BAB III KAJIAN PUSTAKA DAN KERANGKA PEMIKIRAN

BAB III KAJIAN PUSTAKA DAN KERANGKA PEMIKIRAN 3.1.

Kajian Teori

3.1.1. Definisi Peramalan (Forecasting) Ada beberapa definisi peramalan (forecasting) menurut para ahli: 1) Menurut Heizer dan Render (2011:136), mendefinisikan peramalan adalah seni dan ilmu untuk memprediksi kejadian di masa depan dengan melibatkan pengambilan data historis dan memproyeksikan ke masa mendatang dengan model pendekatan sistematis. 2) Willian J. Stevenson (2009:72) mendefinisikan peramalan sebagai input dasar sebagai proses pengambilan keputusan manajemen operasi dalam memberikan informasi tentang permintaan di masa mendatang dengan tujuan untuk menentukan berapa kapasitas atau persediaan yang akan dibutuhkan untuk memenuhi permintaan. 3) Makridakis et.al (2000:14) mendefinisikan peramalan sebagai pendekatan sistematis yang digunakan untuk menganalisis pola dari data historis permintaan untuk memproyeksikan permintaan dimasa mendatang sebagai dasar dalam membuat perencanaan perusahaan sebagai pertimbangan untuk beberapa keputusan yang terkait dengan kebutuhan kapasitas produksi, persediaan dan anggaran agar dapat memenuhi permintaan tersebut.

41 http://digilib.mercubuana.ac.id/

Dengan demikian peramalan (forecasting) dapat diartikan sebagai proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang dan jasa. 3.1.2. Manfaat Peramalan (Forecasting) Menurut Sri Hartini (2011:18) metode peramalan biasanya digunakan oleh bagian penjualan dalam melakukan perencanaan (sales planning) berdasarkan hasil ramalan penjualan, sehingga informasi peramalan dapat bermanfaat bagi Production Planning and Inventory Control (PPIC) sebagai dasar produksi. Dimana peramalan memegang peranan penting, antara lain: 1) Penjadwalan sumber-sumber yang ada. 2) Peramalan pada tingkat permintaan untuk produk, material, tenaga kerja, finansial, atau jasa adalah inp 3) ut penting untuk penjadwalan. 4) Peramalan dibutuhkan untuk menentukan kebutuhan sumber-sumber di masa yang akan datang. 5) Menentukan sumber-sumber yang diinginkan. 6) Semua organisasi atau perusahaan harus menentukan sumber apa mereka inginkan untuk dimiliki dalam jangka panjang 3.1.3. Cakupan Peramalan Menurut Baroto Teguh (2002) peramalan memerlukan berbagai kegiatan untuk mengenali dan memantau berbagai sumber permintaan akan produk dengan cakupan sasaran peramalan pada beberapa Departemen pada Tabel 3.1. 42 http://digilib.mercubuana.ac.id/

Tabel 3.1. Cakupan Peramalan Untuk Beberapa Departemen Segera

Jangka Pendek

Jangka Menengah

Jangka Panjang

Total penjualan, kategori produk, kelompok produk, harga

Total penjualan, kategori produk, kelompok produk, kondisi ekonomi secara umum, harga

Total penjualan, kategori produk, kelompok produk, harga, preferensi pelanggan, titik kematangan produk

Total permintaan dari kategori produk dan kelompok produk, biaya, tingkat tenaga kerja penjadwalan,

Biaya, alokasi anggaran, beli atau pesan peralatan dan pemesinan, tingkat tenaga kerja

Biaya, investasi fasilitas, teknologi baru, permintaan fasilitas produk yang baru, ekspansi pabrik dan peralatan

Permintaan untuk material, demand untuk barang setengah jadi, demand untuk barang jadi

Kemungkinan pemasok baru atau fasilitas transportasi

Total penjualan, ekspansi gedung

Marketing : Penjualan setiap jenis produk, penjualan oleh letak geografis, oleh kompetitor, harga Produksi :

Peramalan masing-masing produk, pembebanan pabrik

Inventory : Permintaan masing-masing produk, permintaan untuk material, kondisi cuaca, demand untuk barang setengah jadi

3.1.4. Peranan Teknik Peramalan Menurut Baroto Teguh (2002) peranan peramalan dalam perencanaan proses produksi sebagai berikut: 1. Business Planning Berisi rencana pendanaan, pembiayaan dan keuangan perusahaan sebagai dasar untuk membuat rencana pemasaran.


2. Marketing Planning Rencana tentang produk yang akan dibuat, penjualan dan pemasaran, sebagai dasar untuk membuat production planning. 3. Master Production Schdule (MPS) Rencana produk akhir yang harus dibuat pada tiap periode selama 1-5 tahun. Produk akhir, merupakan dekomposisi dari production planning. 4. Resource Planning Rencana kapasitas yang diperlukan untuk memenuhi production plan, dapat dinyatakan dalam jam-orang atau jam-mesin. Merupakan bahan pertimbanagn untuk ekspansi orang, mesin, pabrik, dan lain-lain, yang ditetapkan berdasarkan kapasitas yang tersedia. 5. Rought Cut Capacity Planning (RCPP) Rencana untuk menentukan kapasitas yang diperlukan untuk memenuhi MPS. Hasilnya berupa jenis orang / mesin yang diperlukan untuk tiap work centre pada setiap periode. Merupakan bahan pertimbangan untuk penambahan jam kerja atau sub kontrak. 6. Demand Management Aktivitas memprediksi kebutuhan di masa datang dikaitkan dengan kapasitas. Terdiri dari aktivitas forecasting, distribution requirement planning, order entry, shipment, dan service part requirement.


7. Material Requirement Planning (MRP) Menetapkan rencana kebutuhan material untuk melaksanakan MPS. Output MRP adalah purchasing dan PAC (Production Activity Control), dan MRP menghasilkan rencana pembelian meliputi jumlah due date, release date. 8. Capacity Requirement Planning (CRP) Rencana kebutuhan kapasitas yang dibutuhkan untuk merelealisasikan MPS di tiap periode dan tiap mesin. CRP lebih teliti dan lebih rinci dibanding RCCP, karena disarkan pada planned order. Jika kapasitas tidak tersedia bisa ditambah dengan over time, merubah routing dan lain-lain. Jika tidak tercapai MPS harus dirubah. 9. Production Activity Control (PAC) Sering disebut distributor shop floor control (SFC), aktivitas membuat produk setelah bahan dibeli. PAC terdiri dari aktivitas awal-akhir suatu job berdasarkan urutan kedatangan job, lalu membebankan job ke work station, dan melakukan pelaporan. Hasil laporan akan merupakan feedback bagi MPS. 10. Purchasing Merupakan aktivitas memilih vendor, membuat order pembelian, dan menjadwalkan vendor.

3.1.5. Beberapa Sifat Hasil Peramalan Menurut Baroto Teguh (2002) dalam membuat peramalan maka ada beberapa hal yang harus dipertimbangkan, yaitu:


1. Ramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahn, 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 peramalan jangka panjang. Hal ini disebabkan karena 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.

3.1.6. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan Menurut Makridakis et.al (2000:21), langkah penting dalam memilih suatu metode deret waktu yang tepat adalah dengan mempertimbangkan jenis pola datanya. Pola data dapat dibedakan menjadi empat, yaitu : 1)

Pola horisontal, terjadi bilamana data berfluktuasi di sekitar nilai rata-rata yang konstan atau stasioner terhadap nilai rata-ratanya.

2)

Pola musiman, terjadi bilamana suatu deret data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari pada minggu tertentu)


3)

Pola siklis, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis atau ekonomi.

4)

Pola trend, terjadi bilamana terdapat kenaikan atau penurunan jangka panjang dalam data.

Gambar 3.1. Jenis Pola Data Sumber: Makridakis et.al (2000:23) Menurut Rosnani (2007) langkah dalam melakukan peramalan: 1. Tentukan tujuan peramalan 2. Pembuatan diagram pencar 3. Pilih minimal dua metode peramalan yang dianggap sesuai 4. Hitung parameter-parameter fungsi peramalan. 5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki kesalahan terkecil 6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil. 7. Lakukan verifikasi peramalan. 47 http://digilib.mercubuana.ac.id/

3.1.7. Jenis Peramalan Menurut Andrea Fumi (2013) pendekatan model peramalan terdiri dari dua yaitu metode kualitatif dan kuantitatif. 1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung dengan orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif, pengetahuan, dan pengalaman. 2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut.

3.1.8. Peramalan dengan Metode Smoothing Menurut Makridakis (2000:77), analisis Time Series Forecasting Method sangat tepat dipakai untuk meramalkan permintaan yang pola permintaan masa lalunya cukup konsisten dan akurat dalam periode waktu yang lama. Adapun metode yang dapat digunakan untuk menganilisis data tersebut, yaitu: a) Single exponential smoothing Menurut Makridakis (2000:101), exponential smoothing adalah suatu metode peramalan rata-rata bergerak yang melakukan pembobotan menurun secara exponential. Metode single exponential smoothing merupakan perkembangan dari metode rata-rata bergerak. Di dalam metode single exponential smoothing nilai diganti


dengan α (alpha), sehingga secara matematis dapat dirumuskan sebagai berikut: ……………………………………….. (3.1)

Keterangan: = Nilai peramalan periode berikutnya, α

= Parameter dengan nilai 0 sampai 1, = Data aktual periode saat ini, = Nilai peramalan saat ini.

b) Double Exponential Smoothing (Pemulusan Eksponensial Ganda): Metode Linier Satu – Parameter Dari Brown Menurut

Makridakis (2000:111)

persamaan yang dipakai

dalam

implementasi pemulusan linier satu parameter Brown adalah sebagai berikut: =

, ............................................................

(3.2)

=

, ..........................................................

(3.3)

,..................................................

(3.4)

, ...................................................................

(3.5)

. .......................................................................

(3.6)

=

+(

=

( =

=2

Keterangan: = Nilai peramalan periode berikutnya, = Nilai single exponential smoothing,


= Nilai double exponential smoothing, α

= Parameter (konstanta) dengan nilai 0 sampai 1, = Data aktual periode saat ini, = Perbedaan antara nilai-nilai pemulusan eksponensial, = Faktor penyesuaian tambahan = Pengukuran slope suatu kurva. = Jumlah periode ke depan yang akan diramalkan.

c)

Double Exponential Smoothing (Pemulusan Eksponensial Ganda): Metode Dua – Parameter Dari Holt Menurut Makridakis (2000:115), menyatakan bahwa nilai tren pada metode ini tidak dimuluskan dengan pemulusan ganda secara langsung, tetapi menggunakan proses pemulusan tren dengan menggunakan parameter baru γ (gamma). Maka secara matematis, metode ini dirumuskan sebagai berikut: = =γ( =

(

+

), .........................................

(3.7)

, .............................................

(3.8)

. .......................................................................

(3.9)

+ (1 – γ)

Keterangan: = Nilai peramalan periode berikutnya, = Nilai exponential smoothing, α

= Parameter (konstanta) pemulusan dengan nilai 0 sampai 1,

γ

= Parameter (konstanta) pemulusan untuk estimasi tren dengan nilai 0 sampai 1,


= Data aktual periode saat ini, = Estimasi tren, = Jumlah period ke depan yang akan diramalkan. d) Single Moving Average (Rata-rata Bergerak Tunggal) Single Moving Average (SMA) merupakan suatu cara untuk mengubah pengaruh data masa lalu terhadap nilai tengah sebagai ramalan, dengan cara menentukan sejak awal berapa nilai observasi masa lalu yang akan digunakan untuk menghitung nilai tengah. Pengertian rata-rata bergerak digunakan untuk nilai ramalan di masa mendatang, hal yang harus diperhatikan ialah jumlah titik dalam setiap rata-rata ialah konstan dan observasi yang digunakan ialah yang paling akhir. Secara matematis, Single Moving Average (SMA) dirumuskan sebagai berikut (Makridakis et. al, 2000:91): = =

=

.......................... (3.10)

=

..................... (3.11)

Keterangan: = Peramalan permintaan periode berikutnya, = Permintaan actual periode T, T

= Jumlah periode dalam moving average.


e). Double Moving Average (Rata-rata Bergerak Ganda) Double Moving Average merupakan variasi dari prosedur rata-rata bergerak yang diinginkan untuk dapat mengatasi adanya trend yang lebih baik. Dasar metode ini ialah menghitung rata-rata bergerak yang kedua, sehingga disebut juga rata-rata bergerak dari rata-rata bergerak. Secara matematis, Double Moving Average (DMA) dirumuskan sebagai berikut (Makridakis et. al, 2000:95): , ................................. (3.12) , ............................... (3.13) +

)= (

, ......................................... (3.14)

),.......................................................... (3.15) . ............................................................. (3.16)

Keterangan: = Smoothing pertama pada periode t, = Nilai riil periode t, N

= Jumlah periode, = Smoothing kedua pada periode t, = Besarnya konstanta periode t, = Slope/nilai tren dari data yang sesuai, = Besarnya forecast, = Jangka waktu forecast.


3.1.9.Peramalan berdasarkan rangkaian waktu (Time Series) dengan berdarkan Trend Menurut Juliana (2016) peramalan berdasarkan rangkaian waktu (Time Series) dengan berdarkan trend terdiri dari 1. Trend Linear Untuk mengukur besarnya pengaruh variable bebas terhadap variable tergantung dan memprediksi variable tergantung dengan menggunakan variable bebas. Persamaan Matematisnya Y = a + bx ……………………………………(3.17) Keterangan: Y’ = nilai trend periode tertentu = nilai peramalan pada periode tertentu a = konstanta = nilai trend padaperiodedasar b = koefisien arah garis trend = perubahan trend setiap periode x = unit periode yang dihitung dari periode dasar. Untuk mencari nilai a, b dan x dapat dihitungan dengan persamaan:

b

 XY  NXY ………………………………………….......... (3.18)  X  nX 2

2

a= y- bx …………………………………………………………. (3.19) x

x n

…………..………………………………………….… (3.20)

Dimana Y t menunjukkan nilai taksiranY pada nilai t tertentu sedangkan untuk a adalah sama dengan a jika nilai t = 0 kemudian b adalah nilai slope, artinya besar kenaikan nilai Y, t pada setiap nilai t, dan nilai t adalah nilai menunjukkan periode-t.


2. Regresi Kuadratis Menurut Juliana (2016) kuadratis merupakan deret waktu dengan data berupa garis parabola, persamaan trend kuadratik adalah: Yt = a + bx+c(x)2………………………………………….. (3.21) Dengan persamaan normal, maka nilai a, b. dan c: ΣY = n a + cΣX2…………………………………..….…….. (3.22) ΣXY = bΣX2 ……………………………………………..….(3.23) ΣX2Y = aΣX2 + cΣX4 ………………………………………(3.24) Σ X = 0 …………………………………………………….. (3.25) Dimana untuk menghitung koefisien a,b,c dicari dengan rumus sebagai berikut:

a

b

c

( Y )( X 4 )  ( X 2Y )( X 2 ) n(  X 4 )  (  X 2 ) 2

 YX X

2

………………………… (3.26)

………………… ………………… …………………(3.27)

n( X 2Y )  ( X 2 )( Y ) n(  X 2 )  (  X 2 ) 2

.……………..…………………...(3.28)

Menurut Pengestu Subagyo, metode Naïve adalah metode peramalan yang sangat sederhana, ia hanya menggunakan data nilai aktual tahun lalu sebagai ramalah/perkiraan untuk tahun ini, dan begitu seterusnya. Peramalan tahun berikutnya hanya berupa (t+1) akan sama dengan data tahun ini. Persamaan dari Metode Naïve adalah: (Pengestu Subagyo, 2004: 28)

Ft = Yt-1 54 http://digilib.mercubuana.ac.id/

3.1.10. Kriteria Pemilihan Metode Peramalan Menurut Osabuohien (2014) kriteria peramalan yang terbaik antara lain: 1) MAD (Mean Absolut Deviation) Merupakan suatu ukuran perbedaan atau selisih antara ramalan dengan permintaan aktual, berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan rumus sebagai berikut: MAD = ∑│

│ .......................................................... (3.29)

Keterangan: = Permintaan aktual pada periode t, = Peramalan permintaan pada periode t, n = Jumlah periode peramalan. 2) MSE (Mean Square Error) Mean Square Error dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut: MSE = ∑

...................................................................

(3.30)

3) MFE (Mean Forecast Error) Mean Forecast Error sangat efektif untuk mengetahui suatu hasil peramalan selama periode tertentu. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol (0), MFE dihitung dengan menjumlahkan


semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE dirumuskan sebagai berikut: MFE =

..........................................................................

(3.31)

4) MAPE (Mean Absolut Percentage Error) MAPE dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode tertentu. Pendekatan ini berguna ketika ukuran atau besar variable ramalan itu penting dalam mengevaluasi ketepatan ramalan. Secara matematis, MAPE dirumuskan sebagai berikut: =

(

MAPE =

) x 100% .............................................................

(3.32)

.................................................................

(3.33)

Keterangan: = Percentage error periode t; n = Jumlah periode peramalan.


3.2. Penelitian Terdahulu Tabel 3.2. Penelitian Terdahulu No

1

2

3

4

5

Peneliti (Tahun)

Judul Penelitian terdahulu

Metode Peramalan

Philip Doganis et all (2006)

Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing

Autoregressive Integrated Moving Average (ARIMA)

Kesimpulannya metode time series cocok diterapkan dalam manufaktur khususnya manufaktur makanan seperti susu dan dengan adanya sales forecast maka mengurangi lost sale

Ahmad Jafari et all (2007)

A Comparison Between Time Series, Exponential Smoothing, and Neural Network Methods To Forecast GDP of Iran

Time Series Method, Exponential Smoothing, neural network methods

Dalam makalah ini time series, eksponensial smoothing, dan neural network metode yang dianggap cocok untuk meramalkan kuartalan produk domestik bruto Iran

Forecasting Cocoa Assis, Bean Prices Using Amran, Univariate Time Remali (2010) Series Models

Univariate time series models, Exponential Smoothing, ARIMA, GARCH

Manisha Gahirwal dan Inter Time Series Vijayalakshmi Sales Forecasting (2010)

Holt-Winter Method, ARIMA, Decomposition of Time Series

Hasil penelitian menunjukkan model GARCH, eksonensia dan ARIMA cocok untuk meramalkan biji kakao dan akurat serta dapat membantu untuk melakukan perencanaan strategis yang lebih baik dalam memaksimalkan pendapatan dan meminimalkan biaya

Pradip Kumar Bala (2010)

Purchase-driven Classification for Improved ARIMA Forecasting in Spare Parts Inventory Replenisment


Hasil yang Dicapai

Metode time series merupakan metode terbaik dalam penelitian

Permintaan peramalan lebih akurat dalam perhitungan persediaan spare part.

Tabel 3.2. Penelitian Terdahulu (Lanjutan) Peneliti (Tahun)


Sri Haryati (2010)

Sistem Forecasting Perencanaan Produksi pada PD. Adi Anugrah Eksponential “Food Industry” Smoothing Tanjungpinang dengan Metode Single Exponential Smoothing

James W. Taylor (2011)

Multi-item Sales Forecasting with Total and Split Exponential Smoothing

Cluster of Time Series dan exponential smoothing method

Untuk kesalahan peramalan maka parameter yang digunakan adalah nilai maksimum daripada minimum dari perkiraan akurasi

8

Neal Wagner, et all (2011)

Intelligent techniques for forecasting multiple time series in realworld systems

Multiple time series forecasting system

Dengan penggunaan a real word forecasting dapat memprediksi distribusi perusahaan makanan di Australia

9

Peramalan Volume Penjualan Calana Wahyuni Panjang di Boyolali Suryaningtyas dengan Menggunakan (2011) Model Variasi Kalender

metode Winter’s, dekomposisi, ARIMA, dan metode regresi ARIMA dalam melakukan peramalan time series

time series regression merupakan metode terbaik dalam meramalkan volume penjualan celana panjang di Boyolali.

Naive Method, Moving Averages, Weighted Moving Averages, Exponential Smoothing, Exponential Smoothing with Trend

Metode peramalan yang paling tepat untuk digunakan PT Primajaya Pantes Garmen adalah metode regresi linear dengan nilai MAD dan MSE terkecil, sehingga hasil peramalan dengan metode regresi linear dapat digunakan oleh perusahaan sebagai standar ukuran untuk periode berikutnya.

No

6

7

10

Inti Sariani Jianta Djie (2011)

Analisis Peramalan Penjualan Dan Penggunaan Metode Linear Programming Dan Decision Tree Guna Mengoptimalkan Keuntungan Pada Pt Primajaya Pantes Garment

Metode Peramalan


Hasil yang Dicapai Rancangan sistem peramalan diterapkan pada perusahaan sebagai sistem keputusan dalam manajemen perusahaan

Tabel 3.2. Penelitian Terdahulu (Lanjutan) No

11

12

13

14

Peneliti (Tahun)

Marco Hulsmann et all (2012)

Judul Penelitian terdahulu General Sales Forecast Models for Automobile Markets and their Analysis

Andrea Fumi et all (2013)

Fourier Analysis for Demand Forecasting in a Fashion Company

Christiane Baumeister, Lutz Kilian (2013)

Forecasting the Real Price of Oil in a Changing World: A Forecast Combination Approach

The use of analogies Paul Goodwin, in forecasting the et all (2013) annual sales of new electronics products

Metode Peramalan

Hasil yang Dicapai

Time series model

Dalam industri ponsel dan berdasarkan peramalan penjualan berdasarkan analisa time series, motode yang ococok digunakan adalah Least Square atau Quantile Regresseion untuk pasar German dan Amerika

Metode moving average and exponential smoothing

Keakuratan peramalan sangat sulit dicapai karena perusaahan besar bosa membeli software peramalan sedangkan industri kecil akan menggunakan pendekatan statistik sederhana. Fourier analisis telah digunakan untuk perubahan peramalan untuk permintaan listrik

VAR (TimeVarying Parameter) forecasting models

Salah satu tantangan yang dihadapi oleh produsen perkiraan harga minyak jangka pendek seperti EIA adalah bagaimana menghasilkan perkiraan real-time dari harga minyak yang lebih akurat dari perkiraan.

Bass model, MMAPEs

Analisis penelitian memiliki sejumlah keterbatasan karena menggunakan data sekunder dari penjualan tahunan produk, sehingga sukar membedakan antara adopsi dan penjualan. Serta data tidak berisi informasi strategi pemasarana dan peluncuran produk baru atau hambatan masuk atau kondisi peraturan



15

Peneliti (Tahun)


Metode Peramalan

Žana Grigaliūnienė (2013)

Time Series Models Forecasting Performance In The Baltic Stock Market

Seasonal random walk model (SRW), ARIMA, MAPE

Time series forecasting models: A comparative study of some Models with application to inflation data

Simple exponential Smoothing model, double exponential smoothing model, HoltWinter exponential smoothing model, ad-hoc Bootstraping methods, the Time series linear regression model and the self-Adjusting model

16

Osabuohien dan Irabor Osarumwense (2014)

17

Peramalan Jumlah Penumpang Pesawat Terbang di Pintu Juniar Kedatangan Bandar Iqbalullah dan Udara Internasional Wiwiek Setya Lombok dengan Winahju Metode ARIMA (2014) Box-Jenkins, ARIMAX, dan Regresi Time Series

Metode ARIMA Box-Jenkins


Hasil yang Dicapai Penelitian menggunakan 7 model time series berupa model 4 naïve (simple and seasonal random walk with and without drift) and 3 model ARIMA family (Foster’s, BrownRozeffs, Griffin-Watss) dan peramalan saham yang cocok untuk 40 perusahaan Baltic adalah denga menggunakan seasonal random walk

Hasil penelitian menunjukkan bahwa metode double exponential Smoothing (DES) adalag model peramalan terbaik untuk meramalkan 12 Bulan inflasi makanan Nigeria. Selain itu model Holt-winter juga cocok digunakan sebagai alternatif untuk peramalan inflasi di Nigeria

Model terbaik untuk meramalkan jumlah penumpang pesawat terbang domestik dengan metode ARIMA Box-Jenkins adalah ARIMA


Peneliti (Tahun)

Judul Penelitian Terdahulu

Metode Peramalan

18

Analisis Peramalan Penjualan Semen Feby Non-Curah (Zak) PT Artwodini et all Semen Indonesia (2015) (Persero) Tbk Pada Area Jawa Timur

19

Perbandingan Keakuratan Metode Riza Autoregressive Rahmadayanti, Integrated Moving ARIMA, Boko Susilo, Average (Arima) Dan Exponential Diyah Exponential Smoothing Puspitaningrum Smoothing Pada (2015) Peramalan Penjualan Semen Di PT. Sinar Abadi

20

S. Cankurt dan A. Subasi (2015)

Developing tourism demand forecasting models using machine learning techniques with trend, seasonal, and cyclic components

Metode Trend Least Square

Metode Time Series


Hasil yang Dicapai Metode peramalan yang cocok untuk penjualan PT Semen Indonesia (Persero), Tbk adalah metode analisis tren LeastSquare.Hal ini menunjukkan bahwa metode peramalan least-square mempunyai nilai akurasi lebih tinggi untuk melakukan peramalan penjualan PT Semen Indonesia (Persero), Tbk pada area penjualan JawaTimur.

Metode ARIMA merupakan metode yang lebih baik untuk digunakan dalam meramalkan penjualan semen untuk periode mendatang di PT. Sinar Abadi

Permalanan Permintaan turis di Turkey dapat diramalkan dengan menggunakan model peramalan time series berupa siklis, seasonal dan pola trend.


Peneliti (Tahun)


Metode Peramalan

Hasil yang Dicapai

21

Analisis Peramalan Mia Savira, Penjualan Obat Nadya N.K. Generik Berlogo Moeliono, (OGB) Pada PT. S.SOS, (2015) Indonesia Farma

Pendekatan Naif, moving average, exponential smoothing dan trend projection

Diketahui metode peramalan time series terbaik untuk meramalkan penjualan OGB di PT.Indofarma pada periode berikutnya, terhitung dari bulan Juli 2014 sampai dengan Juli 2015 adalah metode tren musiman.

22

Predicting Crude Oil Umeozokwere Sales in NNPC Anthony dkk Mega Station Awka, (2016) Anambra State, Nigeria

Double Exponential Smoothing forecast (DEF), Winter Modeling

Hasil penelitian menunjukkan bahwa peramalana penjualan Crude Oil di Nigeria cocok menggunakan model Double Exponential Smoothing forecast (DEF), Winter Modeling.

23

Puji Rahayu, Rohmah Nur Istiqomah, Eminugroho Ratna Sari (2016)

Efektivitas Metode Box-Jenkins Dan Exponential Smoothing Untuk Meramalkan Retribusi Pengujian Kendaraan Bermotor Dishub Klaten

Metode Exponential Smoothing dan metode Autoregressive Moving Average (ARIMA).

Metode Box-Jenkins lebih baik dalam meramalkan data retribusi pengujian kendaraan bermotor DISHUB Klaten


3.3. Kerangka Pemikiran Adapun kerangka pemikiran untuk pemecahan masalah ketidaktepatan peramalan sebagai dasar produksi dalam penelitian dapat ditunjukkan dalam Gambar 3.2. sebagai gambaran untuk menjawab permasalahan penelitian

Gambar 3.2.Kerangka Pemikiran Sumber: Data yang diolah (2015)


BAB III KAJIAN PUSTAKA DAN KERANGKA PEMIKIRAN

Recommend Documents