BAB 2 TINJAUAN TEORI

7

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 dengan 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 tidaknya informasi yang digunakan. Selama

Universitas Sumatera Utara

8

informasi yang digunakan tidak dapat meyakinkan, maka hasil peramalan yang disusun juga akan sukar dipercaya akan ketepatannya.

2.2

Jenis-Jenis Metode Peramalan

Metode sistem peramalan yang sering digunakan dapat dilihat pada gambar di bawah ini:

a. Metode Deret Waktu (Time series Method)

Metode peramalan ini menggunakan deret waktu (time series) sebagai dasar peramalan memerlukan data aktual lalu yang akan diramalkan untuk mengetahui pola data yang diperlukan untuk menentukan metode peramalan yang sesuai. Beberapa metode dalam time series yaitu sebagai berikut:

1) ARIMA (Autoregressive Integrated Moving Average) pada dasarnya menggunakan fungsi eret waktu, metode ini memerlukan pendekatan model identification serta penaksiran awal dari paramaternya.


9

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) Metoda regresi dan korelasi memakai teknik kuadrat terkecil (least square). Metoda ini sering digunakan untuk prediksi jangka pendek. Contohnya:


10

meramalkan hubungan jumlah kredit yang diberikan dengan giro, deposito dan tabungan masyarakat. 2) Metoda ekonometri berdasarkan pada persamaan regresi yang didekati secara simultan. Metoda ini sering digunakan untuk perencanaan ekonomi nasional dalam jangka pendek maupun jangka panjang. Contohnya: meramalkan besarnya indikator moneter buat beberapa tahun ke depan, hal ini sering dilakukan pihak BI tiap tahunnya. 3) Metoda 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 5-10 tahun mendatang. Tahapan perancangan peramalan : Secara ringkas terdapat tiga tahapan yang harus dilalui dalam perancangan suatu metoda peramalan, yaitu : a) Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk mendapatkan gambaran pola dari data bersangkutan. b) Memilih metoda yang akan digunakan. Terdapat bermacam-macam metoda yang tersedia dengan keperluannya. Metoda 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) sekecilkecilnya 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.


11

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 unutuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat 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 :

1. 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. 2. Berguna dalam penyediaan 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 diperlukan untuk menentukan kebutuhan sumber daya dimasa datang. 3. Untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan semacam itu bergantung kepada faktor – faktor lingkungan, manusia dan


12

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 diatas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang.

Dari uraian diatas dapt 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 yng 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 metode


13

yang dipergunakan dalam peramalan tersebut. Dengan 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 :

1. Adanya informasi tentang masa lalu 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data 3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlnjut di masa yang akan 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 ciri – ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam mempersiapkan peramalan.


14

Ada 6 (enam) faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu : 1. Horizon Waktu Ada 2 (dua) aspek dari Horizon Waktu yang berhubungan dengan masing – masing metode peramalan. Pertama adalah cakupan waktu dimasa yang akan datang, kedua adalah jumlah periode untuk peramalan yang diinginkan. 2. Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa macam – macam dari pola yang didapati didalam data yang diramalkan akan berkelanjutan. 3. Jenis dari 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 Dibutuhkan 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 pengambil keputusan.


15

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. Analisis data berkala memungkinkan untuk mengetahui perkembangan suatu kejadian atau beberapa kejadian serta hubungannya dengan kejadian yang lain.

Metode Time Series merupakan metode peramalan 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 stasioner atau tidak dan ekstrapolasi ke masa yang akan datang. Stasioner itu sendiri berarti bahwa tidak terdapat pertumbuhan / 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 di uji, dimana pola data pada umumnya dapat dibedakan sebagai berikut :


16

a. Gerakan Trend Jangka Panjang (Long Term Movement or Secular Trend) Gerakan trend jangka panjang adalah suatu gerakan yang menunjukkan arah perkembangan secara umum (kecenderungan menaik / menurun). Garis trend sangat berguna untuk membuat ramalan (forecasting) yang sangat diperlukan

Jumlah

bagi perencanaan.

Waktu (tahun) Gambar 1. Grafik siklus trend 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 terulang setelah jangka waktu tertentu dan bisa juga terulang dalam jangka waktu yang sama. contoh gerakan siklis yaknikemakmuran (prosperity), kemunduran (recession),

Jumlah

depresi (depression), dan pemulihan (recovery)

Waktu (tahun) Gambar 2. Grafik siklus sikklikal


17

c. Gerakan / Variasi Musiman (Seasonal Movements or Variation) Gerakan / variasi musiman adalah gerakan yang mempunyai pola tetap dari waktu ke waktu, misalnya naiknya harga pohon cemara menjelang Natal, menurunnya harga beras pada waktu panen, dan lain sebagainya. Walaupun pada umumnya gerakan musiman terjadi pada data bulanan yang dikumpulkan dari tahun ke tahun, namun juga berlaku bagi data harian, mingguan, atau

Jumlah

satuan waktu yang lebih kecil lagi.

Waktu (tahun) Gambar 3. grafik siklus musiman 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

Jumlah

teratur.

Waktu (tahun) Gambar 4. grafik siklus random


18

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 nilai 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: X t + X t −1 + X t − 2 + ... + X t − n +1 n t 1 St = ∑Xj n j =t − n + i St =

b) Metode rata-rata bergerak ganda Metode ini sedikit lebih sulit jika dibandingkan dengan metode Metode ratarata bergerak tunggal. Ada beberapa langkah yang harus ditentukan dalam meramal dengan rata-rata bergerak ganda yaitu :


19

1) Menghitung rata-rata bergerak pertama, diberi simbol St’. 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

2) Menghitung rata-rata bergerak kedua, diberi simbol St’’. ini dihitung dari rata-rata bergerak pertama. Hasilnya diletakkan pada periode terakhir ratarata bergerak kedua.

S

''

t

S ' t + S ' t −1 + S ' t − 2 + ... + S ' t − n +1 = n

3) Menentukan besarnya nilai at (konstana). at = S ' t + ( S ' t − S " t )

4) Menentukan besarnya nilai bt (slope).

bt =

2( S ' t − S " t ) v −1

V= jangka waktu rata-rata bergerak 5) Menentukan ramalan. Ft + m = at + bt (m) .

m =jangka waktu peramalan ke depan

2

Metode Pemulusan (Smoothing) Eksponensial

Bentuk umum dari Metode Pemulusan (Smothing) Eksponensial ini adalah: Ft+1 = αXt + (1 – α)Ft


20

Dengan : Ft+1 = ramalan suatu periode ke depan Xt = data aktual periode t Ft = ramalan pada periode α = parameter pemulusan (0<α<1) Bila bentuk umum tersebut diperluas maka akan berubah menjadi : Ft+1 = αXt + α(1 – α)Xt-1 +α(1 – α)2Xt-2 + ……………+ (1 – α)N Ft+(N-1)

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 yang baru diberikan bobot yang relatif lebih besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas: a. Smoothing Eksponensial Tunggal 1) Satu Parameter (one parameter) 2) Pendekatan aditif (ARRES) Digunakan untuk data data yang bersifat stasioner dan tidak menunjukkan

pola atau trend.

b. Smoothing Eksponen Ganda 1) Metode Linier Satu Parameter dari Brown 2) Metode Dua Paremeter Dari Holt c. Smoothing Eksponensial Triple 1) Metode Kuadratik Satu Parameter dari Brown Digunakan untuk pola data kuadrati, kubik, atau orde yang lebih tinggi.


21

2) Metode kecenderungan dan musiman tiga parameter dari Winter Dapat digunakan untuk data yang berbentuk trend dan musiman.

d. Smoothing Eksponensial Menurut Klasifikasi Pegels.

2.8

Ketepatan Peramalan

Ketepatan peramalan adalah suatu hal yang paling mendasar didalam peramalan, yaitu bagaimana mengukur kesesuaian suatu kumpulan data yang diberikan. Ketepatan yang dipandang sebagai criteria penolakan untuk memilih suatu peramalan. Dalam pemodelan pemulusan (smoothing), dari data masa lalu dapat diramalakan situasi yang akan terjadi dimasa yang akan datang. Untuk menguji kebenaran ini digunakan peramalan. Untuk mendapat hasil peramalan yang lebih akurat adalah ramalan yang bias meminimalkan kesalahan meramal (forecast error). Besarnya (forecast error) dihitung dengan : ei = X i − Fi Dimana : X i = data periode ke-i Fi =ramalan period eke-i Untuk mengukur kesalahan ramalan (error forecast) biasanya digunakan mean absolute error, mean square error, atau mean absolute percentage error. a. Percentage error  X − Ft PE =  t  Xt

  × 100 


22

b. Absolut percentage error (APE) adalah kesalahan persentase absolute

APE =

X t − Ft × 100 Xt

c. Mean percentage error (MPE) adalah persentase rata-rata kesalahan absolute

MPE =

 X t − Ft  Xt

∑ 

  × 100 

n n

MPE =

∑ PE i =1

n

d. Mean absolute percentage error (MAPE) adalah persentase rata-rata kesalahan absolut

MAPE =

 X t − Ft  Xt

∑ 

  × 100 

n

X t : data sebenarnya terjadi Ft : data ramalan dihitung dari model yang digunakan pada waktu atau tahun t n : banyak data hasil ramalan


BAB 2 TINJAUAN TEORI

Recommend Documents