TINJAUAN PUSTAKA
2.3 Konsep Peramalan
2.3.3 Metode Peramalan
Berdasarkan Mulyono (2000:91) metode kuantitaif yang digunakan dalam perkiraan, pada dasarnya dapat dikelompokkan dalam 2 jenis, yaitu metode time series dan metode kausal (regresi).
1) Metode time series
Metode peramalan time series didasarkan atas penggunaan analisa pola hubungan variabel yang akan diperkirakan dengan variabel waktu yang merupakan data deret waktu (time series). Tujuan metode time series ialah menemukan pola dalam data deret waktu dan mengekstrapolasikan data tersebut ke masa depan. Metode-metode yang digunakan dalam peramalan times series
terdiri dari beberapa metode yaitu : a. Metode Naïve
Menurut Firdaus (2006:4) metode ini didasarkan pada asumsi bahwa periode saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan metode sederhana karena perhitungan peramalannya dengan menggunakan data yang lewat (pass data) yang dijadikan sebagai peramalan waktu mendatang. Metode naïve cocok pada pola data stasioner.
b. Metode rata-rata bergerak sederhana (moving average)
Metode ini menetapkan bahwa ramalan periode mendatang merupakan nilai rataan dengan menggunakan nilai dari periode yang terlama dan memasukkan
14 nilai dari periode terbaru dari sekelompok data yang terlama dan memasukkan nilai periode terbaru dari sekelompok data yang jumlahnya konstan. Prosedur
moving average yang berarti jika observasi baru telah tersedia, rata-rata yang baru dapat dihitung dengan menghilangkan data yang tertua dan menggantinya dengan yang terbaru.
Metode rata-rata bergerak sederhana cocok untuk pola data stasioner dan berusaha menghilangkan data musiman dan trend. Jika moving average
digunakan, pemilihan n perlu memperhatikan periode data. Nilai n yang optimal dapat dicari dengan trial and error (coba-coba). Hal ini dimaksudkan untuk menghindari nilai penyimpangan yang besar dari fluktuasi data yang telah memberikan pengaruh terhadap ramalan yang dihasilkan. Jika periode data bulanan, paling tidak digunakan n=12. Jika n makin besar pengaruh penghalusan makin terasa (Firdaus, 2006:128).
c. Metode Pelicinan Eksponensial Tunggal (Single Eksponensial Smoothing) Metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan kecendrungan data yang dimiliki komponen trend dan pola musiman. Hal ini dikarenakan jika diterapkan pada serial data yang memiliki trend yang konstan, ramalan yang akan dibuat akan selalu berada di belakang trend. Selain itu, metode eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding periode sebelumnya.
15 Metode ini menggunakan α sebagai koefisien pelicinan. Handoko (2008:280) menyatakan nilai-nilai α rendah akan menyebabkan jarak yang lebih lebar dengan
trend, karena hal itu memberikan bobot yang lebih kecil pada permintaan sekarang. Nilai α yang rendah cocok digunakan bila data bersifat stabil. Nilai-nilai
α yang lebih tinggi berguna dimana perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih responsive terhadap fluktuasi permintaan. Mencari nilai α yang tepat umumnya dapat ditentukan dengan pengujian trial and error
(coba-coba) terhadap α yang berbeda-beda untuk menemukan nilai α yang akan menghasilkan nilai kesalahan terkecil.
d. Metode Pelicinan Eksponensial Ganda (Double Eksponensial Smoothing) Metode Double Eksponensial Smoothing memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Berkaitan dengan hal tersebut, penerapan metode double eksponensial smoothing ini cukup baik untuk deret data yang memiliki unsur trend. Metode double eksponensial smoothing memproses time series yakni dengan mengekstrapolasikan data atas dasar trend terkahir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke suatu arah yakni sesuai dengan trend terkahir.
e. Metode Perhitungan Indeks Musiman
Perhitungan indeks musiman dalam Handoko (2008:278) dapat dihitung dengan mencari nilai rata-rata berbagai rasio kuartal nyata terhadap nilai garis
trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang hanya memasukan komponen trend dan musiman tanpa memperhatikan pengaruh silikal. Rangkuti (2007:13) menyatakan indeks musiman perlu
16 dilakukan untuk mengetahui secara jelas apakah data time series yang dimiliki mengandung unsur musiman atau tidak.
f. Metode Dekomposisi
Salah satu pendekatan dalam analisis data runtut waktu adalah berusaha untuk mengidentifikasi faktor-faktor komponen yang mempengaruhi nilai-nilai periodik dalam satu serial. Proses identifikasi ini disebut dekomposisi. Setiap komponen diidentifikasi sehingga data runtut waktu dapat diproyesikan ke masa yang akan datang dan dapat digunakan untuk peramalan jangka pendek maupun jangka panjang (Arsyad, 1994:207).
Subagyo (1994:31) mengatakan bahwa metode dekomposisi adalah salah satu metode peramalan yang didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi akan berulang atau terjadi kembali dengan pola yang sama, artinya yang dulu selalu naik pada waktu yang akan datang biasanya akan naik, yang biasanya berkurang akan berkurang juga, yang biasanya berfluktuatif akan berfluktuatif juga dan yang biasanya tidak teratur maka akan tidak teratur juga. g. Metode Winter’s
Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman . Metode exponentian smoothing yang telah dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau non – stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat musiman, metode ini dijadikan cara untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut
17 dengan baik. Meskipun demikian, metode ini dapat menangani faktor musiman secara langsung (Makridakis, 1999:40).
h. Metode Box Jenkis (ARIMA)
Metode peramalan Box-Jenkis merupakan suatu prosedur iterative memilih model terbaik untuk series yang stasioner dari suatu kelompok model time series linier (Mulyono, 2000:147). ARIMA merupakan singkatan dari autoegressive integrated moving average. Metode ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari variabel dependen. Metode ARIMA adalah metode yang tepat untuk mengatasi terlalu rumitnya data deret waktu (terdapat variasi dari pola data) dan situasi peramalan lainnya.
Firdaus (2006:19), prosedur ARIMA terdiri dari beberapa tahapan yaitu identifikasi, estimasi, evaluasi model dan peramalan. Penjelasan dengan tahap tersebut adalah sebagai berikut :
1. Indentifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu terhadap pola data; apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau perilaku ACF dan PACF.
2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi awal untuk parameter-parameter dari model tentatif, untuk menghitung estimasi awal biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi untuk masing-masing parameter.
18 3. Evaluasi mode. Setelah diperoleh persamaan untuk model tentatif, dilakukan pengujian kedekatan model dengan data. Uji ini dilakukan dengan menguji nilai residual, signifikasi dan hubungan-hubungan antara parameter. Nilai residual merupakan nilai yang diperoleh dari selisih antara nilai skyual dengan nilai ramalan. Jika terdapat hasil uji yang tidak diterima atau tidak memenuhi syarat, maka model harus diperbaiki dan langkah-langkah sebelumnya diulang kembali. Uji diagnostik untuk evaluasi model terdapat 6 kriteria, yaitu residual peramalan bersifat acak, model parsimonius
(sederhana), parameter yang diperoleh berbeda nyata dengan nol, proses iterasi harus convergence dan memiliki nilai MSE terkecil.
2) Metode Kausal (Regresi)
Metode peramalan kausal didasarkan atas penggunaan analisa pola hubungan antara variabel yang diperkirakan (dependen) dengan variabel lain yang mempengaruhinya (independen), yang bukan waktu yang disebut metode korelasi atau sebab akibat (causal method). Metode ini sering disebut metode regresi. Metode regresi adalah suatu penyederhanaan pola hubungan suatu variabel dengan suatu variabel lain (Mulyono, 2000:53). Kriteria yang digunakan untuk menunjukkan keakuratannya yaitu nilai R-Square (Rangkuti, 2007:19). Semakin besar nilai R-Square berarti model semakin akurat dalam meramalkan. Untuk pengujian regresi dilakukan dengan membandingkan nilai ρ dengan tingkat α yang akan digunakan. Nilai α yang digunakan 0,05 dengan derajat kepercayaan 95 persen. Jika ρ lebih kecil dari α maka variabel tersebut signifikan (Muhidin dan
19 Abdurrahman, 2007:198). Hal tersebut menunjukkan bahwa variabel tersebut berpengaruh nyata terhadap variabel dependen.
2.4 Persediaan
Chopra dan Meindl dalam Elawati (2010:14) menyatakan persediaan merupakan seluruh bahan baku, bahan setengah jadi, dan barang jadi yang terdapat dalam suatu penyediaan. Berbeda dengan Shore dalam Zulfikarijah (2005:4) mendefinisikan bahwa persediaan sebagai sumberdaya menganggur yang memiliki nilai potensial, definisi tersebut memasukan perlengkapan dan tenaga kerja yang menganggur sebagai persediaan.