Mengubah data transaksi menjadi deret permintaan berkala dan memeriksa periode nol, nilai ekstrem, data hilang, serta ketidakkonsistenan tanggal.
Membandingkan baseline naif dengan metode Croston dan variasinya menggunakan evaluasi berbasis urutan waktu tanpa kebocoran data.
Menghitung serta menafsirkan metrik evaluasi yang relevan untuk permintaan intermiten, termasuk konsekuensi pemilihan metrik terhadap keputusan persediaan.
Membangun notebook Python yang menghasilkan ramalan, grafik diagnostik, tabel perbandingan model, dan rekomendasi penggunaan berdasarkan asumsi serta batasan data.
Peserta yang sudah memahami Python dasar-menengah, pandas, visualisasi data, konsep statistik deskriptif, serta dasar machine learning seperti pembagian data dan evaluasi model. Kursus ini ditujukan bagi data analyst, junior data scientist, software developer yang mulai mengolah data bisnis, atau praktisi operasional yang ingin membangun peramalan permintaan secara terukur. Peserta tidak dituntut menguasai teori deret waktu secara mendalam, tetapi perlu mampu membaca data transaksi dan mengikuti analisis berbasis notebook.
Project outcomes
Peserta akan membangun notebook analisis peramalan permintaan intermiten dari data transaksi hingga rekomendasi model. Aplikasi ini akan memuat pembersihan dan agregasi data, visualisasi pola permintaan, baseline, implementasi metode Croston dan variasinya, evaluasi rolling atau backtesting, serta keluaran ramalan yang dapat digunakan sebagai masukan untuk keputusan persediaan.
Permintaan persediaan tidak selalu muncul setiap periode. Banyak periode dapat bernilai nol, lalu diikuti pesanan dalam jumlah besar atau pola yang tidak teratur. Kondisi ini membuat metode peramalan biasa mudah menghasilkan estimasi yang menyesatkan, terutama ketika hasilnya digunakan untuk menentukan titik pemesanan, stok pengaman, atau prioritas pengadaan.
Kursus ini mengajak peserta mengolah data transaksi menjadi deret permintaan berkala, memisahkan frekuensi kemunculan dari besarnya permintaan, lalu membandingkan pendekatan peramalan yang sesuai untuk pola intermiten. Analisis dilakukan dengan Python, pandas, visualisasi, dan evaluasi berbasis simulasi waktu agar kebocoran data serta bias pengujian dapat dikenali.
Peserta akan membangun alur kerja notebook yang mencakup pemeriksaan kualitas data, pembuatan baseline, penerapan metode Croston dan variasinya, pengukuran akurasi, serta interpretasi hasil untuk keputusan persediaan. Pembahasan juga mencakup asumsi, keterbatasan, trade-off antara stabilitas ramalan dan respons terhadap perubahan permintaan, serta kondisi ketika model sederhana lebih layak dipertahankan daripada model yang lebih kompleks.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.