BAB II TINJAUAN PUSTAKA
2.2 Peramalan
2.2.1 Pengertian Peramalan
Peramalan adalah upaya memperkirakan nila-nilai respon yang menjadi
perhatian dimasa depan.(Sugiarto dan Harijono, 2000)
Kegunaan peramalan untuk memprediksi masa depan berdasarkan data yang
dimiliki. (Baroroh, 2008).
Analisis terhadap masa lampau penting karena hal ini akan memberikan
kesempatan pada pengusaha untuk membuat ramalan yang lebih akurat untuk
aktivitas yang akan datang. Disamping itu juga akan meningkatkan keefektipan dari
grup data yang berbeda atau data yang sama dari periode yang berbeda. Hasil dari
analisa runut waktu bahkan meningkatkan efisiensi dalam mengambil keputusan.
(Kustituanto, 1998).
2.2.3 Jenis-jenis Peramalan
Secara garis besarnya peramalan dibedakan menjadi peramalan kualitatif dan
peramalan kuantitatif.
1. Peramalan kualitatif, yaitu peramalan yang didasarkan pada pengamatan
kejadian-kejadian dimasa sebelumnya yang digabungkan dengan instuisi maupun
ketajaman perasaan si peramal dalam menghasilkan suatu informasi yang
diperkirakan bakal terjadi di masa yang datang. Data historis yang ada menjadi
tidak begitu penting dalam teknik ini. Pada umumnya hasil peramalan kualitatif
juga berbentuk informasi kualitatif walaupun tidak selalu demikian. Peramalan
kualitatif terdiri dari dua yaitu metode eksplanatoris dan metode normatif.
2. Peramalan kuantitatif, yaitu peramalan yang menggunakan data kuantitatif yang
informasi kuantitaif maupun kualitatif. Teknik peramalan kuantitatif sangat
mengandalkan pada data historis yang dimiliki. Hasil peramalan kuantitatif
secara relatif lebih disukai karena memberikan pandangan yang lebih nyata dan
lebih objektif dalam besaran nilai hasil peramalannya. (Sugiarto dan Harijono,
2000)
Peramalan kuantitatif ini dipergunakan bila kondisi berikut dipenuhi :
a. Adanya informasi tentang masa lalu
b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
c. Informasi tersebut dapat diasumsikan bahwa pola masa lalu akan terus
bersambung sampai ke masa depan dan kondisi ini disebut asumsi yang konstan
(assumption of constancy).
Teknik kuantitatif ini biasanya dikelompokan menjadi dua yakni metode
Instuisi (Intuitive method) dan metode kuantitatif formal yang didasarkan pada
prinsip statistik. Metode instuisi menggunakan horisontal, musiman atau penyelidikan
trend yang didasarkan pada pengalaman empiris yang sangat luas. Metode kuantitatif
formal ini dapat dikelompokan ke dalam dua jenis peramalan yaitu : regresi (causal)
models dan time series. (Manurung, 1990)
1. Regresi (causal) models
Model regresi mempunyai asumsi bahwa dalam meramalkan masa datang
dengan menggunakan variabel lain yang mempunyai hubungan penyebab dengan
dependen sedangkan variabel yang lain disebut variabel independen. Yang termasuk
dalam teknik ini adalah teknik regresi sederhana, regresi berganda dan model input
output. (Manurung, 1990)
2. Time Series
Time series adalah peramalan di masa datang didasarkan pada nilai sebuah
variabel masa lalu atau kesalahan yang dilakukan sebelumnya. (Manurung, 1990)
Time series (data berkala) juga dapat diartikan sebagai kumpulan data statistik
yang merupakan hasil pengamatan setiap interval waktu tertentu. (Santoso, 2003)
Tujuan time series adalah meneliti pola data yang digunakan untuk
memprakirakan dan melakukan ekstrapolasi (perhitungan / pemrakiraan) di masa
yang akan datang. Tahapan yang penting dalam pemilihan metode time series yang
tepat yaitu membuat asumsi terhadap jenis bentuk data dan metode yang paling tepat
tersebut diuji terhadap data tersebut.
a. Bentuk data
1. Bentuk data horisontal / stasioner / ireguler
Gerakan ireguler disebabkan oleh faktor-faktor kebetulan atau faktor yang tidak
terduga sebelumnya. Gerakan ireguler ini biasanya muncul dalam jangka pendek
dan mengakibatkan terjadinya variasi dalam deret berkala.
Gambar 2.1 Data horisontal
2. Bentuk data musiman / Seasonal
Bentuk data musiman terjadi bila seriesnya dipengaruhi oleh faktor musiman
Gambar 2.2 Data Musiman
3. Bentuk data siklis
Pada prinsipnya gerakan siklis adalah gerakan disekitar garis trend, apakah
gerakan tersebut naik atau turun. Gerakan ini berlangsung lebih pendek dari trend
bisa teratur dengan pola tertentu atau tanpa pola.
Gambar 2.3 Bentuk Data Siklis
Trend atau bisa juga disebut trend sekuler adalah kecenderungan data untuk
jangka panjang, apakah meningkat, tetap atau menurun.
Gambar 2.4 Bentuk Data Trend
b. Metode-metode Time Series
Metode pemrakiraan dengan model time series dapat dijadikan dasar untuk
memprakirakan kejadian masa mendatang melalui serangkaian data historis.
Metode time series yang sering dipergunakan yaitu Metode Penghalusan
(Smoothing Method) dan Metode Dekomposisi (Decomposition Method).
(Manurung, 1990)
1. Metode Penghalusan (Smoothing Method)
Metode smoothing (metode pelicinan) merupakan teknik meramal dengan cara
mengambil rata-rata dari nilai beberapa periode yang lalu untuk menaksir nilai
pada periode yang akan datang. Yang termasuk dalam teknik ini adalah metode
Metode rata-rata bergerak (Moving Averages) adalah upaya untuk
memuluskan data sebuah time series sehingga faktor siklis, musiman dan random bisa
dihilangkan atau diminimalisasi dampaknya sehingga akhirnya didapat sebuah trend
data. Adanya faktor siklis dan musiman membuat data sebuah time series berfluktuasi
atau jika ditampilkan dalam sebuah grafik data akan tampak bergelombang. Dengan
melakukan rata-rata bergerak maka diharapkan data hasil moving averege tersebut
menjadi lebih smooth sehingga fluktuasi data akan bisa dikurangi. Pada prinsipnya
moving averege adalah menghitung rata-rata data untuk n periode yang saling
sambung-menyambung antar data time series. (Santoso, 2003)
Keterangan :
n = jumlah perioda
dt = demand pada bulan ke t
• Exponential Smothing berusaha untuk memperbaiki suatu prakiraan berdasarkan pengalaman-pengalaman baru secara terus menerus.
(Setiadi, 2003). Metode exponential smoothing merupakan pengembangan
dari metode moving averege. Metode pemulusan eksponensial terkadang lebih
efisien dibandingkan dengan moving averege dalam kaitannya dengan
kemampuannya untuk mengitung sebuah nilai pemulusan untuk setiap
n
d
MA
n 1 t t n∑
==
pengukuran respon. Dua metode dalam exponential smoothing diantaranya
single exponential smoothing dan double exponential smoothing. Single
exponensial bobot yang diberikan pada data yang ada adalah sebesar α untuk data terbaru , α(1- α) untuk data yang lama, α(1- α)2
untuk data yang lebih
lama dan seterusnya. Besarnya α adalah antara 0-1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis forcast adalah :
Keterangan:
Ft+1 = Ramalan untuk periode berikutnya
Dt = Demand aktual pada periode t
Ft = Peramalan yg ditentukan sebelumnya untuk periode t
a = Faktor bobot
Pada metode Single exponensial smoothing proses penentuan ramalan dimulai
dengan menentukan besarnya alpha secara trial dan error sampai ditemukan α
yang menghasilkan forecast error terkecil. (Gitosudarmo dan Najmudin, 2001)
t t
t
D F
Didalam metode Double Exponential Smoothing dilakukan proses smoothing
(pemulusan) dua kali. Untuk mempermudah perhitungan, ikutilah
tahapan-tahapan berikut ini :
1. Carilah besarnya nilai smoothing yang pertama, yaitu dengan rumus
S’t= aXt+(1-a) S’t−1
2. Carilah besarnya nilai smoothing yang kedua, dengan memperhatikan
besarnya nilai smoothing pertama yaitu dengan rumus
S” t= aS’t+(1-a) S’’t−1
3. Carilah besarnya nilai atdengan menggunakan rumus
at = 2S’t+ S” t
4. Carilah besarnya nilai bt dengan menggunakan rumus
bt = α α
−
1 (S’t-S’’t)
5. Lakukanlah perhitungan forecastnya dengan memasukkan besarnya nilai at
dan bt sehingga diperoleh
Ft+m = at+ bt (m)
Besarnya α antara 0 sampai dengan 1 dicari dengan trial dan error.
(Setiadi, 2003)
2. Dekomposisi
Tujuan analisis dekomposisi adalah mengekstrak komponen deret waktu menjadi
sub-sub pola, bukan pola dasar. Keuntungan melakukan dekomposisi ini antara
lain adalah adanya ramalan jangka panjang (trend) dan ramalan jangka pendek
(musim). (Sugiarto dan Harijono,2000)
Metode ini digunakan dengan terlebih dahulu membagi atau melakukan
pemecahan kedalam 4 pola, yaitu : Trend (T), Fluktuasi Musim (M), Fluktuasi
Siklis (S) dan perubahan yang bersifat Random (R). Masing-masing pola tersebut
diketahui nilainya dulu, kemudian bersama-sama menentukan besarnya forcast
atau proyeksi dimasa yang akan datang. Secara matematis proyeksi (X) pada
waktu yang akan datang adalah (Gitosudarmo dan Najmudin, 2001).
Persamaan pendekatan dekomposisi :
X = T x M x S x R
Dimana :
R = nilai deret berkala pada periode
T = komponen Trend pada periode
S = komponen siklus pada periode
Et = komponen kesalahan
a. Trend adalah rata-rata perubahan dalam jangka panjang. Trend menggambarkan
perilaku data dalam jangka panjang yang dapat meningkat, menurun atau
konstan. Bila data yang ada menunjukan kenaikan maka trend tersebut
menunjukan trend positif, bila menunjukan penurunan maka trend tersebut
menunjukan trend negatif. Ada beberapa metode yang bisa digunakan untuk
menentukan trend yaitu trend linier, trend parabolik, dan trend exponential.
1. Trend Linier
Yang dimaksud dengan trend linier adalah merupakan model persamaan garis
lurus yang berbentuk berdasarkan titik-titik diagram pencar dari data selama
kurun waktu tertentu. Model trend biasa digunakan untuk memprediksi suatu
persoalan (membuat ramalan jangka panjang), adapun bentuk umum dari model
trend linier ini dinyatakan dengan persamaan Yt = a + bx
Yt = Nilai trend untuk setiap unit x
x = Unit waktu tertentu
a = intercept ( nilai trend Yt pada saat x = 0)
(Supangat, 2008)
2. Trend Parabolik
Trend parabolik adalah trend yang nilai variabel tak bebasnya naik atau turun
tidak secara linier atau terjadi secara parabola bila datanya dibuat scatter
diagramnya. (Manurung, 1990). Persamaan parabolik tersebut secara berikut :
Y = a + bX + cX2 1. ∑Y = n.a + c∑X2 2. ∑XY = b∑X2 3. ∑X2 Y = a∑X2 + c∑X4
Untuk mencari nilai a dan c menggunakan persamaan (1) dan (3), sedangkan
nilai b menggunakan persamaan (2).
b. Variasi Musiman
Variasi atau gelombang musim merupakan variasi pasang surut yang terulang
adalah metode rata-rata sederhana, metode persentase terhadap trend dan metode
persentase terhadap rata-rata bergerak.
c. Variasi Siklis
Variasi siklis merupakan perubahan sesuatu hal yang berulang kembali lebih dari
satu tahun. Variasi siklis dinyatakan dalam bentuk indeks siklis .
d. Variasi Random
Variasi random merupakan perubahan suatu hal yang dapat terjadi secara
tiba-tiba dan sukar diperkirakan. (Gitosudarmo dan Najmudin, 2001)
2.2.4 Pemilihan Teknik Peramlan
Pemilihan teknik peramalan yang akan digunakan dipengaruhi oleh 4 aspek,
yaitu pola atau karakteristik data, jangka waktu, biaya dan tingkat akurasi yang
diinginkan.
Pola atau karakteristik data merupakan aspek utama yang sangat berpengaruh
terhadap pemilihan teknik peramalan. Suatu data yang memiliki pola trend (naik
turun) akan lebih tepat bila di-forecast dengan teknik dekomposisi. Sedangkan data
yang memiliki pola fluktuatif akan lebih tepat bila di-forecast dengan teknik
smoothing.