BAB 2
LANDASAN TEORI
2.1 Peramalan
Ramalan ialah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan terjadi
pada masa yang akan datang. Peramalan adalah kegiatan memperkirakan apa yang
akan terjadi pada masa yang akan datang. Dalam suatu instansi atau perusahaan,
ramalan sangat diperlukan dalam pengambilan keputusan atau menetapkan berbagai
kebijakan terhadap publik. Ramalan diperlukan untuk memberikan informasi sebagai
dasar untuk membuat suatu keputusan dalam berbagai kegiatan, seperti : penerbangan,
peternakan, perkebunan, dan sebagainya. Sehingga ramalan yang tepat akan
memberikan manfaat lebih bagi instansi atau perusahan serta public yang memerlukan
hasil ramalan.
2.2 Jenis-jenis Peramalan
Jenis peramalan tergantung pada jangka waktu peramalan, faktor-faktor yang
lainnya.Berdasarkan sifatnya teknik ramalan dibedakan atas dua macam yaitu
peramalan Kualitatif dan Peramalan Kuantitatif (Makridakis S,1999).
2.2.1 Peramalan kualitatif
Permalan Kualitatif merupakan peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hasil peramalan yang di buat sangat tergantung pada orang yang
menyusunnya Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan
pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman
penyusunan.
2.2.2 Peramalan kuantitatif
Peramalan Kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan
ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang
terjadi peramalan kuantitatif hanya dapat digunakan apabila tersedia informasi masa
lalu yang dipergunakan dimana informasi tersebut dapat disusun dalam bentuk data
dan dapat diasumsikan bahwa pola masa lalu akan berkelanjutan pada masa yang akan
Pada dasarnya terdapat tiga langkah prosedur peramalan yang penting,yaitu :
1. Menganalisa data pada masa lalu.
2. Menentukan metode yang digunakan.
3. Memproyeksi data yang lalu dengan menggunakan metode yang
dipergunakan dan mempertimbankan adanya beberapa faktor perubahan.
2.3 Metode Peramalan
Metode peramalan ialah cara memperkirakan secara kuantitatif apa yang akan terjadi
pada masa depan berdasarkan data-data dimasa masa lalu. Oleh karena metode
peramalan didasarkan pada datan yang relevan pada masa lalu\, maka metode
peramalan ini dipergunakan dalam peramalan yang objektif. Metode peramalan sangat
berguna untuk membantu dalam mengadakan pendekatan analisis terhadap pola dari
data yang lalu, sehingga dapat memberikan cara pemikiran, pekerjaan dan pemecahan
yang sistematis, serta memberikan tingkat keyakinan yang lebih atas ketepatan hasil
ramalan yang dibuat.
Keberhasilan dari suatu peramalan ditentukan oleh :
1. Pengetahuan teknik informasi pada masa lalu yang dibutuhkan, informasi
ini bersifat kuantatif.
2.4 Jenis-jenis Metode Peramalan Kuantitatif
1. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan
antara variable yang diperkirakan dengan variable waktu yang merupakan
deret berkala (time series). Metode peramalan yang termasuk data jenis ini
ialah :
a. Metode pemulusan
b. Metode Box-Jenkins
c. Metode proyeksi tren dengan regresi
2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variable yang akan diperkirakan dengan variable yang
mempengaruhinya, yang bukan waktu disebut metode korelasi atau sebab
akibat (metode kausal).
a. Metode Regresi dan korelasi.
b. Metode ekonometri.
c. Model input dan output.
2.5 Pemilihan Teknik dan Metode Peramalan
Semua tipe organisasi telah menunjukkan keinginan yang telah meningkat untuk
Dengan adanya sejumlah besar metode peramalan tersedia, maka masalah yang timbul
bagi para praktisi ialah memahami bagaimana karakteristik suatu metode peramalan
akan cocok bagi situasi pengambilan keputusan tertentu.
Adapun enam faktor yang dapat diidentifikasi sebagai teknik dan metode
peramalan, yaitu :
1. Horison waktu
Merupakan pemilihan yang didasarkan atas jangka waktu peramalan,yaitu:
a. Peramalan yang segera dilakukan dengan waktu kurang dari satu bulan.
b. Peramalan jangka pendek dengan waktu antar satu sampai tiga bulan.
c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai dua
tahun.
d. Peramalan jangka panjang dengan waktu dua tahun keatas.
2. Pola data
Salah satu dasar pemilihan metode peramalan ialah dengan memperhatikan
pola data. Ada empat jenis pola data mendasar yang terdapat dalam suatu
deretan data yaitu:
a. Pola Horisontal (H) terjadi apabila data berfluktuasi di sekitar nilai
rata yang konstan (deret seperti ini ialah “stasioner” terhadap nilai
b. Pola Musiman (M) terjadi apabila suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada
minggu tertentu).
c. Pola Siklis (C) terjadi apabila data dipengaruhi oleh fluktuasi jangka
panjang dan lebih lama dari pola musiman, lamanya berbeda dari suatu
siklus yang lain.
d. Pola Trend (T) terjadi apabila terdapat kenaikan atau penurunan jangka
panjang dalam data.
3. Jenis dari model
Untuk mengklasifikasikan metode peramalan kuanitatif perlu diperhatikan
model yang didasarinya. Model sangat penting diperhatikan, karena
masing-masing model mempunyai fungsi yang berbeda.
4. Biaya yang dibutuhkan
Biaya sangat diperlukan dalam meneliti suatu objek, yang termasuk biaya
dalam penggunaan metode peramalan antara lain, biaya penyimpanan data,
biaya-biaya perhitungan, biaya untuk menganalisa dan biaya-biaya
pengembangan.
5. Ketepatan metode peramalan
Tingkat ketepatan yang sangat erat hubungannya dengan tingkat perincian
atau penyimpangan atas peramalan yang dilakukan antatara 10% sampai 15%
, sedangkan untuk haln atau kasus lain mungkin menganggap bahwa adanya
variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup berbahaya.
6. Kemudahan dalam penerapan
Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan
mudah diterapkan dalam pengambilan keputusan dan analisisnya.
2.6 Metode Deret Berkala (Time Series) Box-Jenkins (ARIMA)
Metode peramalan yang sering digunakan adalah deret waktu (time series), dimana
sejumlah observasi ,diambil selama beberapa periode sebagai dasar dalam penyusunan
suatu ramalan untuk beberapa periode dimasa depan yang diinginkan. Metode
Jenkins adalah salah satu metode untuk menganalisis waktu. Metode peramalan
box-Jenkins merupakan suatu metode yang sangat tepat untuk menangani kerumitan deret
waktu dan situasi peramalan lainnya.
Pada dasarnya ada dua model dari metode Box-Jenkins, yaitu model linier
untuk deret statis (Stationery Series) dan model untuk deret data yang tidak statis (Non
Stationery Series). Model-model linier untuk deret data yang statis menggunakan
teknik penyaringan (filtering) untuk deret waktu, yaitu apa yang disebut dengan
untuk model yang tidak statis menggunakan apa yang disebut ARIMA (Auto
Regresive – Integrated – Moving Average).
2.7 Metode Auto Regresive (AR)
Metode autoregressive adalah model yang menggambarkan bahwa variable dependent
dipengaruhi oleh variable dependent itu sendiri pada periode-periode sebelumnya,
atau autokorelasi dapat diartikan juga sebagai korelasi linier deret berkala dengan
deret berkala itu sendiri dengan selisih waktu (lag) 0,1,2 periode atau lebih. Bentuk
umum model autoregressive dengan ordo p atau dituliskan dengan AR (p) mempunyai
persamaan sebagai berikut :
=
Dimana :
= Parameter auto korelasi ke-I dengan i=1,2,…,p
= Nilai kesalahan pada saat t
= Nilai konstan
Persamaan umum model AR (p) dapat juga ditulis sebagai berikut :
(1-Dalam hal ini B adalah operator mundur (Backward shift Operator), bentuk umum
Artinya jika operator ekerja pada Yt maka bergeser data tersebut sebanyak d
periode kebelakang.
Model autoregressive yang sering dijumpai dalam praktek ialah model AR (1)
dan AR (2).
Persamaan AR (1) ditulis dengan : (1- t B)Yt = + et
Persamaan AR (2) ditulis dengan : (1-
-2.8 Metode Rataan Bergerak/Moving Average (MA)
Metode rataan bergerak (Moving Average) mempunyai bentuk umum dengan ordo q
atau bisa ditulis dengan MA (q) adalah sebagai berikut :
Dimana :
= Parameter dari proses rataan bergerak ke i, i = 1,2,3,…,q
Yt = Variabel yang akan diramalkan
et-q = nilai kesalahan pada saat t-q
Persamaan untuk model MA(q) nbila menggunakan operator penggerak
Persamaan MA (1) dapat dituliskan dengan :
Persamaan MA (2) dapat ditulis dengan
Perbedaan model moving average dan model auto regressive terletak pada jenis
variable independent pada model autoregressive adalah nilai sebelumnya (lag) dari
variable dependent (Yt ) itu sendiri, maka pada model moving average sebagai
variable independent adalah nilai residual pada periode sebelumnya.
2.9 Metode Box-Jenkins
Model ARIMA meliputi tiga tahap yang harus dilakukan secara berurutan :
1. Identifikasi parameter-parameter model dengan menggunakan metode autokorelasi dan autokorelasi parsial.
2. Estimasi (Penaksiran) komponen-komponen autoregressive (AR) dan rata-rata bergerak (MA) untuk melihat apakah komponen-komponen
tersebut secara signifikan memberikan kontribusi pada model atau salah
3. Pengujian dan penerapan model untuk meramalkan series data beberapa period eke depan. Pada tahap ini digunakan try and error yang sangat
bermanfaat untuk meningkatkan pemahaman dalam aplikasi model
ARIMA untuk memprediksi data-data klimatologi yang berbasis