BAB 2 LANDASAN TEORI

BAB 2

LANDASAN TEORI

2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana

Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang (Subagyo, 1986: 3). Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perguruan tinggi atau perusahaan. 2.1.2. Definisi dan Tujuan Peramalan (forecasting)

Peramalan (forecasting) adalah suatu usaha untuk meramalkan keadaan dimasa mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984: 260). Dalam kehidupan sosial segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast. Peramalan (forecasting) yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap Perguruan Tinggi UMSU.

Dengan kata lain peramalan (forecasting) bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean Squared Error, Mean Absolute Error, dan sebagainya (Subagyo, 1986:4).

2.1.3. Proses Peramalan (forecasting)

Universitas Sumatera Utara

Proses peramalan (forecasting) biasanya terdiri dari langkah-langkah sebagai berikut. (Handoko, 1984: 260). a. Penentuan Tujuan Analis mengatakan dengan para pembuat keputusan dalam perguruan tinggi untuk mengetahui apa kebutuhan-kebutuhan mereka, dan menentukan: 1) variabel-variabel yang akan diestimasi. 2) siapa yang akan menggunakan hasil peramalan. 3) untuk tujuan-tujuan apa hasil peramalan akan digunakan. 4) estimasi jangka panjang atau jangka pendek yang diinginkan. 5) derajat ketepatan estimasi yang diinginkan. 6) kapan estimasi dibutuhkan. 7) bagian-bagian yang diinnginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.

b. Penggunaan Model Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang apabila dimasukkan data akan menghasilkan estimasi jumlah calon mahasiswa baru diwaktu mendatang (atau variabel apa saja yang diramal). Analis hendaknya memilih suatu model yang menggambarkan secara realitis perilaku variabel-variabel yang dipertimbangkan.

Sebagai contoh, bila suatu perguruan tinggi ingin meramalkan jumlah calon mahasiswa baru yang polanya berbentuk linier, model yang dipilih mungkin Y = a + bX, dimana menunjukkan besarnya jumlah calon mahasiswa baru, X menunjukkan unit waktu,


serta a dan b adalah parameter-parameter yang menggambarkan posisi dan dan kemiringan garis pada grafik. ˆYˆ

c. Pengujian Model Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas, dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historik, dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan dengan data aktual.

d. Penerapan Model Setelah pengujian, analis menerapkan model dalam tahap ini, data historis dimasukkan dalam model untuk menghasilkan suatu ramalan. Dalam kasus model calon mahasiswa baru, Y= a + bX, analis menerapkan teknik-teknik matematika agar diperoleh a dan b. ˆ

e. Revisi dan Evaluasi Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan-perubahan dalam perguruan tinggi atau lingkungan, seperti tingkat biaya masuk perguruan tinggi, jumlah kelulusan di tingkat SMU, tingakt jumlah perguruan tinggi, jumlah jurusan/program studi baru yang ada di perguruan tinggi, pengeluaran-pengeluaran pengiklanan atau pamflet, kebijakan moneter dan kemajuan teknologi.

Evaluasi, di pihak lain, merupakan perbandingan ramalan-ramalan dengan hasil-hasil nyata untuk menilai ketepatan penggunaan metodelogi atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi diwaktu yang akan datang.


2.2. Gambaran Umum Tentang Calon Mahasiswa Baru dan Bagian Umum UMSU

1. Calon Mahasiswa Baru

Calon mahasiswa baru merupakan orang yang mendapat hak pedidikan ataupun skill di suatu perguruan tinggi dengan baik berdasarkan syarat-syarat yang telah ditentukan dari suatu instansi atau perguruan tinggi.

Jumlah calon mahasiswa baru adalah banyaknya calon mahasiswa baru yang mendaftar di suatu perguruan tinggi baik perguruan tinggi negeri maupun swasta. Salah satu tujuan dari calon mahasiswa baru adalah untuk mendapatkan pendidikan yang baik di perguruan tinggi. Secara umum tujuan calon mahasiswa pada suatu perguruan tinggi adalah ; a. Mencerdaskan kehidupan bangsa b. Mencapai volume dan hasil calon mahasiswa baru c. Menunjang pertumbuhan perguruan tinggi.

2. Bagian Umum UMSU Dalam menyusun Tugas Akhir ini pengambilan data dilakukan di Bagian Umum Universitas Muhammadiyah Sumatera Utara ( UMSU ). Data yang diberikan dari pihak Bagian Umum kepada peneliti dalam bentuk data kuantitatif dalam hal ini jumlah calon mahasiswa baru per tahun pada Fakultas Ekonomi Universitas Muhammadiyah Sumatera Utara.


Pada penelitian ini data yang diambil untuk dianalisis adalah data jumlah calon mahasiswa baru di Fakultas Ekonomi Universitas Sumatera Utara sejak tahun 2000 sampai dengan tahun 2009.

2.3. Data Time Series

Perencanaan dan pembuatan keputusan membutuhkan dugaan-dugaan tentang apa yang akan terjadi dimasa yang akan datang. Karena itu analisis diharapkan untuk membuat ramalan-ramalan, salah satunya adalah dengan model time series. Time series adalah serangakain nilai-nilai variabel yang disusun berdasarkan waktu (Sri Mulyono, 1998:60). Analisis time series mempelajari pola gerakan-gerakan nilai nilai variabel pada satu interval waktu (misal minggu, bulan, dan tahun) yang teratur. Makridakis (1992 : 9) mengemukakan bahwa pendugaan masa depan dilakukan berdasarkan nilai masa lalu. Tujuan metode peramalan deret berkala (time series) seperti ini adalah menemukan pola dalam deret historis dan mengekstrapolasikan pola tersebut kemasa depan.

Langkah penting dalam memilih suatu deret berkala (time series) yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data menurut Spyros Makridakis (199 :10) dapat dibedakan menjadi empat jenis siklis dan trend.

1. Pola Harizontal (H)


Terjadi apabila nilai data fluktuasi disekitar nilai rata-rata yang konstan. Suatu calon mahasiswa baru yang tidak meningkat dan menurun selama waktu tertentu, termasuk kedalam pola ini.

2. Pola Musiman Terjadi apabila suatu deret dipengaruhi oleh musiman (misal kuartal tahun tertentu).

3. Pola Siklis Terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang behubungan siklis bisnis.

4. Pola Trend Terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.

2.4. Peramalan (forecasting) dengan Penghalusan (smoothing)

Smoothing adalah mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode (Subagyo, 1986: 7). Smoothing ini dilakukan antara lain Rata-rata bergerak (moving average) atau dengan penghalusan eksponensial (exponential smoothing).


2.5. Peramalan dengan metode Rata-rata bergerak (moving average)

Rata-rata bergerak (moving averages) diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah periode tertentu, setiap kali meghilangkan nilai terlama dan menambah nilai baru. (Subagyo, 1986: 7) a. Rata-rata Bergerak Orde Satu (single moving average) Cara membuat peramalan (forecasting) dengan metode Rata-rata bergerak orde satu (single moving averages) sangat sederhana.

Sifat-sifat single Rata-rata Bergerak Metode single moving average menurut Subagyo (1986 : 60) mempunyai sifat khusus. 1). Untuk menentukan ramalan pada periode yang akan datang memerlukan data hitoris selama jangka waktu tertentu. 2). Semakin panjang jangka waktu moving average, akan menghasilkan moving average yang semakin halus. Artinya pada moving averages yang jangka waktunya lebih panjang, perbedaan ramalan terkecil dengan ramalan terbesar menjadi kecil.metode Rata-rata bergerak orde satu (single moving average) ini biasanya lebik cocok digunakan untuk melakukan forecast hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman, dan sebagainya, melainkan sulit diketahui polanya.

Metode ini mudah menghitungnya dan sederhana, tetapi mempunyai kelemahankelemahan sebagai berikut; 1) perlu data historis yang cukup, 2) data tiap periode diberi weight (bobot) sama,


3) kalau fluktuasi data tidak random tidak menghasilkan peramalan (forecasting) yang baik (Subagyo, 1986: 11).

b. Rata-rata Bergerak Orde Dua (double moving average) Dalam metode ini pertama-tama dicari rata-rata bergerak (moving average), ditaruh pada periode terakhir. Kemudian dicari rata-rata bergerak (moving average) lagi dari rata-rata bergerak (moving averge) pertama, baru kemudian dibuat forecast.

2.6 Peramalan (forecasting) dengan metode Penghalusan Eksponensial (exponential smoothing)

Penghalusan eksponensial (exponential smoothing) adalah suatu tipe teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. (Handoko, 1984: 279).

Secara umum Metode Smoothing diklasifikasikan menjadi dua bagian, yaitu : 1. Metode Rata-Rata Metode rata-rata dibagi atas empat bagian, yaitu : a. Nilai tengah ( Mean ) b.Rata-rata bergerak tunggal ( Single moving Average ) c. Rata-rata bergerak ganda ( Double Moving Average ) d.Kombinasi rata-rata bergerak lainnya. Metode

rata-rata

tujuannya

adalah

untuk

memenfaatkan

data

masa

lalu

untuk

mengembangkan suatu sistem peramalan pada periode mendatang.


2. Metode Pemulusan Eksponensial Bentuk umum dari metode pemulusan ekponensial adalah :

Ft 1 = αXt + (1- α) Ft +

Dimana :

F t+1

= Ramalan 1 Periode Kedepan

Xt

= Data Aktual pada periode ke-t

Ft

= Ramalan pada periode ke-t

α

= Para meter pemulusan

Metode smooting eksponensial terdiri atas :

1. Smoothing eksponensial tunggal a. Satu parameter b. Pendekatan adaptif 2. Smoothing Exponensial Ganda a. Metode linier satu parameter dari Brown b. Metode dua dari Holt 3. Smoothing Exponensial Tripel a. Metode kuatratik satu parameter dari brown b. Metode tiga parameter untuk kecendrungan dan musiman dari Winter 4. Smoothing Exponensial menurut klasifikasi Pegels

2.7 Metode Smooting Yang Digunakan


Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai penjualan energy listrik pada pemecahan masalah ini adalah dengan menggunakan Metode Smoothing Eksponensial yaitu “Smoothing Eksponensial Satu Parameter dari Brown”.

Metode ini merupakan metode yang dikemukakan oleh Brown. Dasar pemikiran dari metode Smoothing Eksponensial Linier Satu Parameter dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya.

Persamaan yang dipakai dalam persamaan Pemulusan Eksponensial Linier Satu Parameter dari Brown adalah sebagai berikut :

S' t = α X t + ( 1 –α ) S' t 1 S'' t = α S' t + ( 1 - α ) S'' t 1 a t = S' t + ( S' t - S'' t ) = 2 S' t - S'' t bt =

 1

( S' t - S'' t )

F t m = a t + b t m

Dimana : m

= Jumlah periode didepan yang diramalkan

S'

= Nilai eksponensial smoothing tunggal

S''

= Nilai eksponensial smoothing ganda

α

= Parameter Pemulusan Eksponensial

at , bt

= Konstanta pemulusan

F t m

= Hasil peramalan untuk m periode ke depan yang akan diramalkan.


2.8 Ketepatan Ramalan

Ketepatan ramalan adalah satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagaai kreteria penolakan untuk memilih suatu metode ramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan.

Beberapa Kreteria yang digunakan untuk menguji ketepatan ramalan antara lain : 1.M E ( Mean Error ) / Nilai Tengah Kesalahan

N

ME 

e t 1

t

N

2. M S E ( Mean Square Absolut Error ) / Nilai Tengah Kesalahan Kuadrat

N

MSE 

e t 1

2 t

N

3. M A E (Mean Absolut Error) / Nilai Tengah Kesalahan Absolut

N

MAE 

e t 1

t

N

4. S S E (Sum Square Error) / Jumlah Kuadrat Kesalahan


N

SSE   et2 t 1

5. S D E (Standard Deviation Of Error) / Devisi Standar Kesalahan

N

e

SDE 

t 1

2 t

N

6. M A P E (Mean Absolut Pencentage Error) / Nilai tengah Kesalahan Persentase Absolut N

MAPE 

 PE t 1

t

N

7. M P E (Mean Percentage Error) / nilai Tengah Kesalahan Persentase

N

MPE 

 PE t 1

t

N

Dimana : et = Xt – Ft (kesalahan pada period eke-t) Xt = data actual pada periode ke-t Ft = Nilai ramalan pada periode ke-t N = banyaknya periode waktu

=

(100) ( kesalahan persentase pada periode ke-t )


Metode Peramalan yang dipilih adalah metode peramalan yang memberikan nilai

M S E yang

terkecil.

BAB 3

SEJARAH TEMPAT RISET

3.1 Sejarah Universitas Muhammadiyah Sumatera Utara


BAB 2 LANDASAN TEORI

Recommend Documents