BAB 2
TINJAUAN TEORI
2.1 Pengertian Peramalan
Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas bermacam-macam cara yaitu Metode Pemulusan Eksponensial atau Rata-rata Bergerak, Metode Box Jenkis dan Metode Regresi. Semua itu dikenal dengan metode peramalan. Metode peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan ini digunakan dalam peramalan yang bersifat objektif.
Disamping itu metode peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan
yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan, maka akan dapat dasar pemikiran dan pemecahan yang sama. Baik tidaknya suatu peramalan yang disusun, di samping ditentukan oleh metode yang digunakan, juga ditentukan baik tidaknuya informasi yang digunakan. Selama informasi yang digunakan tidak dapat meyakinkan, maka hasil peramalan yang disusun juga agar sukar dipercaya akan ketepatannya.
2.2 Jenis-Jenis Metode Peramalan
Metode sistem peramalan yang sering digunakan dapat dilihat di bawah ini : Metode Peramalan : a. Metode Deret Waktu 1. ARIMA ( Box-Jenkins) 2. Bayesian 3. Aulocorelation 4. Filter Kalman 5. Multivariate 6. Smoothing 7. Regression b. Metode Kausal 1. Ekonometri 2. Input Output 3. Regresi Korelasi
a. Metode Deret Waktu ( Time Series Method ) Metode peramalan ini menggunakan deret waktu (time series) sebagai dasar peramalan memerlukan data aktual lalu yang akan diramalakan untuk mengetahui pola data yang diperlukan untuk menentukan metode peramalan yang sesuai. Beberpa metode dalam time series yaitu sebagai berikut :
1. ARIMA ( Autoregressive Integrated Moving Average ) pada dasarnya menggunakan fungsi deret waktu, metode ini memerlukan pendekatan model identification serta penaksiran awal dari parameternya. 2. Kalman Filter banyak digunakan pada bidang rekayasa sistem untuk memisahkan sinyal dari noise
yang masuk ke sistem. Metoda ini
menggunakan pendekatan model state space dengan asumsi white noise memiliki distribusi Gaussian. 3. Bayesian merupakan metode yang menggunakan state space berdasarkan model dinamis linear ( dynamical linear model ). Sebagai contoh : menentukan diagnosa suatu penyakit berdasarkan data-data gejala (hipertensi atau sakit jantung). 4. Metode smoothing dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman dengan cara membuat keseimbangan rata-rata dari data masa lampau. 5. Regresi menggunakan dummy variabel dalam formulasi matematisnya. Sebagai contoh: kemampuan dalam meramal sales suatu produk berdasarkan harganya.
b. Metode Kausal Metode ini menggunakan pendekatan sebab-akibat, dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang akan diramalkan. Pada metode kausal terdapat tiga kelompok metode yang sering dipakai.
1. Metode regresi dan korelasi memakai teknik kuadrat terkecil (least square).Metode ini sering digunakan untuk prediksi jangka pendek. Contohnya : meramalkan hubungan jumlah kredit yang diberikan dengan giro,deposito dan tabungan masyarakat 2. Metode ekonometri berdasarkan pada persamaan regresi yang didekati secara simultan. Metode ini sering digunakan untuk perencanaan ekonomi nasional dalam jangka pendek maupun jangka panjang. Contohnya : meramalkan besarnya indikator moneter buat beberapa tahun kedepan, hal ini sering dilakukan pihak BI tiap tahunnya. 3. Metode input output biasa digunakan untuk perencanaan ekonomi nasional jangka panjang. Contohnya : meramalkan pertumbuhan ekonomi seperti pertumbuhan domestik bruto (PDB) untuk beberapa periode tahun ke depan 510 tahun mendatang. Tahapan perancangan peramalan : Secara ringkas terdapat tiga tahapan yang harus dilalui dalam perancangan suatu metode peramalan, yaitu :
a. Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk mendapatkan gambaran pola dari data bersangkutan. b. Memilih metode yang akan digunakan. Terdapat bermacam-macam metode yang tersedia dengan keperluannya. Metode yang berlainan akan menghasilkan sistem prediksi yang berbeda pula untuk data yang sama. Secara umum dapat dikatakan bahwa metoda yang berhasil adalah metoda yang menghasilkan penyimpangan (error) sekecil-kecilnya antara hasil prediksi dengan kenyataan yang terjadi. c. Proses transformasi dari data masa lampau dengan menggunakan metoda yang dipilih. Kalau diperlukan, diadakan perubahan sesuai kebutuhannya.
2.3
Kegunaan Peramalan
Sering terdapat senjang waktu (Time Lag) antara kesadaran akan peristiwa. Adanya waktu tenggang (Lead Time) ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat akan dilakukan.
Dalam perencanaan di Organisasi atau perusahaan peramalan merupakan kebutuhan yang sangat penting, dimana baik buruknya peramalan dapat mempengaruhi seluruh bagian organisasi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang
penting dalam perencanaan yang efektif dan efisien. Di dalam bagian organisasi terdapat kegunaan peramalan, yaitu : a. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalia dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan akan konsumennya atau pelanggan. b. Berguna dalam menyediakan sumber daya tambahan waktu tenggang (Lead Time) untuk memperoleh bahan baku, menerima pekerja baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlyukan untuk menentukan kebutuhan sumber daya di masa datang. c. Untuk menentukan sumber daya yang diinginkan. Setiap organisadi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan semacam itu bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangan. Semua penentuan ini memerlukan ramalan yang baik dan menejer yang dapat menafsirkan pendugaan serta membuat keputusan yang baik.
Walaupun terdapat banyak bidang lain yang memerlukan peramalan namun, tiga kelompok di atas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang.
Dari uraian di atas dapat dikatakan Metode Peramalan sangat berguna, karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu, sehingga dapat memberikan cara pemikiran, pengerjaan yang teratur dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang dibuat atau disusun.
2.4 Metode Peramalan
Berdasarkan sifatnya teknik peramalan dibagi dalam 2 (dua) kategori utama yaitu : 1. Metode peramalan kualitatif atau tekhnologis Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Metode kualitatif atau tekhnologis dapat dibagi menjadi metode eksploratoris dan normatif. 2. Metode peramalan kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metodeyang dipergunakan dalam peramalan tersebut. Denagn metode yang berbeda akan diperoleh hasil peramalan yang berbeda. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan atau penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan
antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik.
Metode kuantitatif dapat dibagi dalam deret berkala (Time Series) dan metode kausal. Peramalan kuantitatif dapat digunakan bila terdapat 3 (tiga) kondisi yaitu : a. Adanya informasi tentang masa lalu b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data c. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akann datang.
Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (Asumtion of Continuity), asumsi ini merupakan modal yang mendasari semua metode peramalan kuantitatif dan banyak metode peramalan tekhnologis, terlepas dari bagaimana canggihnya metode tersebut.
2.5
Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciriciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam mempersiapkan peramalan.
Ada 6 (enam) faktor utama yang diidentifikasi sebagai teknik dan metode peramalan, yaitu :
1. Horizon Waktu Ada 2 (dua) aspek dari Horizon Waktu yang berhuungan dengan masingmasing metode peramalan. Pertama adalah cakuoan waktu dimasa yang akan datang, kedua adalah jumlah periode untuk peramalan yang diinginkan. 2. Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa mnacammacam dari pola yang didapati di dalam data yang diramalakan akan berkelanjutan. 3. Jenis dan Model Model-model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola. Model-model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan. 4. Biaya yang Diutuhkan Umumnya ada 4 (empat) unsur biaya yang tercakup di dalam penggunaan suatu prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpanan (Storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode lainnya. 5. Ketepatan Metode Peramalan Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.
6. Kemudahan dalam Penerapan Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambilan keputusan.
2.6
Analisa Deret Berkala
Data berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisa data berkala memungkinkan untuk mengetahui perkemabngan suatu kejadian atau beberapa kejadian serta hubungannya dengan kejadian yang lain.
Metode Time Series merupakan metode peramlan kuantitatif yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Tujuan Time Series ini mencakup penelitian pola data yang digunakan untuk meramalkan apakah data tersebut stasionerr atau tidak dan ekstrapolasi ke masa yang akan datang. Stasioner itu sendiri berarti bahwa tidak terdapat pertumbuhsan/penurunan pada data. Data secara kasar harus horizontal sepanjang waktu. Dengan kata lain fluktuasi data tetap konstan setiap waktu.
1. Penentuan Pola Data Hal yang penting diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya. Sehingga pola data yang tepat dengan pola data
historis tersebut dapat diuji, dimana pola data pada umumnya dapat dibedakan sebagai berikut :
a. Gerakan Trend Jangka Panjang (Long Tern Movement or Secular Trend). Gerakan trend jangka panjang adalah suatu gerakan yang menunjukkan arah perkembangan secara umum (kecendrungan menaik/menurun). Garis trend sangat berguna untuk membuat ramalan yang sangat diperlukan bagi perencanaan.
b. Gerakan/Variasi Siklis (cyclical Movements or Variations) Gerakan/variasi siklis adalah gerakan/variasi jangka panjang disekitar garis trend (berlaku untuk data tahunan). Gerakan siklis ini bisa terukang setelah jangka waktu tertentu dan bisa juga terulang dalam jangka aktu yang sama. Contoh gerakan siklis yakni kemakmuran, kemunduran, depresi, dan pemulihan.
c. Gerakan/Variasi Musiman (Seasonal Movements or variation) Gerakan/variasi musiman adalah gerakan yang memounyai pola tetap dari waktu ke waktu, misalnya naik turunnya harga pohon cemara menjelang Natal, menurunnya harga beras pada waktu panen, dan lain sebagainya. Walaupun pada umumnya gerakan musiman terjadi pada data bulanan yangn
dikumpulkan dari tahun ke tahun, namun juga berlaku bagi data harian, mingguan, atau satuan waktu yang leih kecil lagi.
d. Gerakan/Variasi yang Tidak Teratur (Iregular or Random Movements) Gerakan/variasi yang tidak tetap adalah gerakan/variasi yang sifatnya sporadis, misalnya naik turunnya produksi akibat banjir yang datangnya tidak teratur.
2.7
Metode Pemulusan (Smoothing)
Metode Smoothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir niai pada beberapa tahun ke depan. Secara umum metode smoothing diklasifikasikan menjadi 2 (dua) bagian, yaitu :
1. Metode Rata-rata
a. Metode rata-rata bergerak tunggal Jika data berkala tidak terjadi gejala trend naik maupun turun, musiman, dan lainnya, melainkan sulit diketahui polanya, maka metode yang digunakan
adalah
metode
rata-rata
bergerak
tunggal
(Pangestu
Subagyo,1986:13). Metode ini cocok untuk melakukan peramalan yang
bersifat random. Untuk menentukan ramalan pada periode yang akan datang memerlukan data historis selama jangka waktu tertentu. Rumus umumnya adalah: ππ‘ =
ππ‘ + ππ‘β1 + ππ‘β2 +. . . +ππ‘βπ+1 π
1 ππ‘ = π
π‘
οΏ½
π=π‘βπ+1
ππ‘
b. Metode rata-rata bergerak ganda Metode ini sedikit lebih sulit jika dibandingkan dengan metode rata-rata bergerak tunggal. Ada beberapa langkah yangn harus ditentukan dalam meramal dengan rata-rata bergerak ganda yaitu : 1. Menghitung rata-rata bergerak pertama, diberi simbol Stβ. Ini dihitung dari data historis yang ada. Hasilnya diletakkan pada periode terakhir rata-rata bergerak pertama. πβ²π‘ =
ππ‘ + ππ‘β1 + ππ‘β2 + β― + ππ‘βπ+1 π
2. Menghitung rata-rata bergerak kedua, diberi simbol Stβ. Ini dihitung dari rata-rata bergerak pertama. Hasilnya diletakkan pada periode terakhir rata-rata bergerak kedua. π"π‘ =
πβ²π‘ + πβ² + πβ²π‘β2 + β― + πβ²π‘βπ+1 π
3. Menentukan besarnya nilai at (konstanta). ππ‘ = πβ²π‘ + (π β² π‘ β π"π‘ ) 4. Menentukan besarnya nilai bt (slope). ππ‘ =
2(π β² π‘ β π"π‘ ) π£β1
v = jangka waktu rata-rata bergerak
5. Menentukan ramalan. πΉπ‘+π = ππ‘ + ππ‘ (π)
m = jangka waktu peramlan ke depan
2. Metode Pemulusan (Smoothing) Eksponensial Bentuk umum dari metode pemulusan (Smoothing) Eksponensial ini adalah : πΉπ‘+1 = πΌππ‘ + (1 β πΌ)πΉπ‘ Dengan : πΉπ‘+1 = ramalan suatu periode ke depan ππ‘ = data aktual periode t
πΉπ‘ = ramalan pada periode
πΌ = parameter pemulusan ( 0< πΌ < 1)
Bila bentuk umum tersebut diperluas maka akan berubah menjadi : πΉπ‘+1 = πΌππ‘ + πΌ(1 β πΌ)ππ‘β1 + πΌ(1 β πΌ)2 ππ‘β2 + β― + (1 β πΌ)π πΉπ‘+(πβ1) Dari perluasan bentuk umum di atas dapatlah dikatakan bahwa Metode Smoothing Eksponensial secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain observasi yangn baru diberikan bobot yang relatif lebih besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas :
a. Smoothing Eksonensial Tunggal 1. Satu Parameter (one parameter) 2. Pendekatan aditif (ARRES) Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola atau trend.
b. Smoothing Eksponensial Ganda 1. Metode Linier Satu Parameter dari Brown. 2. Metode Dua Parameter dari Holt.
c.
Smoothing Eksponensial Triple
1. Metode Kuadratik Satu Parameter dari Brown Digunakan untuk pola data kuadrati, kubik, atau orde yang lebih tinggi.
2. Metode kecendrungan dan musiman tiga parameter dari Winter dapat digunakan untuk data yang berbentuk trend dan musiman.
d.
2.8
Smoothing Eksponensial menurut Klasifikasi Pegels.
Ketepatan Peramalan
Ketepatan peramalan adalah suatu hal yang paling mendasar di dalam peramalan, yaitu bagaimana memngukur kesesuaian suatu kumpulan data yang diberikan. Ketepatan yang dipandang sebagai kriteria penolakan untuk memilih suatu peramalan. Dalam pemodelan pemulusan (smoothing), dari data masa lalu dapat diramallakn situasi yang akan terjadi di masa yang akan datang. Untuk menguji kebenaran ini digunakan peramalan. Untuk mendapat hasil peramalan yang lebih akurat adalah maramal yang biasa meminimalkan kesalahan meramal (forecast error). Besarnya (forecast error) dihitung dengan: ππ‘ = ππ‘ β πΉπ‘ Dimana : ππ‘ = data periode ke-i
πΉπ‘ = ramalan periode ke-i
Untuk mengukur kesalahan ramalan (forecast error) biasanya digunakan mean absolut error, mean square error, atau mean absolut percentage error.
a. Percentage Error (PE) ππ‘ β πΉπ‘ ππΈ = οΏ½ οΏ½ π₯100 ππ‘ b. Absolut percentage error (APE) Adalah kesalahan persentase absolut π΄ππΈ = οΏ½
ππ‘ β πΉπ‘ οΏ½ ππ‘
c. Mean Percentage Error (MPE) Adalah persentase rata-rata kesalahan absolut
πππΈ = πππΈ =
ππ‘ β πΉπ‘ π π‘οΏ½ π₯100 π
βοΏ½
βππ=1 ππΈ π
d. Mean Absulute Percentage Error (MAPE) Adalah persentase rata-rata kesalahan absolut
ππ΄ππΈ =
ππ‘ β πΉπ‘ ππ‘ οΏ½ π₯100οΏ½ π
β οΏ½οΏ½
ππ‘ : data sebenarnya terjadi
πΉπ‘ : data ramalan dihitung dari model yang digunakan pada waktu atau tahun t n : banyak data hasil ramalan
