BAB 2 LANDASAN TEORI
2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan, peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakantindakan yang perlu dilakukan. Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan atau menetapkan berbagai kebijakan. Keputusan baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Ramalan diperlukan untuk memberikan informasi sebagai dasar untuk membuat suatu keputusan dalam berbagai kegiatan, seperti : penerbangan, peternakan, perkebunan dan sebagainya.
2.2 Jenis-Jenis Metode Peramalan
Universitas Sumatera Utara
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunnya, maka peramalan dapat dibedakan atas dua macam, yaitu : 1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau “judgment” dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut. 2. Peramalan yang objektif, peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode dalam penganalisaan data tersebut. Disamping itu, jika dilihat dari jangka waktu ramalan yang disusun maka peramalan dapat dibedakan atas dua macam, yaitu : 1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan jangka waktunya lebih dari satu setengah tahun atau tiga semester. Peramalan seperti ini misalnya diperlukan
dalam penyusunan rencana
pembangunan suatu negara atau suatu daerah, corporate planning, rencana investasi atau rencana ekspansi dari suatu perusahaan. 2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dalam jangka waktu yang kurang dari satu setengah tahun, atau tiga semester. Peramalan seperti ini diperlukan dalam penyusunan rencana tahunan, rencana kerja operasional, dan anggaran contoh penyusunan rencana produksi,
Universitas Sumatera Utara
rencana penjualan, rencana persediaan, anggaran produksi, dan anggaran perusahaan. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam, yaitu : 1. Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya
Hal ini penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang bersifat intuis, pendapat dan pengetahuan serta pengalaman penyusunan. 2. Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Baik tidaknyametode yang digunakan ditentuklan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang terjadi. Peramalan kuantitatif hanya dapat digunakan hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut : 1. Adanya informasi masa lalu yang dapat dipergunakan. 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data. 3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkahlangkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah paramalan yang penting, yaitu:
Universitas Sumatera Utara
1. Menganalisa data masa lalu. 2. Menentukan metode yang dipergunakan. 3. Memproyeksi data yang lalu dengan menggunakan metode yang dipergunakan
dan mempertimbangkan adanya beberapa faktor perubahan. 2.3 Pemilihan Teknik dan Metode Peramalan Dalam pemilihan teknik dan metode peramalan, perlu diketahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam mempersiapkan peramalan. Ada 6 (enam) faktor utama yang dapat diidentifikasi sebagai teknik dan metode peramalan, yaitu : 1.
Horison waktu
Merupakan pemilihan yang didasarkan atas jangka waktu peramalan yaitu : a. Peramalan yang segera dilakukan dengan waktu yang kurang dari satu bulan. b. Peramalan jangka pendek dengan waktu antara satu sampai tiga bulan. c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai dua tahun. d. Peramalan jangka panjang dengan waktu dua tahun keatas. 2.
Pola Data
Salah satu dasar pemilihan metode peramalan adalah dengan memperhatikan pola data. Ada empat jenis pola data mendasar yang terdapat dalam suatu deretan data yaitu : a. Pola Horisontal (H) terjadi bilamana data berfruktuasi disekitar nilai rata – rata yang konstan (derat seperti ini adalah “stasioner” terhadap nilai rata – ratanya).
Universitas Sumatera Utara
b. Pola musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal athun tertentu, bulanan, atau hari-hari pada minggu tertentu). c. Pola Siklis (C) terjadi bilamana data dipengaruhi oleh fluktuasi jangka panjang dan lebih lama dari pola musiman, lamanya berbeda dari satu siklus yang lain. d. Pola Trend (T) terjadi bilamana kenaikan terdapat kenaikan atau penurunan jangka panjang dalam data. 3.
Jenis dari model
Untuk mengklasifikasikan metode peramalan kuantitatif perlu diperhatikan model yang didasarinya. Model sangat penting diperhatikan, karena masing-masing model mempunyai fungsi yang berbeda. 4.
Biaya yang dibutuhkan
Biaya yang sangat diperlukan dalam meneliti suatu objek. Yang termasuk biaya dalam penggunaan metode peramalan antara lain, biaya penyimpangan data, biaya-biaya perhitungan, biaya untuk menganalisa dan biaya-biaya pengembangan. 5.
Ketepatan metode peramalan
Tingkat ketepatan yang sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Dalam mengambil keputusan, variasi atau penyimpangan atas peramalan yang dilakukan antara 10% sampai 15% bagi maksudmaksud yang diharapakan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa danya variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup berbahaya. 6.
Kemudahan dalam penerapan
Universitas Sumatera Utara
Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan mudah diterapkan dalam pengambilan keputusan dan analisisnya
2.4 Metode Pemulusan ( Smooting )
Dalam pembahasan ini kita lebih kuat menjelaskan mengenai penggunaan metode smooting. Metode smooting merupakan metode peramalan dengan mengadakan penghalusan terhadap data masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun kedepan. Peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang sangat kurang ketepatannya. Biasanya metode ini digunakan untuk perencanaan dan pengendalian produksi dan persediaan, perencanaan keuntungan dan perencanaan keuangan. Data yang dibutuhkan untuk penggunaan metode peramalan ini minimum selama 2 tahun. Untuk keputusan jangka pendek, yang berupa keputusan harian atau mingguan, bulanan dan triwulan, diperlukan dasar keputusan yang diambil yaitu ramalan jangka pendek. Metode peramalan jangka pendek yang paling sederhana adalah metode peramalan yang menggunakan data yang lewat (past data). Tujuan utama dari penggunaan rata-rata bergerak adalah untuk menghilangkan atau mengurangi keacakan (randomness) dalam deret waktu. Tujuan ini dapat dicapai dengan merata-ratakan beberapa nilai data bersama-sama, dengan cara mana kesalahan-kesalahan positif dan negative yang mungkin terjadi dapat dikeluarkan atau dihilangkan, rata-rata dilakukan terhadap seluruh angka konstanta dari observasi.
Universitas Sumatera Utara
Hasil perhitungan rata-rata bergerak atas seluruh kumpulan angka atau nilai data atau acak. Kemampuan rata-rata bergerak untuk menghilangkan ketidakaturan atau acakan dapat dipergunakan dalam deret waktu adalah untuk dua tujuan yaitu untuk menghilangkan trend dan untuk menghilang musiman (seasonality). Untuk mendapatkan suatu hasil yang baik harus diketahui cara peramalan yang tepat. Data jumlah wisatawan dari tahun 1994 sampai tahun 2008 yang tercatat pada pembukuan Badan Pusat Statistik Sumatera Utara menunjukkan pola data musiman. Maka untuk meramalkan jumlah wisatawan pada tahun 2011 digunakan Metode Double Moving Avarage (rata-rata bergerak ganda).
2.5 Metodologi Rata-rata Bergerak Ganda
Untuk mengurangi kesalahan sistematis yang terjadi bila rata-rata bergerak dipakai pada data berkecenderungan maka dikembangkan metode rata-rata bergerak linier (linier moving average). Dasar metode ini adalah menghitung rata-rata bergerak yang kedua. Rata-rata bergerak “ganda” ini merupakan rata-rata bergerak dari rata-rata bergerak, secara simbol ditulis MA (M X N) dimana artinya adalah MA M-periode dari MA N periode, dengan MA merupakan rata-rata bergerak (moving average). Prosedur peramalan rata-rata bergerak linier meliputi tiga aspek : 1.
Penggunaan rata-rata bergerak tunggal pada waktu t ( ditulis S’t )
2.
Penyesuaian yang merupakan perbedaan antara rata-rata bergerak tunggal dan ganda pada waktu t ( ditulis S’t – S”t ), dan
3.
Penyesuaian untuk kecenderungan dari periode t ke periode t+1 (atau ke periode t+m jika kita meramalkan M periode ke muka).
Universitas Sumatera Utara
Prosedur rata-rata bergerak linier secara umum dapat diterangkan melalui persamaan berikut : 1. Menghitung rata-rata bergerak pertama,diberi simbol S’t. Ini dihitung dari data historis yang ada. Hasilnya diletakkan pada periode terakhir rata-rata bergerak pertama.
S 't =
X t + X t −1 + X t − 2 + ... + X t − N +1 N
Dengan: S’t = smoothing pertama periode t N = jumlah periode Xt = nilai real periode t 2. Menghitung rata-rata bergerak kedua,diberi simbol S”t. Dihitung dari rata-rata bergerak pertama. Hasilnya diletakkan pada periode terakhir rata-rata bergerak kedua.
S"t =
S 't + S 't −1 + S 't − 2 +... + S 't − N +1 N
Dengan : S”t = smoothing kedua periode t 3. Menentukan besarnya konstanta ( ), persamaan ini mengacu terhadap penyesuaian MA tunggal, S’t, dengan persamaan sebagai berikut :
Universitas Sumatera Utara
at = S 't + ( S 't − S "t ) = 2 S 't − S "t Dengan : = besarnya konstanta periode t 4. Menentukan
besarnya
nilai
slope
(bt),persamaan
ini
menentukan
taksiran
kecenderungan dari periode waktu yang satu ke periode waktu berikutnya, persamaannya sebagai berikut :
bt =
2 ( S ' t − S "t ) N −1
Dengan: = slope atau nilai trend dari data yang sesuai 5. Menentukan besarnya forecast, persamaan ini menunjukkan bagaimana memperoleh ramalan untuk m periode ke muka dari t. Ramalan untuk m periode ke muka adalah dimana merupakan nilai rata-rata yang disesuaikan untuk periode t ditambah m kali komponen kecenderungan
, persamaannya sebagai berikut :
Ft + m = at + bt (m) Dengan : Ft+m = besarnya forecast m
= jangka waktu peramalan ke depan
2.6 Ketepatan Peramalan
Universitas Sumatera Utara
Ketepatan ramalan adalah salah satu hal yang mendasar didalam peramalan, yaitu bagaimana mengukur kesesuaian suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih satu metode peramalan. Dalam pemodelan pemulusan (smoothing), dari data masa lalu dapat diramalkan situasi yang akan terjadi dimasa yang akan datang. Untuk menguji kebenaran ini digunakan ketepatan ramalan. Untuk mendapat hasil peramalan yang lebih akurat adalah ramalan yang bisa meminimalkan kesalahan meramal (forecast error). Besarnya forecast error dihitung dengan : Error = Jumlah Wisatawan – Ramalan
Dengan : = data periode ke-i = ramalan periode ke-i Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan terdapat n buah galat dan ukuran statistik standar berikut yang didefinisikan : 1. Nilai Tengah Galat (Mean Error)
ME =
N
ei
∑N I =1
2. Nilai Tengah Galat Absolut (Mean Absolute Error)
Universitas Sumatera Utara
N
et
i =1
N
MAE = ∑
3. Jumlah Kuadrat Galat (Sum Of Squared Error) n
SSE = ∑ ei
2
i =1
4. Nilai Tengah Galat Kuadrat (Maen Squared Error)
5. Deviasi Standar Galat (Deviasi Standard Galat)
SDE =
∑e
2 i
(n − 1)
Tujuan optimalisasi statistik seringkali adalah untuk memilih suatu model agar MSE (atau SSE) minimal, tetapi ukuran ini mempunyai dua kelemahan. Pertama, ukuran ini menunjukkan pencocokan (fitting) suatu model terhadap data historis. Pencocokan seperti ini tidak perlu mengimplikasikan peramalan yang baik. Suatu MSE nol selalu bias diperoleh dalam fase pencocokan dengan menggunakan suatu polinom yang berorde cukup tinggi atau suatu transformasi Fourier yang tepat. Suatu model yang terlalu cocok (over fitting) dengan deret data, yang berarti sama dengan memasukkan unsur random sebagai bagian proses bangkitan, adalah sama buruknya dengan tidak berhasil mengenali pola non-acak dalam data. Perbandingan nilai MSE yang terjadi selama fase pencocokan (fitting) peramalan mungkin memberikan sedikit indikasi ketepatan model dalam peramalan. Kekurangan kedua pada MSE sebagai ukuran
ketepatan model adalah
Universitas Sumatera Utara
berhubungan dengan kenyataan bahwa metode yang berbeda akan menggunakan prosedur yang berbeda pula dalam pencocokan (fitting). Dalam fase peramalan, penggunaan MSE sebagai suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan perbandingan antar deret berkala yang berbeda dan untuk selang waktu yang berlainan, karena MSE merupakan ukuran absolute. Lagi pula, interpretasinya tidak bersifat intuitif bahkan untuk para spesialis sekalipun, karena ukuran ini menyangkut penguadratan sederetan nilai. Karena alasan yang telah disebutkan di atas dalam hubungan dengan keterbatasan MSE sebagai suatu ukuran ketepatan peramalan, maka diusulkan ukuran-ukuran alternatif, yang diantaranya menyangkut galat persentase. Tiga ukuran berikut sering digunakan : 1. Galat Persentase (Percentage Error)
2. Nilai Tengah Galat Persentase (Mean Percentage Error)
n
MPE = ∑ i =1
PEi n
3. Nilai Tengah Galat Persentase Absolut (Mean Absolute Percentage Error)
Universitas Sumatera Utara
n
MAPE = ∑ i =1
PEi n
Dengan : = data sebenarnya terjadi = data ramalan dihitung dari model yang digunakan pada waktu atau tahun t = banyak data hasil ramalan
Universitas Sumatera Utara
