BAB III TINJAUAN PUSTAKA

BAB III

TINJAUAN PUSTAKA

3.1. Definisi Peramalan

Peramalan adalah proses untuk memperkirakan berapa banyak kebutuhan dimasa mendatang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.

Peramalan mungkin tidak selalu dibutuhkan dalam kondisi pasar yang stabil, karena perubahan kebutuhan relatif kecil. Akan tetapi peramalan akan sangat dibutuhkan bila kondisi keadaan pasar bersifat kompleks dan dinamis.

Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks dan dinamis karena permintaan tersebut akan bergantungkepada keadaan social, politik, aspek teknologi, persaingan produk dan sibstitusi produk. Oleh karena itu, peramalan yang akurat sangat mentukan, karena merupakan penyedia informasi yang sangat dibutuhkan oleh suatu organisasi dalam mengambil keputusan manajemen (Nasution,2006)

3.2. Kegunaan Peramalan

Jika peramalan diterapkan, suatu manfaat dan tujuan harus dapat diperoleh dan dipersiapkan, sehingga dapat memenuhi sifat ramalan. Agar menentukan seberapa besar persediaan produk yang dimiliki untuk memenuhi permintaan (Nasution,2006)

3.3. Jenis-jenis Peramalan

Pada umumnya kegunaan peramalan dibedakan pada sifat dan sudut pandang kegunaan peramalan. Jenis-jenis peramalan dapat dibedakan dari berbagai segi, tergantung dari cara melihatnya (Assauri,1984)

3.3.1. Peramalan Berdasarkan Penyusunannya

a) Peramalan Subjektif

Peramalan berdasarkan perasaan atau intuisi dari orang-orang yang menyusunnya, dalam hal ini pandangan judgment orang yang menyusun sangat menentukan baik atau tidaknya hasil peramalan.

b) Peramalan Objektif

Peramalan yang berdasarkan data relevan pada kejadian masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam menganalisa suatu data (Assauri,1984)

3.3.2. Peramalan Berdasarkan Jangka Waktu

a) Peramalan jangka panjang (Long Term Forecast)

Peramalan ini dibutuhkan untuk merencanakan hal-hal umum mengenai suatu organisasi untuk jangka waktu panjang. Peramalan dilakukan untuk penyusunan hasil ramalan dengan jangka waktu tiga tahun atau lebih. Hal ini merupakan factor utama bagi manajemen puncak untuk mengambil keputusan mengenai perencanaan kapasitas, penelitian dan pengembangan produk dan pasar serta membuat studi kelayakan untuk perluasan bisnis (Assauri,1984)

Metode-metode yang digunakan untuk peramalan jangka panjang, yakni:  Metode Deret Waktu (Time Series)

 Metode Regresi (Assauri,1984)

b) Peramalan Jangka Menengah (Middle Time Forecast)

Peramalan ini digunakan untuk merecanakan strategi oleh manajemen menengah dan manajemen tingkat pertama untuk memenuhi kebutuhan dimasa mendatang dan membuat keputusan untuk perencanaan produksi, anggaran produksi serta menganalisa berbagai macam rencana operasi. Peramalan dilakukan untuk menyusun hasil ramalan dalam jangka waktu tiga bulan hingga tiga tahun (Assauri,1984)

c) Peramalan Jangka Pendek (Short-Term Forecast)

Peramalan ini digunakan untuk merencanakan pembelian, menentukan persediaan. Peramalan dilakukann untuk menyusun hasil ramalan dalam jangka waktu kurang satu hingga satu tahun.

Metode-metode yang digunakan pada ramalan jangka pendek, yakni: 1) Metode Perataan (Average)

2) Metode Pemulusan (Smoothing) (Assauri,1984)

3.3.3. Peramalan berdasarkan sifat peramalan

1. Peramalan Teknik Kualitatif

Peramalan teknik kualitatif digunakan terutama jika data masa lalu tidak tersedia atau tidak diandalkan untuk memperkirakan permintaan mendatang seperti ketika perusahaan akan memperkenalkan produk baru ke pasar dan peramalan tidak memerlukan data yang serupa seperti pada peramalan teknik kuantitatif. Peramalan ini terutama digunakan untuk peramalan jangka panjang dan dilakukan dengan menggunakan judgment, pengetahuan, pendapat pribadi, pendapat ahli, penelitian pasar dan pengalaman dari orang yang melakukannya (Assauri,1984)

2. Peramalan Teknik Kuantitatif

Peramalan teknik kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu. Hasil peramalan ini tergantung pada metode yang digunakan dalam peramalannya, karena metode yang berbeda akan menghasilkan hasil yang berbeda. Peramalan teknik kuantitatif dapat diterapkan bila terhadap tiga kondisi berikut:

a) Tersedia informasi masa lalu dan mengenai kondisi yang lain. b) Informasi tersebut dapat dikuantitatifkan dalam data numerik.

c) Dapat diasumsikan bahwa aspek pola masa lalu akan terus berlanjut dimasa mendatang atau dengan pola masa mendatang merupakan kelanjutan pola masa lalu (Assauri,1984)

3.4. Pola Data Peramalan

Pola dalam peramalan digunakan untuk mendukung pemilihan metode peramalan yang akan dipakai agar menghasilkan peramalan yang baik. Karena diperoleh dari metode peramalan yang tepat dan sesuai dengan pola data tersebut (Taylor III,2005)

Pola data dapat dikategorikan sebagai berikut:

1. Pola Horizontal (H), terjadi bilamana nilai data berfluktuasi disekitar nilai rata-rata

yang konstan (Deret seperti itu “stasioner” terhadap nilai rata-ratanya). Suatu produk yang tidak meningkat atau menurun selama waktu tertentu termasuk dalam jenis ini.

2. Pola Musiman (S), terjadi bilamana suatu deret dipengaruhi oleh factor musiman

(misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu).

3. Pola Siklus (C), terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi

jangka panjang yang berhubungan dengan siklus bisnis.

4. Pola Tren (T), terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka

panjang dalam data.

Gambar 3.4 Pola Data Peramalan Sumber: (Taylor III,2005)

3.5. Faktor Yang Mempengaruhi Permintaan

Permintaan produk pada suatu perusahaan merupakan hasil dari berbagai factor yang saling berinteraksi dalam pasar. Faktor-faktor tersebut hampir selalu merupakan kekuatan yang berada di luar kendali perusahaan (Nasution, 1999). Berbagai faktor tersebut antara lain:

3.5.1. Siklus Bisnis

Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut, dan permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi, dan masa pemulihan (Nasution, 1999)

3.5.2. Siklus Hidup Produk

Siklus hidup suatu produk biasanya mengikuti pola yang biasa disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan, fase kematangan, dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi produk pada saat yang tepat (Nasution, 1999)

3.6. Faktor-faktor lain

Beberapa faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh perusahaan seperti peningkatan kualitas, pelayanan, anggaran periklanan, dan kebijaksanaan pembayaran kredit (Nasution, 1999)

3.7. Karakteristik Peramalan Yang Baik

3.7.1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan konsistensi peramalan tersebut. Hasil Peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil. Peramalan terlalu rendah, akan mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak dapat dipenuhi segera, akibatnya adalah perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan penjulan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini berperan penting adalam menyeimbangkan persediaan dan memaksimasi tingkat pelayanan (Nasution, 1999)

3.7.2. Biaya

Biaya diperlukan dalam pembuatan suatu peramalan bergantung kepada jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai. Ketiga factor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibuthkan, bagaimana pengolahan datanya, yaitu secara manual atau komputerisasi, bagaimana penyimpanan datanya, dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus disesuikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang kurang penting bisa diramalkan dengan metode yang sederhana dan murah. Prinsip ini merupakan adopsi dari Hukum Pareto (Analisis ABC) (Nasution, 1999)

3.7.3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan, akan memberikan keuntungan bagi perusahaan. Adalah percuma menggunakan metode yang canggih, tapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumberdaya manusia, maupun peralatan teknologi (Nasution, 1999)

3.8. Proses Peramalan

o Plot data permintaan dan waktu. o Pilih beberapa metode peramalan. o Evaluasi kesalahan peramalan.

o Pilih metode peramalan dengan kesalahan peramalan terkecil. o Menilai hasil peramalan.

3.9. Metode Peramalan

Gambar 3.9 Metode Peramalan Sumber : (Taylor III,2005)

Untuk penulisan laporan ini, penulis membatasi peramalan yang terjadi pada masa akan datang secara kuantitatif. Jadi untuk selanjutnya penulis hanya menekankan pada metode peramalan kuantitatif mengingat sifat peramalan yang penulis lakukan akan membutuhkan datadari masa lalu. Pengelompokkan metode berdasarkan teknik kuantitatif dibagiu menjadi 2 (Taylor III,2005), yaitu:

1) Metode Time Series. 2) Metode Klausal.

Dalam metode time series penulis menggunakan metode rata-rata bererak (Moving

Averages), metode rata-rata bererak terbobot (Weighted Moving Averages), metode

pemulusan eksponensial (exponential smoothing). Berdasarkan data dan grafik permintaan, metode yang penulis gunakan berdasarkan Kecendrungan Musiman (seaseonal), karena pada data kebutuhan yang penulis dapatkan tidak menunjukkan pola data yang cenderung baik (trend) dari waktu kewaktu melainkan data kebutuhan yang bersifat konstan.

3.9.1. Metode Linear Peramalan Metode Kualitatif Metode Kuantitatif Kausal Time Series Rata-rata Exponential Smoothing Regresi Smoothing Moving Average

Menghitung metode linear dilakukan dengan persamaan : Y' = a + b.t

Nilai a dan b diperoleh dari :





 











   ₂ 2 . ). ( ) ( . . t t n t t Y t Y t n b n t b n t Y a



( ) .



Dimana :

Y'(t) = Permintaan periode ke- t = Waktu

n = Jumlah periode

3.9.2. Rata-rata bergerak (Moving Average)

Untuk metode Moving Average penulis tidak menggunakan pembobotan pada setiap periode. Jadi untuk metode Moving Average penulis menggunakan metode

Moving Average sederhana (linear). Untuk lebih jelasnya mengenai pengertian dan

rumus Moving Average sederhana dapat dulihat seperti berikut:

Menghitung metode Moving Average dilakukan dengan persamaan berikut ini:

( + 1) = A ( ) = ( ) + ( − 1) + ⋯ + ( − + 1)

Dimana,

HP(i+1) = harga peramalan untuk waktu (i+1) Al (i) = moving average dari waktu (i)

x(i) = harga aktual pada waktu (i)

n = jumlah periode yang dilibatkan

Metode rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu. Metode rata-rata bergerak n-periode menggunakan persamaan sebagai berikut:





n terdahulu periode n dalam taan per Periode n Bergerak rata Rata   



min 

Dimana n adalah banyaknya periode dalam rata-rata bergerak.

3.9.4. Pemulusan Exponensial (Exponential Smoothing)

Metode pemulusan ekponensial (Exponential Smoothing) mencoba untuk mengurangi ketidakaturan musiman dari data yang ada dengan memberikan bobot/timbangan kepada data yang ada dengan secara eksponensial. Perlu diperhatikan dalam penggunakan metode ini bahwa periode pertama dari peramalan ini bila tidak tersedia atau tidak terdapat hasil atau nilai ramalan sebelumnya, pemecahan masalah ini dapat dilakukan dengan menggunakan nilai data yang pertama sebagai ramalan yang pertama. Meskipun metode pemulusan ini eksponensial ini sederhana, namun metode ini pun mempunyai masalah. Salah satunya adalah dalam menemukan nilai bobot   yang optimal. Optimasi tersebut harus meminimalkan

kesalahan, tetapi masalahnya tidak semudah mencari rata-rata, karena rata-rata menghasilkan minimalisasi pada setiap kali dilakukan perhitungan rata-rata dari sekelompok angka.

Menghitung metode Exponential Smoothing dilakukan dengan persamaan berikut ini:





t t t

D

F

F

_1







1





F = Forecast D = actual demand

Α = Smooting constant

3.10. Analisa Kesalahan Peramalan

Pada umumnya setiap metode peramalan hanya merupakan sebuah alat yang digunakan untuk meramalkan keadaan yang akan datang memiliki penyimpangan atau kesalahn dari keadaan aslinya. Oleh karena itu ada baiknya bila penulis menggunakan lebih dari satu metode peramalan dalam meramalkan permintaan dimasa yang akan datang, sehingga kita bisa membandingkan hasil yang diperoleh oleh setiap metode peramalan. Metode peramalan yang memiliki penyimpangan yang paling kecil yang kita pilih, karena semakin kecil penyimpangan yang diberikan metode peramalan tersebut akan memberikan hasil yang mendekati keadaan yang sebenarnya. (Gaspersz,1988)

Berikut adalah analisa keasalahan peramalan dengan menggunakan beberapa ukuran statistik, antara lain:

a. Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)



  n d d MAD ' Dimana :

d =Y = Permintaan Aktual pada perioda t d'=Y' = Peramalan permintaan pada perioda t n = Jumlah perioda peramalan yang terlibat

b. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)





n d d MSE 



 2 '

c. Rata-rata Kesalahan Peramalan (Mean Forecast Error = MFE)





n d d MFE 



 '

d. Standard Error of Estimate (SEE)







n f



d d SEE   



2 '

e. Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error = MAPE)        

_

n x d d d MAPE 100 '

3.11. Verifikasi dan Pengendalian Peramalan

Langkah penting setelah peramalan adalah verifikasi peramalan sedemikian rupa sehingga dapat mencerminkan data masa lalu dan sistem sebab-akibat yang mendasari permintaan itu. Sepanjang representasi peramalan tersebut dapat dipercaya dan sistem sebab-akibat belum berubah, hasil peramalan akan terus digunakan. Jika selama proses verifikasi ditemukan keraguan atas validitas peramalan maka harus dicari metode yang lebih cocok.

Validitas harus ditentukan dengan uji statistika yang sesuai. Setelah suatu peramalan dibuat maka akan timbul pertanyaan kapankah suatu metode peramalan baru harus digunakan. Peramalan harus selalu dibandingkan dengan peramalan aktual secara teratur. Pada suatu saat harus diambil tindaka revisi terhadap peramalan tersebut apabila ditemukan bukti yang meyakinkan akan adanya perubahan pola permintaan. Selain itu penyebab perubahan pola permintaan pun harus diketahui. Penyesuaian metode peramalan dilakukan segera setelah perubahan pola permintaan diketahui.

Terdapat banyak perkakas yang dapat digunakan untuk memverifikasi peramalan dan mengamati suatu perubahan dalam sistem sebab-akibat yang melatarbelakangi perubahan pola permintaan. Tapi bentuk yang termudah dari cara pengendali adalah peta kendali secara statistik yang digunakan dalam pengendalian kualitas. Salah satu peta yang dapat digunakan

dimana terdapat suatu jumlah data yang minimum adalah pada rentang bergerak (Moving

Range).

Selama periode dasar (periode pada saat menghitung peramalan), peta Moving Range digunakan untuk melakukan verifikasi teknik dan parameter peramalan. Setelah metode peramalan ditentukan, peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempegaruhi permintaan.

Moving Range didefinisikan sebagai:







1 1



'       dt d_t d_t d_t MR

Rata-rata Moving Range didefinisikan sebagai:



_  1 n MR MR

Garis tengah peta Moving Range adalah pada titik nol. Batas kendali atas dan bawah pada peta Moving Range adalah:

MR BKB MR BKA 66 . 2 66 . 2    

Perubahan atau perbedaan yang digambarkan pada Moving Range adalah:



d

₁



d

't



d

₁

Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramala baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi.

Dua tindakan yang dapat dilakukan bila terjadi kondisi di luar kendali ialah sebagai berikut:

1. Merevisi peramalan dengan memasukkan data dan system sebab akibat baru. 2. Menunggu bukti lebih lengkap.