BAB 2
LANDASAN TEORI
2.1 Kebutuhan Beras
Kebutuhan adalah segala sesuatu harapan, ataupun keinginan yang harus dicukupi
dimana keinginan ini merupakan suatu hal yang penting dalam membantu
melancarkan kehidupan.
Kebutuhan beras merupakan salah satu kebutuhan primer manusia,
khususnya Indonesia. Kebutuhan primer ini tidak dapat diabaikan karena akan
menggangu kelangsungan hidup seseorang.Besarnya kebutuhan beras
dipengaruhi oleh jumlah penduduk dan pola konsumsi (tingkat konsumsi
perkapita) beras dalam masyarakat itu sendiri.
2.2.1 Produksi Beras
Produksi merupakan suatu kegiatan yang dilakukan untuk menambah nilai guna
suatu benda sehingga memiliki manfaat yang lebih untuk pemenuhan kebutuhan.
Produksi padi merupakan hasil bercocok tanam, dimana dilakukan penanaman
bibit tanaman pada lahan yang telah disediakan.
Produksi usaha tani padi merupakan biji. Biji padi ini kemudian digiling
menjadi beras, lalu beras ini kemudian diolah menjadi nasi yang merupakan salah
satu sumber karbohidrat dan menjadi salah satu makanan pokok manusia terutama
di Indonesia. Perkembangan ketersediaan beras secara langsung mempengaruhi
2.3 Peramalan
2.3.1 Pengertian Peramalan
Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa
yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama,
sedangkan ramalan adalah suatu situasi atau kondisi yang akan di perkirakan akan
terjadi di masa yang akan datang. Untuk memprediksikan sesuatu hal dimasa yang
akan datang diperlukan data yang akurat dimasa lalu, sehingga dapat dilihat suatu
situasi dan kondisi dimasa yang akan datang.
2.3.2 Kegunaan Peramalan
Peramalan diperlukan karena adanya perbedaan waktu antara kesadaran akan
dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan
tersebut. Jadi dalam menentukan kebijakan tersebut diperlukan perhatian
mengenai kesempatan atau peluang yang ada dan peluang terjadinya ancaman.
Dalam usaha mengetahui atau melihat perkembangan dimasa depan, peramalan
dibutuhkan untuk menentukan kapan peristiwa akan terjadi atau suatu kebutuhan
akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang
perlu dilakukan.
Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Setiap
orang selalu dihadapkan pada masalah pengambilan keputusan. Keputusan yang
baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi
pada waktu keputusan dilaksanakan. Apabila kurang tepat ramalan yang disusun
Dari uraian yang sudah dijelaskan di atas didapat gambaran bahwa
peranan peramalan sangatlah penting, baik dalam penelitian, perencanaan maupun
dalam pengambilan keputusan. Walaupun demikian perlu disadari bahwa suatu
peramalan adalah tetap peramalan, dimana selalu ada unsur kesalahannya.
Sehingga yang penting diperhatikan adalah usaha untuk memperkecil
kemungkinan kesalahan suatu ramalan tersebut.
2.3.3 Jenis-Jenis Peramalan
Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang
menentukan hasil sebenarnya, tipe pola data dan berbagai aspek lainnya. Untuk
menghadapi yang luas seperti itu telah dikembangkan beberapa teknik yaitu:
1. Metode Kuantitatif
Peramalan kuantitatif dapat diramalkan bila terdapat kondisi sebagai berikut:
a. Tersedia informasi tentang masa lalu
b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
Kondisi yang terakhir ini dikenal sebagai asumsi berkesinambungan
(assumption of continuity), asumsi ini merupakan premis yang mendasari semua
peramalan kuantitatif dan banyak metode peramalan teknologis terlepas dari
bagaimana canggihnya metode tersebut. Prosedur peramalan kuantitatif terletak
metode kuantitatif formal yang didasarkan atas prinsip-prinsip statistika. Jenis
pertama menggunakan horizontal, musiman atau penyelidikan trend yang
didasarkan pada pengalaman empiris yang sangat luas.
Metode intuisi ini mudah menggunakannya, tetapi tidak secermat atau
seakurat metode kuantitatif formal. Namun metode ini yang paling sering
digunakan karena sangat mudah dan pendekatannya lebih subjektif. Metode
kuantitatif formal hampir sama dengan penyelidikan mendalam, tetapi dapat
dilakukan dengan pendekatan sistematis yang berusaha untuk meminimumkan
kesalahan peramalan dengan satu variable dan tidak memiliki biaya yang besar.
Suatu dimensi tambahan untuk mengklasifikasikan metode peramalan kuantitatif
adalah dengan memperhatikan model yang mendasarinya. Terdapat dua jenis
model peramalan yang utama, yaitu:
1. Model Deret Berkala
Dengan model ini pendugaan masa depan dilakukan berdasarkan nilai masa lalu
dari satu variabel dan atau kesalahan masa lalu. Tujuan metode peramalan deret
berkala adalah menemukan pola dalam deret data historis dan
mengekstrapolasikan pola dalam deret data historis dan mengekstrapolasikan pola
tersebut ke masa depan. Langkah penting dalam memilih suatu metode deret
berkala (time series) yang tepat adalah dengan mempertimbangkan jenis pola data,
sehingga metode yang paling tepat dengan pola data tersebut dapat diuji. Pola
tersebut dibedakan dalam empat jenis:
a. Pola Horisontal (H) terjadi bilamana nilai data berfluktuasi disekitar nilai
b. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh factor
musiman
c. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti berhubungan dengan siklus bisnis
d. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data.
2. Model Regresi (kausal)
Dalam model ini mengasumsikan bahwa faktor yang diramalkan menunjukan
suatu hubungan sebab akibat dengan satu atau lebih variable bebas. Maksud dari
model kausal adalah menemukan bentuk hubungan tersebut dengan
menggunakannya untuk meramalkan nilai mendatang dari variable tak bebas.
Kedua model deret berkala (time series) dan kausal mempunyai
keuntungan dalam situasi tertentu. Model deret berkala sering kali dapat
digunakan dengan mudah untuk meramal, sedangkan model kausal dapat
digunakan dengan keberhasilan yang lebih besar untuk pengambilan keputusan
dan kebijakan. Bilamana data yang diperlukan tersedia, suatu hubungan
peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu atau sebagai fungsi
dari variable bebas, kemudian diuji.
3. Metode Kualitatif dan Teknologis
Metode ini merupakan hasil dari pemikiran intuitif, perkiraan (judgment), dan
pengetahuan yang telah didapat. Metode teknologis dibagi menjadi dua bagian
a. Metode eksploratoris (seperti dalphi, kurva-s, analogi, dan penelitian
morpologis)
Dimulai dengan masa lalu dan masa kini sebagai titik awalnya dan bergerak
kearah masa depan secara heuristic, seringkali dengan melihat semua
kemungkinan yang ada.
b. Metode Normatif (seperti matriks keputusan, pohon relevansi, dan analisis
system)
Dimulai dengan menetapkan sasaran dan tujuan yang akan datang,
kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai,
berdasarkan kendala, sumberdaya, teknologi yang tersedia.
Teknik teknologis dapat digunakan secara terpisah tetapi lebih sering
digunakan sebagai kombinasi satu sama lain atau digabungkan dengan metode
kuantitatif. Ramalan teknologis terutama digunakan untuk memberikan petunjuk,
untuk membantu perencana dan untuk melengkapi ramalan kuantitatif digunakan
sangat eksklusif untuk keadaan jangka menengah dan panjang seperti perumusan
strategi, pengembangan produk dan teknologi baru dan pengembangan rencana
jangka panjang.
Peramalan memiliki banyak metode yang tersedia dan beragam dalam hal
ketepatan, ruang lingkup, horizon waktu, dan biayanya. Tugas utamanya adalah
menentukan metode mana yang digunakan untuk masing-masing keadaan,
seberapa besar kepercayaan yang ditumpukkan pada metode itu sendiri dan
seberapa banyak modifikasi yang diperlukan untuk memasukkan perkiraan pribadi
sebelum pendugaan digunakan sebagai dasar untuk merencanakan kegiatan
2.3.4 Langkah-langkah Peramalan
Pada dasarnya ada tiga langkah peramalan yang penting, yaitu:
1. Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi pada
masa lalu. Analisanya dilakukan dengan cara membuat tabulasi dari data
yang lalu. Dengan tabulasi data, maka dapat diketahui pola dari data yang
akan digunakan.
2. Menentukan metode yang digunakan. Masing-masing metode akan
memberikan hasil peramalan yang berbeda. Metode peramalan yang baik
adalah metode yang memberikan hasil ramalan tidak jauh berbeda dengan
kenyataan yang terjadi. Dengan kata lain metode peramalan yang baik
adalah metode yang menghasilkan peramalan dengan tingkat penyimpangan
(nilai error) yang sekecil mungkin,
3. Memproyeksikan data yang lalu dengan menggunakan metode yang
digunakan, dan mempertimbangkan adanya beberapa faktor perubahan.
Faktor-faktor perubahan yang dimaksud adalah antara lain,
kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan kebijakan-kebijakan pemerintah,
perkembangan potensi masyarakat, perkembangan teknologi, dan
penemuan-penemuan baru serta perbedaan antara hasil ramalan yang ada
dengan kenyataan
2.4 Metode Peramalan
2.4.1 Pengertian Metode Peramalan
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan
karena itu metode peramalan didasarkan atas dasar yang relevan pada masa lalu,
maka metode peramalan ini digunakan dalam peramalan yang objektif. Perlu
diketahui bahwa keberhasilan dari suatu peramalan sangan ditentukan oleh:
1. Pengetahuan teknik tentang informasi yang lalu yang dibutuhkan, informasi
ini bersifat kuantitatif.
2. Teknik dan metode peramalan.
2.4.2 Kegunaan Metode Peramalan
Metode peramalan merupakan cara memperkirakan apa yang akan terjadi pada
masa depan secara sistematis dan pragmatis, sehingga metode peramalan sangat
berguna untuk dapat memperkirakan secara sistematis dan pragmatis atas dasar
data yang relevan di masa lalu, dengan demikian metode peramalan juga
memberikan urutan pengerjaan dan pemecahan atas pendekatan yang sama atas
permasalahan suatu kegiatan peramalan, maka akan didapat dasar pemikiran dan
pemecahan yang sama, dikarenakan argumentasinya sama.
Selain itu, metode peramalan memberikan cara pengerjaan yang teratur
dan terarah, sehingga dengan demikian dapat dimungkinkan penggunaan
teknik-teknik analisa yang lebih maju. Metode peramalan sangat berguna, karena akan
membantu dalam mengadakan pendekatan analis terhadap tingkah laku atau pola
dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan
pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan
2.4.3 Ketepatan Metode Peramalan
Hasil peramalan yang akurat adalah peramalan (forecast) yang biasanya
meminimalkan kesalahan meramal (forecast error). Besarnya kesalahan meramal
(forecast error) dihitung dengan mengurangkan data sebenarnya dengan data yang
diperoleh dari hasil peramalan. Rumusnya adalah:
�� = ��− � (2.1)
Keterangan:
�� = kesalahan pada periode ke t
�� = data sebenarnya pada periode t
� = hasil peramalan pada periode t
Dari rumus error tersebut dapat dicari nilai rata-rata kesalahan kuadrat (Mean
Square Error)
�� = ��
2
�=1 (2.2)
Keterangan:
�� = Nilai rata-rata tengah kesalahan kuadrat
��2 = kesalahan kuadrat pada periode ke-t
= banyaknya data
2.4.4 Pemilihan Teknik dan Metode Peramalan
Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode
1. Horison Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan
masing-masing metode peramalan, yaitu cakupan waktu dimasa yang akan datang
dan jumlah periode untuk peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam pola
yang didapati di dalam data yang diramalkan akan berkelanjutan.
3. Jenis dan Model
Model-model merupakan suatu deret dimana waktu digambarkan sebagai
unsur yang penting untuk menentukan perubahan-perubahan dalam pola.
Model-model perlu diperhatikan karena masing-masing model mempunyai
kemampuan yang berbeda dalam analisis keadaan untuk pengambilan.
4. Biaya yang dibutuhkan
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu
prosedur peramalan, yaitu biaya-biaya penyimpanan (storage) data, operasi
pelaksanaan, kesempatan dalam penggunaan teknik-teknik dan metode
peramalan.
5. Ketepatan Peramalan
Tingkat ketepatan yang dibutuhkan sangat erat dengan tingkat perincian
yang dibutuhkan dalam suatu peramalan.
6. Kemudahan dan Penerapan
Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah
2.5 Metode Pemulusan
Sebagai suatu penaksir (estimate) yang meminimumkan nilai tengah kesalahan
(MSE) dari nilai-nilai yang sebenarnya dikurangi dengan nilai taksirannya, nilai
rata-ratalah yang digunakan. Dengan kondisi bahwa proses membangkitkan data
tersebut berada dalam keseimbangan di sekitar nilai yang konstan selama waktu
tertentu.
Jadi bilamana suatu deret berkala dibangkitkan oleh suatu proses konstan
yang mengandung kesalahan random (atau gangguan/noise), maka nilai tengah
merupakan statistik yang bermanfaat dan dapat dipakai sebagai ramalan untuk
periode mendatang. Namun, jika deret waktu tersebut mengandung
kecenderungan/trend, atau pengaruh musiman atau sekaligus pengaruh
kecenderungan dan musiman, maka rata-rata sederhana tidak lagi dapat
menggambarkan pola data tersebut. Dalam hal ini dibahas berbagai metode
pemulusan (smoothing) yang lebih baik dari nilai tengah sebagai ramalan untuk
periode mendatang.
1. Metode Perataan (average)
a. Nilai tengah (Mean)
b. Rata-rata bergerak tunggal (single moving average)
c. Rata-rata bergerak ganda (double moving average)
d. Kombinasi rata-rata bergerak lainnya.
Metode perataan tujuannya adalah memanfaatkan data masa lalu untuk
2. Metode Pemulusan (smoothing) eksponensial:
a. Pemulusan yang digunakan dalam menghitung ramalan dengan metode
pemulusan eksponensial
�+1 = ��+ (1− ) � (2.3)
Keterangan:
�� = Data sebenarnya pada periode ke-t
� = Ramalan pada periode ke-t
= Parameter pemulusan eksponensial yang besarnya (0 < α < 1)
�+1 = Ramalan pada periode ke t + 1
b. Pemulusan (smoothing) Eksponensial Tunggal Pendekatan Adaktif
Metode pemulusan SES memerlukan spesifikasi nilai α. Pemulusan eksponensial
tunggal dengan tingkat respon yang adaktif (ARSES) memiliki kelebihan yang
nyata atas SES dalam hal nilai α yang dapat berubah secara terkendali, dengan
adanya perubahan dalam pola datanya. Metode ini bersifat adaptif dalam arti
bahwa nilai α berubah secara otomatis bilamana terdapat perubahan dalam pola
data dasar.
c. Pemulusan (Smoothing) Eksponensial Ganda Metode Linier Satu Parameter
dari Brown
Pemulusan eksponensial linier dapat dihitung hanya dengan tiga nilai data dan
satu nilai untuk α. Pendekatan ini juga memberikan bobot yang semakin menurun
pada observasi masa lalu. Dengan alasan ini pemulusan eksponensial linier lebih
disukai dari pada rata-rata bergerak linier sebagai suatu metode peramalan dalam
Dasar pemikiran dari pemulusan eksponensial dari Brown adalah serupa
dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda
ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend. Perbedaan
antara pemulusan tunggal dan ganda dapat ditambahkan kepada pemulusan
tunggal dan disesuaikan untuk trend. Persamaan yang dipakai dalam implementasi
pemulusan eksponensial linier satu-parameter dari Brown ditunjukkan di bawah
ini.
��′ =��� + (1− �)��−′ 1 (2.4)
��′ =��′�+ (1− �)��−
1
" (2.5)
� =��′ + ��′ − ��" = 2��′ − ��" (2.6)
� =1−�� ��′ − ��" (2.7)
�+ = ��+ � (2.8)
Keterangan:
= Jumlah periode di depan yang diramalkan
��′ = Nilai pemulusan eksponensial tunggal
��" = Nilai pemulusan eksponensial ganda
� = Parameter pemulusan eksponensial yang besarnya ( 0< α <1 )
�, � = Konstanta pemulusan dan slope
2.6 Metode Laju Pertumbuhan Eksponensial (LPPE) (Exponensial Growth)
Pertumbuhan penduduk eksponensial adalah pertumbuhan penduduk yang
berlangsung terus-menerus (continuos). Ukuran penduduk secara eksponensial ini
lebih tepat, mengingat bahwa dalam kenyataannya pertumbuhan penduduk
berlangsung secara terus-menerus (LD, FE, UI, 1980). Metode ini menghitung
pertumbuhan penduduk secara garis beras (kasar) yaitu tanpa menghitung angka
kematian dan migrasi
Adapun rumusan yang dipergunakan dalam perhitungan pertumbuhan
penduduk adalah dengan menggunakan rumusan sebagai berikut:
�� =�0.���
�= �
�� �0 �log�
�= 1� �0��
Dimana:
�� = Banyaknya penduduk pada tahun akhir
�0 = Banyaknya penduduk pada tahun awal
� = Angka pertumbuhan penduduk
� = Angka eksponensial (2,718282)
