BAB 2
TINJAUAN TEORITIS
2.1 Pengertian dan Manfaat Peramalan
Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang disebut peramalan (forecasting). Sedangkan ramalan adalah suatu kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Waktu tenggang (lead time) merupakan suatu alasan untuk perencanaan (planning) dan peramalan (forecast). Bila waktu tenggang ini besarnya nol atau sangat kecil, maka tidak dibutuhkan peramalan. Bila waktu tenggang tersebut panjang dan hasil yang diperoleh membutuhkan faktor-faktor yang menyatakan bahwa perencanaan dapat dibentuk memiliki peranan penting, maka peramalan terjadi atau dibutuhkan sehingga tindakan yang tepat dapat dilakukan.
Penggunaan metode peramalan adalah untuk mengidentifikasi suatu model peramalan sedemikian rupa sehingga kesalahannya menjadi seminimal mungkin. Pada dasarnya, teknik peramalan dapat diterapkan dalam setiap kegiatan bisnis yang diorientasikan pada waktu yang akan datang, baik pada bidang sumber daya manusia, operasional (produksi), pemasaran, keuangan maupun kegiatan perekonomian secara besar.
Universitas Sumatera Utara
2.2 Jenis-jenis Peramalan
Jenis-jenis peramalan dapat dibedakan berdasarkan jangka waktu, ruang lingkup, dan metode yang digunakan. Berdasarkan jangka waktu, peramalan dibedakan menjadi peramalan jangka panjang dan jangka pendek. Peramalan jangka panjang biasanya dilakukan oleh para pimpinan puncak suatu perusahaan dan bersifat umum. Peramalan jangka pendek biasanya dilakukan pimpinan pada tingkat menengah maupun bawah dan lebih bersifat operasional.
Berdasarkan ruang lingkupnya, peramalan dibedakan menjadi peramalan mikro dan peramalan makro. Contohnya adalah peramalan kondisi perekonomian dalam lima tahun yang akan datang (sebagai makro) dan peramalan kondisi perusahaan dalam lima tahun yang akan datang (sebagai mikro).
Berdasarkan metode peramalan yang digunakan, peramalan dibedakan menjadi metode kualitatif dan kuantitatif. Metode kualitatif lebih didasarkan pada intuisi dan penilaian orang yang melakukan peramalan daripada pemanipulasian data historis yang tersedia. Ini dilakukan karena tidak ada atau tidak cukup tersedia data historis. Teknik-teknik pada metode kualitatif terdiri atas penulisan skenario, penelitian pasar, dan lain-lain. Metode Kuantitatif didasarkan pada pemanipulasian atas data yang tersedia secara memadai dan tanpa intuisi maupun penilaian dari orang yang melakukan peramalan. Menurut Makridakis, Wheelwright, dan Mcgee (1983, h. 8-9), peramalan kuantitatif dapat diterapkan bila tiga kondisi berikut terpenuhi, yaitu:
-
Tersedia informasi tentang masa lalu,
-
Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik (angka),
Universitas Sumatera Utara
-
Beberapa aspek dari pola di waktu yang lalu akan berlanjut ke waktu yang akan datang (disebut asumsi kontinuitas).
2.3 Langkah-langkah Peramalan
Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkahlangkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah peramalan yang penting, yaitu:
1. Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa yang lalu. Analisa ini dilakukan dengan cara membuat tabulasi dari data yang lalu. Dengan tabulasi data, maka dapat diketahui pola dari data tersebut.
2. Menentukan metode yang digunakan. Metode peramalan yang baik adalah metode yang menghasilkan penyimpangan antara hasil peramalan dengan nilai kenyataan yang sekecil mungkin.
3. Meramalkan data yang akan datang dengan menggunakan metode yang telah ditentukan.
2.4 Penentuan Koefisien Autokorelasi
Autokorelasi adalah hubungan yang terjadi diantara anggota-anggota dari serangkaian pengamatan yang tersusun dalam rangkaian waktu (seperti pada data runtut waktu
Universitas Sumatera Utara
atau time series). Koefisien autokorelasi dapat dipergunakan untuk menentukan apakah suatu himpunan data mengandung pola yang bersifat acakan (random), stasioner, nonstasioner, musiman, ataupun siklis. Secara sistematis untuk menghitung koefisien autokorelasi dapat menggunakan rumus sebagai berikut:
nk
rk =
X t 1
t
X X t k X
X n
t 1
X
2
t
dengan: rk
= koefisien autokorelasi
Xt
= data aktual pada periode ke t
X
= nilai tengah dari data aktual
X t k = data aktual pada periode ke t dengan keterlambatan (time lags) k
Rumus sederhana yang biasa digunakan untuk menghitung kesalahan standar adalah: serk =
1 N
dengan: N
= banyak data asli
serk = kesalahan standar dari r k
Batas signifikansi koefisien autokorelasi adalah:
-1,96 ( serk ) ≤ rk ≤ +1,96 ( serk )
Universitas Sumatera Utara
2.5 Metodologi Penelitian
Pemulusan eksponensial ganda: metode linier satu parameter dari Brown digunakan untuk data runtut waktu yang memiliki komponen trend yang linier. Pada teknik ini, jika parameternya (α) tidak mendekati nol, pengaruh proses awalnya secara cepat menjadi kurang berarti begitu waktu berlalu. Jika parameternya mendekati nol, proses awalnya dapat berperan penting untuk beberapa periode.
Teknik ini dapat digunakan untuk memodel trend runtut waktu dan cara perhitungannya lebih efektif bila dibandingkan dengan rata-rata bergerak ganda serta membutuhkan lebih sedikit data karena hanya satu parameter yang digunakan. Selain itu, pencarian nilai parameter yang optimal tergolong sederhana.
Tahap-tahap dalam menentukan ramalan adalah sebagai berikut: a. Menentukan pemulusan pertama ( S't ) S't
= α Xt + ( 1- α ) S't -1
b. Menentukan pemulusan kedua ( S''t ) S''t
= α S't + ( 1- α ) S''t -1
c. Menentukan besarnya konstanta ( at ) at
= S't + ( S't – S''t ) = 2 S't - S''t
d. Menentukan besarnya slope / nilai trend dari data yang sesuai ( bt ) bt
=
( S't – S''t ) 1
e. Menentukan besarnya peramalan ( Ft+m ) Ft m = at bt .m
Universitas Sumatera Utara
dengan: m = jumlah periode di depan yang diramalkan, α = parameter pemulusan eksponensial
2.6 Ketepatan Metode Peramalan
Kata “ketepatan” dapat diartikan sebagai penunjukan seberapa jauh model peramalan tersebut mampu mereproduksi data yang telah diketahui. Dalam pemodelan deretberkala, sebagian data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya sehingga memungkinkan
orang untuk mempelajari ketepatan ramalan
secara lebih langsung.
Ukuran yang digunakan untuk menguji ketepatan metode peramalan adalah nilai tengah kesalahan kuadrat (Mean Squared Error), dengan pedoman bahwa semakin kecil MSE, berarti model itu semakin tepat digunakan. MSE dapat dicari dengan rumus sebagai berikut:
n
MSE =
e i 1
2
i
n
dengan: et = Xt – Ft ( kesalahan pada periode ke t ) Xt = data aktual pada periode ke t Ft = nilai ramalan pada periode ke t n = banyaknya periode waktu yang dianalisa
Universitas Sumatera Utara