BAB 2
LANDASAN TEORI
2.1 Kendaraan Bermotor
Kendaraan bermotor adalah kendaraan yang digerakkan oleh peralatan teknik
untuk pergerakannya, dan digunakan untuk transportasi darat. Umumnya
kendaraan bermotor menggunakan mesin pembakaran dalam (perkakas atau alat
untuk menggerakkan atau membuat sesuatu yg dijalankan dengan roda,
digerakkan oleh tenaga manusia atau motor penggerak, menggunakan bahan bakar
minyak atau tenaga alam). Kendaraan bermotor memiliki roda, dan biasanya
berjalan di atas jalanan. semakin hari semakin banyak yang memiliki kendaraan
bermotor, akan tetapi di lain pihak pula ada sebagian besar golongan masyarakat
yang tidak mampu untuk menikmati hasil kemajuan teknologi ini. Hal ini
menyebabkan adanya kesenjangan sosial di dalam masyarakat, perbedaan
semacam ini dapat mengakibatkan terjadinya berbagai macam kejahatan
diantaranya kejahatan pencurian kendaraan bermotor.
2.2 Kejahatan
Kejahatan merupakan fenomena kehidupan masyarakat, karena kejahatan juga
masalah manusia yang berupa kenyataan sosial. Penyebabnya kurang kita pahami,
karena dapat terjadi dimana dan kapan saja dalam pergaualan hidup.Sedangkan
naik turunnya angka kejahatan tersebut tergantung pada keadaan masyarakat,
keadaan politik ekonomi, budaya dan sebagainya. Tindak pidana pencurian
terhadap harta benda yang menjanjikan atau memberikan hasil yang cukup
memadai kepada para pelakunya.
2.3 Uji Kecukupan Sampel
Dalam melakukan penelitian terhadap populasi yang sangat besar, pengguna perlu
melakukan suatu penarikan sampel.Hal ini dikarenakan tidak selamanya pengguna
dapat melakukan pengamatan seluruhnya pada populasi tersebut. Di samping itu
juga, terdapat faktor-faktor yang tidak memungkinkan antara lain ketersediaan
dana, tenaga, dan waktu penulis yang terbatas.
Sampel yang baik adalah sampel yang representatif, artinya sampel
tersebut harus dapat menggambarkan atau menerangkan sifat-sifat karakteristik
dari populasinya.Hal ini dapat diketahui dengan melihat kecukupan sampel yang
dikumpulkan. Suatu sampel dikatakan sudah mencukupi atau mewakili
populasinya apabila N’<N, dengan N adalah banyaknya sampel yang kita
kumpulkan,�� adalah data yang dikumpukan, dan N’ adalah sampel yang
diperoleh dari rumus :
�′= �
20�� ∑ ��2−(∑ ��)2
∑ �� � 2
(2.1)
Keterangan :
�′ = banyak sampel (hasil uji kecukupan sampel)
� = banyak sampel (tahun) yang digunakan
2.4 Peramalan
2.4.1 Pengertian Peramalan
Peramalan (Sofyan Assauri,1991) adalah kegiatan memperkirakan apa yang akan
terjadi pada masa yang akan datang. Peramalan dibutuhkan untuk
mengetahui/memperkirakan kapan suatu peristiwa akan tejadi atau berapa jumlah
suatu kebutuhan tertentu di masa mendatan. Dengan peramalan kita juga dapat
memperkirakan bagaimana suatu peristiwa yang ingin kita ketahui dapat terjadi di
masa yang akan datang.
Dengan demikian peramalan sangat bermanfaat bagi kita untuk melakukan
suatu persiapan untuk menghadapi masa yang akan datang, serta dapat membantu
kita dalam mengambil kebijakan dan tindakan-tindakan penting tentang sesuatu
hal.
2.4.2 Kegunaan Peramalan
Di dalam bagian organisasi terdapat beberapa kegunaan peramalan diantaranya :
1. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber
daya yang efisien memerlukan penjadwalan produksi, transportasi, kas,
personalia dan sebagainya. Input yang penting untuk penjadwalan seperti itu
adalah ramalan tingkat permintaan konsumennya atau si pelanggan.
2. Berguna dalam penyediaan sumber daya tambahan. Waktu tenggang (lead
time)untuk memperoleh bahan baku, menerima pekerja baru atau pembelian
tahun. Peramlan digunakan untuk menentukan kebutuhan sumber daya di
masa yang akan datang.
3. Untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus
menentukan sumber daya yang dimiliki dala waktu jangka panjang. Keputusan
semacam ini bergantung kepada faktor-faktor lingkungan, manusia dan
pengembangan sumber daya keuangannya. Semua penentuan ini memerlukan
peramalan yang baik dan manejer yang dapat menafsirkan pendugaan serta
membuat keputusan yang baik.
2.4.3 Jenis-Jenis Peramalan
Peramalan dapat dibedakan menjadi beberapa macam berdasarkan sudut pandang
kita melihatnya. Bila dilihat dari sifat penyusunannya, maka peramalan dapat
dibagi menjadi dua macam, yaitu :
1. Peramalan objektif, yaitu peramalan yang didasarkan pada data yang relevan
dari masa lalu dengan menggunakan teknik-teknik atau metode-metode dalam
penganalisaan data tersebut.
2. Peramalan Subjektif, yaitu peramalan yang didasarkan pada perasaan atau
intuisi dari orang yang menyusunnya.
Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat
dibedakan atas dua macam, yaitu :
1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari 3,5 Tahun atau 3
2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan
hasil ramalan dengan jangka waktu yang kurang dari 1,5 Tahun atau 3
Semester.
Berdasarkan sifat ramalan yang telah disusun maka peramalan dibedakan
menjadi dua macam, yaitu :
1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitaif masa
lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang
menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan oleh
pemikiran yang bersifat intuisi, pendapat, dan pengetahuan, serta pengalaman
penyusunnya.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Peramalan kuantitatif sangat mengandalkan data historis yang
ada. Hasil peramalan yang dibuat sangat bergantung pada metode-metode
yang digunakan dalam peramalan tersebut.
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut:
1. Adanya informasi tentang keadaan masa lalu.
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.
3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang.
Teknik kuantitatif ini biasanya dikelompokkan menjadi dua, yakni teknik
statistik dan teknik deterministik.Teknik statistik menitik beratkan pada pola,
perubahan pola, dan faktor gangguan yang disebabkan oleh pengaruh
BoxJenkins. Teknik deterministik mencakup identifikasi dan penentuan hubungan
antarvariabel yang akan diperkirakan dengan variabel-variabel lain yang akan
mempengaruhinya. Yang termasuk dalam teknik ini adalah teknik regresi
sederhana, regresi berganda, autoregresi, dan model input-output.
2.4.4 Prosedur dalam Penelitian
Kualitas hasil peramalan sangat ditentukan oleh proses pelaksanaan
penyusunannya. Peramalan yang baik adalah peramalan yang mengikuti
langkah-langkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga
prosedur/langkah penting dalam peramalan :
a) Menganalisis data yang lalu.
Analisa ini dilakukan dengan cara membuat tabulasi data yang lalu. Dengan
tabulasi data, maka dapat diketahui pola dari data tersebut.
b) Menentukan metode yang akan digunakan.
Masing-masing metode akan memberikan hasil peramalan yang berbeda.
Metode peramalan yang bik adalah metode yang memberikan hasil ramalan
yang tidk jauh berbeda dengan kenyataan yang terjadi. Dengan kata lain,
metode peramalan yang baik akan menghasilkan penyimpangan (bias) yang
sekecil mungkin antara hasil peramalan dengan data yang sebenarnya atau
kenyataan yang ada.
c) Memproyeksikan data yang lalu dngan menggunakan metode yang telah
ditentukan.
Hasil inilah yang akan dipergunakan sebagai dasar untuk perencanaan dan
2.4.5 Menghitung Kesalahan Peramalan
Hasil proyeksi yang akurat adalah peramalan (forecast) yang biasanya
meminimalkan kesalahan meramal (forecast error). Besarnya kesalahan meramal
(forecast error) dihitung dengan mengurangkan data yang sebenarnya dengan data
yang diperoleh dari hasil peramalan.
Rumusnya : Error = data yang sebenarnya-data hasil peramalan
�� = ��− ��(2.2)
Keterangan:
�� = data sebenarnya pada periode ke-t
�� = hasil peramalan pada periode ke-t
Dalam menghitung forest error digunakan Mean Squared Errors (MSE). Mean
Squared Errors (MSE) adalah rata – rata kesalaan meramal dikuadratkan.
a. Mean Squared Error (MSE)
Mean Squared Error adalah rata-rata kesalahan meramal dikuadratkan.
��� = ∑ ���2(2.3)
2.5 Metode Eksponensial Smoothing
2.5.1 Metode Single Eksponensial Smoothing
Metode single eksponensial smoothing digunakan untuk data runtut waktu yang
mengikuti pola stasioner. Bentuk umum yang digunakan untuk menghitung
Yt+1 = αYt + (1 – α)Yt
Dimana:
(2.4)
Yt+1
a = parameter pemulusan
= nilai ramalan untuk periode berikutnya
Yt
2.5.2 Metode Double Eksponensial Smoothing Satu Parameter Brown = data baru atau nilai Y yang sebenarnya pada periode t
Metode double eksponensial smoothing adalah metode peramalan dengan
mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata
dari nilai beberapa tahun yang lalu untuk menaksir nilai pada beberapa tahun yang
akan datang. Dalam metode ini historis digunakan untuk memperoleh angka yang
dihitung menggunakan Metode Double Eksponensial Smoothing Satu Parameter
Brown. Peramalan dilakukan dengan mengulang perhitungan secara
terus-menerus dengan menggunakan data yang terbaru.Setiap data diberi bobot, data
yang lebih baru diberi bobot yang lebih besar.
Metode ini digunakan untuk data runtut waktu yang mengikuti suatu trend
linier. Pada teknik ini, jika parameter pemulusan (α) mendekati 0, maka ramalan
yang baru akan mencakup penyesuaian kesalahan yang sangat kecil pada ramalan
sebelumnya. Tetapi, jika parameter pemulusan (α) tidak mendekati 0 atau
mendekati 1, maka ramalan yang baru akan mencakup penyesuaian kesalahan
yang besar pada ramalan sebelumnya. Pada metode Eksponensial Ganda linier
satu parameter Brown memiliki tahap-tahap tetapi proses ramalan dimulai dengan
menentukan besarnya alpha(α) dan eror. Adapun langkah-langkahnya adalah:
a. Menentukan Smoothing Pertama (��′)
b. Menentukan Smoothing Kedua (�′′�)
�′′� =∝ �′�+ (�−∝)�′′�−�(2.6)
c. Menentukan Besarnya Konstanta (��)
�′′� = �′�+ (�′� − �′′�) =��′�− �′′� (2.7)
d. Menentukan Besarnya Slope (��)
�� =�−∝∝ (�′�− �′′�) (2.8)
e. Menentukan Besarnya Forecast (�1+�)
��+�= ��+��m (2.9)
Dengan ‘m’ adalah periode yang akan diramalkan
Dimana:
m = Jumlah periode didepan yang diramalkan
�′ = Nilai eksponensial smoothing tunggal
�′′ = Nilai eksponensial smoothing ganda
� = Parameter Pemulusan Eksponensial
at , bt
��+� = Hasil peramalan untuk m periode ke depan = Konstanta pemulusan
Rumus-rumus tersebut diatas akan digunakan untuk meramalkan tingkat
kejahatan pencuriaan kendaraan bermotor. Alasan penulis memilih metode
Smoothing Eksponensial Ganda sebagai metode peramalan yang akan digunakan
adalah karena penulis melihat bahwa selisih tingkat kejahatan dari tahun ke tahun
tersebut untuk melakukan pemulusan kejahatan dari tahun ke tahun sebelum