TINJAUAN PUSTAKA
2.3. Pengertian Peramalan
2.3.2. Teknik Peramalan
Tabel 1. Pemilihan Metode Peramalan
Metode Pola Data Jangka Waktu Model
Sederhana ST,T,M PDK RW
Rata-Rata bergerak sederhana ST PDK RW
Pemulusan eksponensial ST PDK RW
Regresi sederhana T MNH K
Regresi berganda M,S MNH K
Dekomposisi klasik M PDK RW
Model trend eksponensial T MNH,PJG RW
Box-jenkins ST,T,S,M PDK RW
Model ekonometri S PDK K
Regresi berganda runtut waktu T,M MNH,PJG K Sumber : Arsyad (1994 :56)
Keterangan :
- Pola Data : ST = stasioner ; T = trend ; M = musiman ; S = siklis - Jangka Waktu : PDK = pendek ; MNH = menengah ; PJG = panjang - Model : RW = runtut waktu (time series) ; K= kausal
- L = panjang musiman
2.3.2. Teknik Peramalan
Ada dua metode atau teknik yang dapat digunakan dalam peramalan yaitu teknik peramalan kualitatif dan teknik peramalan kuantitatif. Peramalan kualitatif adalah peramalan yang lebih mengandalkan judgement dan intuisi manusia daripada penggunaan data historis yang dimiliki. Beberapa teknik kualitatif yaitu metode Delphi, kurva pertumbuhan, dan riset pasar. Sedangkan teknik kuantitatif adalah peramalan yang menggunakan data historis yang cukup memadai dan representatif untuk meramalkan masa datang.
Mulyono (2000:91) menjelaskan bahwa metode kuantitatif yang digunakan pada dasarnya dikelompokkan menjadi dua jenis yaitu metode time series dan metode kausal (regresi). Menurut Tampubolon (2004:41) peramalan yang sistematis adalah analisis historis, seperti analisis urutan waktu (time series
21
analysis). Permintaan berdasarkan urutan dapat menggambarkan permintaan,
dapat secara konstan (constant), meningkat secara garis lurus (trend linear) atau musiman (seasonal) seperti yang terdapat pada Gambar 2.
Produksi atas
Permintaan garis peningkatan per unit
musiman
konstan Waktu
Gambar 2. Pola Permintaan Sumber : Tampubolon (2004:41)
Menurut Prasetya dan Lukiastuti (2009 :47), Komponen-komponen runtun waktu pada umumnya diklasifikasikan sebagai :
a. Trend (T), merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan trend.
b. Musiman atau Seasonal (S), merupakan pola data yang berulang pada kurun waktu tertentu, seperti hari, minggu, bulan, atau kuartal.
c. Siklikal atau Cyclical (C), merupakan pola dalam data yang terjadi setiap beberapa tahun.
d. Residu atau Erratic (E), merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak biasa.
22 Dalam menyusun rencana produksi dapat pula dilakukan dengan memperhatikan atau menggunakan perkembangan data produksi dengan mengacu pada perkembangan data variabel yang mempengaruhinya. Metode sebab akibat didasarkan pada data masa lalu yang mempengaruhi masa depan (misalnya penjualan). Penggunaan peramalan untuk produksi dan metode yang cocok untuk digunakan dapat dilihat pada Tabel 2.
Tabel 2. Penggunaan Peramalan untuk Produksi Operasi dan Metodenya Penggunaan peramalan Jangka waktu Ketetapan yang dibutuhkan Jumlah produk Tingkat manajemen Metode peramalan Desain proses Panjang Rata-rata Satu atau
beberapa Puncak Kualitatif dan kausal Perencanaan kapasitas mesin
Panjang Rata-rata Satu atau beberapa
Puncak Kualitatif dan kausal Perencanaan
agregat
Menengah Tinggi Beberapa Menengah Kausal dan time series
Schedulling Pendek Sangat
tinggi
Banyak Rendah Time series Manajemen
persediaan
Pendek Sangat tinggi
Banyak Rendah Time series Sumber : Assauri (2004:36)
1) Metode Time Series
Menurut Handoko (2000:267), model-model peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di waktu yang akan datang atas dasar serangkaian data masa lalu. Serangkaian data ini merupakan serangkaian observasi berbagai variabel menurut waktu, dan biasanya ditabulasi dan digambarkan dalam bentuk grafik yang menunjukkan perilaku variabel subyek. Metode-metode yang yang digunakan dalam peramalan time series terdiri dari beberapa metode.
23 a. Metode Naïve, metode ini didasarkan pada asumsi bahwa periode saat ini merupakan predictor terbaik dari masa mendatang. Metode ini merupakan metode sederhana karena perhitungan peramalannya dengan menggunakan data yang lewat yang dijadikan sebagai ramalan waktu yang akan datang (Firdaus, 2006:4).
b. Metode Rata-Rata Bergerak Sederhana (Moving Average), menurut Firdaus (2006:128) metode ini cocok untuk pola data stasioner. Kelebihan metode ini adalah jumlah data yang dimasukkan ke dalam nilai rataan fleksibel sehingga dapat divariasikan sesuai pola datanya. Selain itu metode ini mudah untuk dipahami. Kelemahannya, metode ini hanya baik untuk data stasioner.
c. Metode Pelicinan Eksponensial Tunggal (Single Exponential Smoothing), metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan tidak efektif dalam menangani peramalan dengan kecenderungan data yang memiliki komponen trend dan pola musiman. Hal tersebut dikarenakan jika diterapkan pada serial data yang memiliki trend yang konsisten, ramalan dibuat akan selalu berada di belakang trend. Selain itu, metode eksponensial juga dapat memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru disbanding nilai-nilai periode sebelumnya.
d. Metode Pelicinan Eksponensial Ganda (Double Exponential Smoothing), metode ini memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Metode double exponential smoothing memproses data deret waktu
24 dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke arah sesuai dengan arah trend tereakhir. Metode ini baik digunakan untuk data deret waktu yang memiliki unsur trend.
e. Metode Perhitungan Indeks Musiman, Menurut Handoko (2000:278) perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata berbagai rasio penjualan kuartal nyata terhadap nilai garis trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang hanya memasukkan unsur trend dan musiman tanpa memperhatikan pengaruh siklikal.
f. Metode Box Jenkins (ARIMA), metode ini menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua kemungkinan model yang ada. Metode ini ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari variabel dependen. Firdaus (2006:19) menjelaskan prosedur ARIMA terdiri dari beberapa tahapan yaitu identifikasi, estimasi, evaluasi model dan peramalan. Metode ARIMA hanya bisa diterapkan untuk data time series yang stasioner atau telah dijadikan stasioner dengan data observasi paling tidak berjumlah 72 (Mulyono. 2000:159).
2) Metode Kausal
Metode peramalan kausal didasarkan pada penggunaan analisa pola hubungan antara variabel yang akan diperkirakan (dependen) dengan variabel lain yang mempengaruhinya (independen). Metode ini sering disebut model regresi,