BAB 2 LANDASAN TEORI
2.1
Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi peramalan antara lain: 1. Kondisi utama bisnis dan ekonomi. 2. Reaksi dan tindakan pesaing. 3. Tindakan pemerintah. 4. Kecenderungan pasar. 5. Inovasi teknologi.
2.1.1 Definisi Peramalan Menurut Nasution (2003,p25), peramalan adalah suatu proses untuk memperkirakan beberapa kebutuhan di masa yang akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang maupun jasa. Secara lebih rinci peramalan menurut Makridakis (1999,p14) adalah suatu kemampuan untuk memperkirakan / menduga keadaan permintaan produk di masa datang yang tidak pasti. Peramalan merupakan suatu alat bantu yang penting dalam perencanaan produksi yang efisien dan efektif karena peramalan digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari sistem inventory (persediaan). 8
Selain itu peramalan juga digunakan untuk bagian / departemen lainnya seperti pemasaran,
produksi,
pembelian,
persediaan,
keuangan,
serta
litbang
(Baroto,2002,p22). Oleh karena itu peramalan dapat dikatakan sebagai suatu bentuk perkiraan untuk perusahaan untuk dapat mengantisipasi permintaan dengan membuat suatu perencanaan
operasi
sampai
melakukan
perencanaan
dan
pengendalian
persediaan. Faktor-faktor yang mempengaruhi permintaan (Nasution,2003,p27): 1.
Siklus bisnis. Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut, dan permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi dan masa pemulihan.
2.
Siklus hidup produk. Siklus hidup suatu produk biasanya mengikuti suatu pola yang biasa disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus hidup suatu produk akan menjadi fase pengenalan, fase pertumbuhan, fase pematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi produk untuk masa yang tepat.
3.
Faktor-faktor lainnya. Beberapa faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang
9
dilakukan sendiri oleh perusahaan seperti peningkatan kualitas, pelayanan, anggaran periklanan, dan kebijakan pembayaran secara kredit.
Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus diperhatikan untuk menilai suatu proses peramalan permintaan dengan metode yang digunakan. Karakteristik peramalan permintaan adalah sebagai berikut (Nasution,2003,p28): 1.
Akurasi. Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan kekonsistensian peramalan tersebut.hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan kenyataan yang terjadi. Hasil peramalan dikatakan konsisten apabila besarnya kesalahan peramalan relatif kecil.
2.
Biaya. Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari jumlah item yang diramalkan, lamanya periode peramalan dan metode peramalan yang dipakai.
3.
Kemudahan. Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
10
Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka ada beberapa hal yang harus dipertimbangkan yaitu (Nasution,2003,p29): 1.
Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.
2.
Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.
3.
Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.
Langkah-langkah peramalan permintaan yang harus diperhatikan adalah (Baroto,2002,p26): 1.
Penentuan Tujuan. Tujuan peramalan tergantung pada kebutuhan informasi para manajer. Analis peramalan membicarakan dengan para “decision maker” untuk mengetahui apa kebutuhan mereka dan selanjutnya menentukan:
Variabel apa yang diramalkan.
11
Siapa yang akan menggunakan hasil peramalan.
Untuk tujuan apa hasil peramalan digunakan.
Peramalan jangka panjang atau jangka pendek yang diperlukan.
Derajat ketepatan peramalan yang diinginkan.
Kapan peramalan diperlukan.
Bagian –bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk, atau daerah geografis.
2.
Pengembangan model. Model merupakan cara pengelolahan dan penyajian data agar lebih sederhana sehingga mudah untuk dianalisa. Model adalah suatu kerangka analitik yang bila dimasukkan data input akan menghasilkan output berupa ramalan di masa yang akan datang. Pemilihan model yang dikembangkan bersifat krusial, setiap model memiliki asumsi yang harus sesuai dengan tipe data input sebagai syarat penggunaannya. Validitas dan reliabilitas ramalan sangat ditentukan oleh model yang digunakan.
3.
Pengujian model. Pengujian model dilakukan untuk melihat akurasi, validasi, reliabilitas yang diharapkan. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan dengan kenyataan (actual). Bila model telah memenuhi tingkat akurasi, validitas dan reliabilitas yang telah ditetapkan, maka model ini dapat diterima.
4.
Penerapan model. Penerapan model dengan cara memasukkan data histori untuk menghasilkan suatu ramalan.
12
5.
Revisi dan evaluasi. Hasil ramalan yang telah dibuat harus senantiasa ditinjau ulang untuk diperbaiki. Perbaikan perlu dilakukan bila terdapat perubahan berarti pada variabel input-an. Hasil peramalan harus dibandingkan dengan kondisi nyata untuk menentukan apakah model peramalan yang digunakan masih memiliki tingkat akurasi yang ditetapkan. Bila tidak, maka model peramalan harus dikembangkan ulang.
2.1.2 Horizon Waktu Tujuan dari peramalan adalah untuk mengetahui dan melihat serta memperkirakan prospek ekonomi atau kegiatan usaha dan pengaruh lingkungan terhadap prospek tersebut, sehingga dapat diperoleh informasi mengenai: 1.
Kebutuhan suatu kegiatan usaha di masa yang akan datang.
2.
Waktu untuk mengambil keputusan yang berkaitan dengan skala produk pemasaran serta target usaha.
3.
Perencanaan skala produksi, pemasaran, anggaran, biaya produk dan arus keuangan (cash flow).
Peramalan menurut horizon waktu dibagi menjadi 3 bagian yaitu (Heizer,2001,p138-139): 1.
Peramalan jangka panjang (Long Range Forecast). Peramalan jangka panjang dapat digunakan untuk meramalkan keadaan waktu lebih dari 3 tahun dan digunakan dalam merencanakan peluncuran
13
produk baru, penggunaan investasi, penggunaan cabang perusahaan dan research & development. 2.
Peramalan jangka menengah (Medium Range Forecast). Peramalan jangka menengah dapat digunakan untuk meramalkan keadaan dari 3 bulan sampai 3 tahun sehingga cocok untuk digunakan untuk merencanakan penjualan (sales planning), merencanakan produksi beserta anggarannya (production planning and budgeting), merencanakan anggaran tunai (cash budgeting), dan menganalisis rencana-rencana operasi (analyzing various operating plans).
3.
Peramalan jangka pendek (Short Range Forecast). Peramalan jangka pendek dapat dipergunakan untuk meramalkan keadaan sampai 1 tahun, namun biasanya digunakan untuk meramalkan keadaan sampai waktu kurang dari 3 bulan. Peramalan ini cocok untuk digunakan untuk merencanakan pembelian (purchase planning), merencanakan pekerjaan (job scheduling), merencanakan tingkat tenaga kerja (workforce level), merencanakan tingkat produksi (production levels).
2.1.3 Pola Data Pola data dapat dibedakan menjadi 4 jenis yaitu: 1.
Pola Horizontal (H). Pola horizontal terjadi apabila nilai data berfluktuasi di sekitar rata-rata yang konstan. Hal ini terjadi pada suatu produk yang penjualannya tidak
14
meningkat atau menurun selama waktu tertentu. Grafik pola horizontal diperlihatkan pada gambar 2.1.
Pola Horizontal (H) 14 12 Permintaan
10 8 Permintaan 6 4 2 0 1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20
Waktu (Periode)
Gambar 2.1 Pola Data Horizontal (H)
2.
Pola Musiman (S). Pola musiman terjadi apabila data terlihat berfluktuasi, namun fluktuasi tersebut terlihat berulang dalan suatu interval tertentu. Hal ini terjadi karena dipengaruhi oleh faktor musiman seperti faktor cuaca, musim libur panjang, hari raya keagamaan yang akan berulang secara periodik setiap tahunnya. Grafik disajikan pada gambar 2.2.
15
Pola Musiman (S) 18 16
Permintaan
14 12 10
Permintaan
8 6 4 2 0 1
2
3
4
5
6
7
8
9
10
11
12
Waktu (Periode)
Gambar 2.2 Pola Data Musiman (S)
Pola Siklis (C). Pola siklis terjadi apabila fluktuasi permintaan jangka panjang membentuk pola sinusoid atau gelombang / siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis. Grafik disajikan pada gambar 2.3. Pola Siklis (C) 12 10 Permintaan
3.
8 6
Permintaan
4 2 0 0
2
4
6
8
10
12
Waktu (Periode)
Gambar 2.3 Pola Data Siklis (C)
16
14
4.
Pola Trend (T). Pola
trend
terjadi
apabila
data
permintaan
menunjukkan
pola
kecenderungan naik atau turun atau bahkan konstan untuk jangka waktu yang panjang. Grafik pola pada gambar 2.4. Pola Trend (T) 30
Permintaan
25 20 15
Permintaan
10 5 0 1
2
3
4
5
6
7
8
9
10
11
12
Waktu (Periode)
Gambar 2.4 Pola Data Trend (T) 5.
Pola Random / Acak (R). Pola random /acak terjadi apabila fluktuasi data permintaan dalam jangka panjang tidak dapat digambarkan dalam keempat pola lainnya. Faktorfaktor yang dapat menyebabkan terjadinya pola ini karena adanya bencana alam, bangkrutnya perusahaan pesaing, promosi khusus, dan kejadiankejadian lainnya yang tidak mempunyai pola tertentu. Grafik pola disajikan pada gambar 2.5.
17
Pola Random (R) 8 7 Permintaan
6 5 4
Permintaan
3 2 1 0 1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20
Waktu (Periode)
Gambar 2.5 Pola Data Random / Acak (R)
2.1.4 Metode-Metode Peramalan Secara umum peramalan dapat diklasifikasikan menjadi 2 macam yaitu: 1.
Peramalan yang bersifat subjektif. Peramalan subjektif adalah peramalan yang lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi seseorang, dan intuisi yang meskipun kelihatannya kurang ilmiah tetapi dapat memberikan hasil yang baik.
2.
Peramalan yang bersifat objektif. Peramalan objektif adalah peramalan yang mengikuti prosedur-prosedur aturan matematis dan statistik dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variabel yang mempengaruhinya. Selain itu, peramalan objektif juga mengasumsikan bahwa tingkat keeratan dan macam dari hubungan antara variabel-variabel bebas dengan permintaan yang terjadi di masa lalu akan terulang juga di masa yang akan datang.
18
Peramalan subjektif dapat dibagi menjadi beberapa metode yaitu: 1.
Metode Delphi. Metode ini merupakan cara sistematis untuk mendapatkan keputusan bersama dari suatu grup yang terdiri dari para ahli dan berasal dari disiplin yang berbeda, dimana grup tersebut berdiskusi secara bersama-sama dalam suatu forum dan saling berunding.
2.
Metode penelitian dasar. Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada bidang yang berhubungan dengan pemasaran. Salah satu tekniknya adalah dengan melakukan survey pasar.
Peramalan objektif dapat dibagi menjadi beberapa metode yaitu: 1.
Metode Intrinsik. Metode ini membuat peramalan hanya berdasarkan pada proyeksi permintaan historis tanpa mempertimbangkan faktor-faktor eksternal yang mungkin mempengaruhi besarnya permintaan. Metode ini hanya cocok digunakan untuk melakukan peramalan jangka pendek pada kegiatan produksi. Metode ini akan diwakili dengan analisis deret waktu (Time Series).
2.
Metode ekstrinsik. Metode ini mempertimbangkan faktor-faktor eksternal yang mungkin dapat mempengaruhi besarnya permintaan di masa datang dalam model peramalannya. Metode ini cocok untuk melakukan
19
peramalan jangka panjang. Metode ini banyak dipakai untuk peramalan pada tingkat agregat dan diwakili oleh metode regresi.
Berdasarkan tekniknya metode peramalan dibagi menjadi 2 yaitu peramalan kuantitatif dan peramalan kualitatif. 1. Peramalan Kuantitatif. Peramalan ini digunakan pabila hanya terdapat sedikit / tidak adanya data historis perusahaan. Peramalan ini hanya didasarkan dari pemikiran intuitif, pertimbangan, atau pengetahuan yang didapat dari para pakar. Peramalan ini dibagi 2 metode yaitu metode eksploratoris (Deplhi, KurvaS, Analogi, dan penelitian morfologi) dan metode normatif (matriks keputusan, pohon relevansi, dan anlisis sistem). 2. Peramalan Kualitatif. Peramalan ini membutuhkan data historis untuk meramalkan permintaan di masa datang. Peramalan ini dibagi 2 metode yaitu metode time series (metode grafis, moving average, weight moving average, exponential smoothing, regresi linear sederhana, interpolasi Gregory-Newton, dan metode Winter), dan metode non-time series.
20
2.1.4.1 Metode Pemulusan (Smoothing) Strategi untuk menilai suatu metode peramalan pemulusan terdiri dari 6 tahap, yaitu: 1. Tahap 1: pilih suatu deret berkala (kelompok data) untuk dianalisis. Bagian data ini menjadi kelompok “inisialisasi” dan kelompok “pengujian”. 2. Tahap 2: pilihlah suatu metode pemulusan. 3. Tahap 3: inisialisasi metode. Gunakan kelompok data inisialisasi. 4. Tahap 4: gunakan metode pemulusan untuk meramalkan seluruh kelompok “pengujian”. 5. Tahap 5: mengoptimalkan, memodifikasi prosedur inisialisasi, melacak nilai parameter yang optimum. 6. Tahap 6: keputusan penilaian (keuntungan dan kerugian).
2.1.4.1.1 Metode Single Exponential Smoothing Metode single exponential smoothing satu parameter mendasarkan pembobotan data yang terakhir dengan suatu nilai bobot α dan pembobotan ramalan yang terakhir sebelumnya dengan nilai bobot 1-α.. Dengan menggunakan metode single exponential smoothing satu parameter ini maka keuntungannya adalah akan banyak mengurangi masalah penyimpanan data, karena tidak perlu lagi menyimpan sebagian atau semua data historis dan yang perlu disimpan hanyalah pengamatan terakhir, ramalan terakhir dan suatu nilai α. yang dipakai (Makridakis,1999,p103).
21
Metode single exponential smoothing satu parameter digunakan pada data stasioner. Secara matematis menurut Makridakis (1999,p103), metode single exponential smoothing satu parameter dirumuskan sebagai berikut:
………………….....…………(2.1) Dimana:
Xt = data aktual permintaan pada periode t. Ft = data peramalan pada periode t. m = periode peramalan yang diinginkan.
2.1.4.1.2 Metode Double Exponential Smoothing Metode double exponential smoothing ini digunakan untuk data yang berpola trend. Hasil ramalan dari double exponential smoothing didapat dengan menggunakan dua konstanta pemulusan dengan nilai antara 0 sampai 1 dan dengan menggunakan 3 persamaan yaitu:
……………………(2.2) Dimana:
St = data pemulusan pada periode t bt = data pemulusan trend pada periode t α = konstanta pemulusan yang bernilai antara 1 sampai 0 β = konstanta pemulusan yang bernilai antara 1 sampai 0 Xt = data aktual permintaan pada periode t m = periode peramalan yang diinginkan Ft + m = data peramalan pada periode t + m 22
2.1.4.1.3 Metode Triple Exponential Smoothing Metode triple exponential smoothing digunakan pada data yang mempunyai pola data musiman. Menurut Makridakis (1999,p95) metode triple exponential smoothing dapat dirumuskan sebagai berikut:
…………………..(2.3) Dimana:
St = data pemulusan keseluruhan pada periode t bt = data pemulusan trend pada periode t It = data pemulusan musiman pada periode t L = panjang musiman α = konstanta pemulusan yang bernilai antara 1 sampai 0 β = konstanta trend yang bernilai antara 1 sampai 0 γ = konstanta musiman yang bernilai antara 1 sampai 0 Xt = data aktual permintaan pada periode t m = periode peramalan yang diinginkan Ft + m = data peramalan pada periode t + m
2.1.5 Pengukuran Kesalahan Adanya pengaruh permintaan dari tiap konsumen selalu berbeda-beda yang disebabkan oleh beberapa faktor, menyebabkan nilai produksi yang akan
23
datang tidak dapat dipastikan dengan pasti sehingga dengan melakukan perhitungan peramalan maka akan lebih mendekati nilai yang sebenarnya walaupun nilai yang akan didapat tidak akan tepat dengan nilai yang sebenarnya. Perhitungan rata-rata kesalahan yang dibuat oleh suatu model peramalan setiap waktu menyediakan ukuran seberapa tepat metode peramalan yang digunakan. Terdapat beberapa metode pengukuran kesalahan yang sering digunakan.
2.1.5.1 Mean Absolute Deviation (MAD) Pengukuran kesalahan peramalan yang umum digunakan adalah MAD (Mean Absolute Deviation). MAD adalah rata-rata kesalahan yang dibuat dari sekumpulan peramalan dari periode tertentu. Menurut Makridakis (1999,p47) MAD dirumuskan sebagai berikut:
…………………………………...(2.4) Dimana:
Xt = data aktual pada periode t Ft = nilai peramalan pada periode t n = jumlah data
2.1.5.2 Mean Square Error (MSE) Mean Square Error (MSE) merupakan pengukuran kesalahan peramalan yang dihitung dengan menjumlahkan kesalahan kuadrat dan membaginya dengan jumlah observasi. MSE dapat dirumuskan sebagai berikut:
24
…………………………………...(2.5) Dimana:
Xt = data aktual pada periode t Ft = data peramalan pada periode t n = jumlah data
2.1.5.3 Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) merupakan pengukuran kesalahan yang menghitung ukuran presentase penyimpangan antara data aktual dengan data peramalan. Menurut Makridakis (1999,p61) dapat dirumuskan sebagai berikut:
………………………....(2.6) Dimana:
Xt = data aktual pada periode t Ft = data peramalan pada periode t n = jumlah data
25
2.2
Pseudocode Pseudocode berasal dari kata pseudo dan code, adalah deskripsi yang informal
dan padat dari sebuah algoritma pemrograman komputer yang menggunakan aturan struktural dari bahasa pemrograman, tetapi menghilangkan detail-detail seperti subrutin, deklarasi variabel atau syntax bahasa pemrograman tertentu. Bahasa pemrograman dalam hal ini digabungkan dengan penjelasan detail dalam bahasa natural agar terlihat lebih umum. Pseudocode bukanlah skeleton programs atau dummy code yang madih bisa di-compile tanpa error. Flowchart dapat juga dianggap sebagai salah satu bentuk pseudocode.
2.3
Waterfall Method Metode Waterfall adalah sebuah model perancangan software secara sekuensial,
dimana proses perancangan tersebut mengalir secara teratur kebawah sehingga terlihat seperti air terjun. Proses ini melalui fase-fase seperti, analisis kebutuhan, desain, implementasi, pengetesan atau validasi, integrasi dan perawatan. Asal kata waterfall sering dikutip dari artikel yang dipublikasikan pada tahun 1970 oleh W. W. Royce, ironisnya, Royce sendiri tidak menggunakan kata tersebut, sebaliknya memakai kata pendekatan iteratif dalam perancangan software. Pada awalnya Royce menggambarkan metode Waterfall adalah contoh metode yang beresiko dan rawan terhadap kegagalan. Tetapi walapun begitu, penggunaan metode ini tetap populer di dalam perancangan program.
26
Gambar 2.6
Metode Waterfall
Seperti yang terlihat pada Gambar 2.6, proses perancangan program bergerak dari atas ke bawah seperti air terjun. Di dalam model Waterfall yang dinyatakan oleh Royce, fase-fasenya adalah sebagai berikut : o Spesifikasi Kebutuhan System o Spesifikasi Kebutuhan Software o Analisis Permasalahan o Mendesain Program o Melakukan Coding o Melakukan Pengujian o Operasi
27
