BAB 2
TINJAUAN PUSTAKA
2.1
Penelitian Terdahulu
Berdasarkan penelitian yang telah dilakukan Fakhriwan Aries (2004) yang berjudul “Peramalan Jumlah Produksi Granit dengan Model ARIMA (Studi Kasus pada PT. Karimun Granite, Tanjung Balai Karimun, Riau)” yang membahas tentang data produksi granit tertiary dan produksi granit road base. Selama periode Januari 2001 sampai Desember 2002. Dari data-data tersebut dapat dibuat peramalan untuk menentukkan jumlah produksi granit tertiary dan produksi granit road base. Dalam menentukan model-model peramalan dan peramalan besar produksi granit tertiary dan produksi granit road base dari PT. Karimun Granite, digunakan langkah atau cara dengan metode time series ARIMA. Hasil peramalan menunjukkan bahwa produksi granit tertiary menggunakan model ARIMA (1,0,0) sebagai model peramalannya dan produki granit road base menggunakan model ARIMA (1,0,1) sebagai model peramalannya[3].
Berdasarkan penelitian yang dilakukan Ida Aryani (2003) yang berjudul
“Peramalan Data Deret Berkala Menggunakan Metode Dekomposisi Klasik dan Metode Dekomposisi Census II” yang membahas tentang peramalan menggunakan metode dekomposisi klasik dan dekomposisi census II pada jumlah penjualan kaos oblong bocah pada PT. Aseli Dagadu Djogja dari tahun 1998 sampai dengan tahun 2001. metode dekomposisi klasik meliputi metode rasio pada multiplikatif dan metode aditif. Pembahasan dimulai dengan memperkenalkan pengertian-pengertian dasar tentang deret berkala dan rata-rata bergerak. Selanjutnya mengulas tentang langkah-langkahnya dalam meramalkan data tersebut[4].
Berdasarkan penelitian yang dilakukan Fakhriwan Aries merupakan peramalan jumlah produksi granit yang mengambil data selama periode Januari 2001 sampai Desember 2002. Dengan adanya data yang hanya dua tahun menjadikan peramalannya kurang baik karena keterbatasan data. Sedangkan penelitian yang dilakukan Ida Aryani adalah peramalan data deret berkala menggunakan metode dekomposisi klasik dan metode census II.
2.2
ARIMA
Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat dengan mengabaikan variabel independennya. Hal ini terjelaskan dengan prinsip dari metode ini yaitu “let the data speak for themselves”[6].
Beberapa keuntungan yang dapat diperoleh dengan menggunakan ARIMA. Arima merupakan model tanpa teori karena variabel yang digunakan adalah nilai-nilai lampau dan kesalahan yang mengikutinya. Arima memiliki tingkat akurasi peramalan yang cukup tinggi karena setelah mengalami pengukuran kesalahan peramalan mean absolute error, nilainya mendekati nol[7]. Arima cocok digunakan untuk meramal sejumlah variabel dengan cepat, sederhana, akurat dan murah karena hanya membutuhkan data variabel yang akan diramal.
Model ARIMA menggunakan pendekatan iteratif dalam indentifikasi terhadap suatu model yang ada. Model yang dipilih diuji lagi dengan data masa lampau untuk melihat apakah model tersebut menggambarkan keadaan data secara akurat atau tidak. Suatu model dikatakan sesuai (tepat) jika residual antara model dengan titik-titik data historis bernilai kecil, terdistribusi secara acak dan bebas satu sama lainnya.
Pemilihan model terbaik dapat dilakukan dengan membandingkan distribusi koefisien-koefisien autocorrelation (otokorelasi) dari data time series tersebut dengan distribusi teoritis dari berbagai macam model.
Proses autoregressive integrated moving average secara umum dilambangkan dengan ARIMA (p,d,q), dimana:Ø p menunjukkan ordo/derajat autoregressive (AR), Ø d adalah tingkat proses differencing dan Ø q menunjukkan ordo/derajat moving average (MA)[8].
Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah identifikasi model, pendugaan parameter model, pemeriksaan diagnosa dan penerapan model untuk peramalan. Secara lengkap dapat dilihat pada
Gambar 1 di bawah ini:
Gambar 1 Tahap Metode ARIMA[6]
0, jika data menjadi stasioneri setelah differencing ke1 maka d bernilai 1 dan seterusnya. Dalam menentukan p dan q dapat dibantu dengan mengamati pola Autocorrelation Function(ACF) dan Partial Autocorrelation Function (PACF). Dalam model ARIMA pola ACF dan PACF harus turun cepat secara eksponensial. Dengan mengetahui pola ACF dan PACF maka tahap estimasi model telah teridentifikasi. Selanjutnya tahap pengecekan model, dilakukan dengan melakukan perbandingan nilai AIC dan nilai likelihood. Nilai Akaike Information Criteria (AIC) yang rendah dan nilai likelihood yang tinggi digunakan untuk melakukan peramalan.
2.3
Bahasa R
R adalah bahasa pemrograman dan perangkat lunak untuk analisis
statistika dan grafik. R dibuat oleh Ross Ihaka dan Robert Gentleman di
Universitas Auckland, Selandia Baru, dan kini dikembangkan oleh R Development Core Team, dimana Chambers merupakan anggotanya. R dinamakan sebagian setelah nama dua pembuatnya (Robert Gentleman dan Ross Ihaka), dan sebagian sebagian dari nama S.
Bahasa R kini menjadi standar de facto di antara statistikawan untuk pengembangan perangkat lunak statistika, serta digunakan secara luas untuk pengembangan perangkat lunak statistika dan analisis data. R merupakan bagian dari proyek GNU. Kode sumbernya tersedia secara bebas di bawah Lisensi Publik Umum GNU, dan versi biner prekompilasinya tersedia untuk berbagai sistem operasi. R menggunakan antarmuka baris perintah, meski beberapa antarmuka pengguna grafik juga tersedia.
2.4
Peramalan
2.4.1 Pengertian Peramalan
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa. Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relative kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat komplek dan dimanis.
Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat komplek dan dinamis karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing, dan produk substitusi. Oleh karena itu, peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan manajemen.
Secara sederhana peramalan dapat digambarkan dalam sebuah contoh pada bagian produksi di suatu perusahaan yang dihadapkan pada masalah penentuan tingkat produksi pada masing – masing jenis produk dengan lebih memperhatikan batasan faktor – faktor penyebab adanya peramalan agar memperoleh tingkat keuntungan yang maksimal. Dalam kehidupan sehari – hari peramalan sangatlah banyak gunanya baik untuk kepentingan pribadi maupun kepentingan industri. Dalam industri, peramalan berguna untuk :
Peramalan Produksi.
Peramalan Bahan Baku.
Peramalan Anggaran Biaya.
Peramalan Pemasaran.
Adapun faktor – faktor yang menyebabkan terjadinya sebuah peramalan adalah
Adanya persaingan dagang yang kian ketat.
Kemajuan teknologi yang begitu pesat.
Adanya Kebijaksanaan Ekonomi yang dianut di Negara kita.
Adanya fluktuasi harga.
Jenis – jenis peramalan secara umum banyak sekali, namun kali ini jenis – jenis peramalan dapat dibedakan berdasarkan spesifikasi yang berbeda – beda, diantaranya :
a. Dilihat dari Sifat Penyusunnya dapat dibedakan sebagai berikut : 1. Peramalan yang Subyektif :
" Peramalan yang didasarkan atas perasaan ( instuisi ) dari orang yang menyusunnya ".
2. Peramalan yang Obyektif :
" Peramalan yang didasarkan atas data – data pada masa lalu dengan menggunakan metode – metode dalam penganalisaan data tersebut ".
b. Berdasarkan Sifat Ramalan yang telah disusun dapat dibedakan sebagai berikut:
1. Peramalan Kualitatif :
" Peramalan yang didasarkan atas data kualitatif pada masa lalu, hasil peramalan tergantung pada orang yang menyusunnya ".
2. Peramalan Kuantitatif :
" Peramalan yang didasarkan atas data kuantitatif pada masa lalu, hasilnya tergantung pada metode yang digunakan ".
2.4.3 Beberapa Sifat Peramalan
Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka ada beberapa hal yang harus dipertimbangkan, yaitu :
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidak pastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidak pastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan jangka pendek lebih akurat dibandingkan peramalan
2.4.4 Metode Peramalan Time Series
" Metode peramalan dengan menggunakan analisa deret waktu ", terdiri dari :
1. METODE SMOOTHING :
Metode Data Lewat ( Past Data ).
Metode Rata-Rata Komulatif.
Metode Rata-Rata Bergerak ( Moving Average ).
Metode Exponential Smoothing.
Metode – metode diatas dapat digunakan untuk :
Perencanaan dan pengendalian produksi.
Perencanaan keuntungan.
Perencanaan keuangan lainnya.
2. METODE BOX JENKINS
Metode ini biasanya digunakan untuk :
Perencanaan anggaran.
Perencanaan dan pengendalian produksi dan persediaan.
3. METODE PROYEKSI TREND DENGAN REGRESI Metode ini biasanya digunakan untuk :
Perencanaan produk baru.
Rencana ekspansi.
Rencana pembangunan suatu negara dan daerah.
Rencana investasi.
