BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan - Peramalan Nilai Ekspor dan Impor Semua Tanaman di Balai Besar Karantina Pertanian Belawan

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas berbagai macam metode, yaitu metode pemulusan eksponensial atau rata-rat bergerak, metode Box-Jenkins, dan metode Regresi, semua itu dikenal dengan metode peramalan. Metode peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang. Dengan kata lain metode peramalan ini digunakan dalam peramalan yang bersifat objektif.

Disamping itu peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga apabila digunakan pendekatan yang sama suatu permasalahan dalam kegiatan peramalan, maka akan didapat dasar pemikiran dan pemecahan yang sama.

2.2 Kegunaan Peramalan

Sering terdapat senjang waktu (Time Lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (Lead Time) ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan.

Dalam perencanaan di organisasi atau perusahaan peramalan merupakan kebutuhan yang sangat penting, dimana baik buruknya peramalan dapat mempengaruhi seluruh bagian organisasi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu untuk yang penting dalam perencanaan yang efektif dan efesien.

Peramalan memiliki banyak kegunaan, diantaranya:

1. Berguna penjadwalan sumber daya yang tersedia.

Penggunaan sumber daya yang efesien memerlukan penjadwalan produksi, transportasi, kas, personalia, dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan akan konsumennya atau pengalaman.

2. Berguna dalam penyediaan sumber daya tambahan.

3. Untuk menentukan sumber daya yang diinginkan.

Setiap organisasi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan semacam itu bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangan. Semua penentuan ini memerlukan ramalan yang baik dan manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang tepat.

Walaupun terdapat banyak bidang lain yang memerlukan peramalan, namun tiga kelompok diatas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang.

Dari uraian diatas dapat dikatakan Metode Peramalan sangat berguna, karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu, sehingga dapat memberikan cara pemikiran, pengerjaan yang teratur dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang dibuat atau disusun.

2.3 Metode Peramalan

2.3.1 Metode Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan oleh pemikiran yang bersifat intuisi, pendapatan dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan ini didasarkan atas hasil penyelidikan. Metode kualitatif ini dapat dibagi menjadi metode eksploratoris dan normatif.

2.3.2 Metode Peraalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan, adapun yang perlu diperhatikan dari penggunaan metode-metode tersebut adalah baik tidaknya metode yang dipergunakan sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Metode

kuatitatif dapat dibagi menjadi deret berkala (time series) dan metode kausal.

pada peramalan kuantitatif. Pada dasarnya metode peramaln kuantitatif ini dibedakan atas :

1. Metode peramalan yang didasarkan pada penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret berkala (time series).

2. Metode peramalan yang didasarkan pada penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, bukan waktu yang disebut dengan metode korelasi, sebab akibat (causal methods).

Dalam penulisan proposal ini., digunakan metode peramalan yang pertama, yaitu metode peramalan dengan menggunakan variabel waktu atau yang dikenal dengan “time series”.

Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi, yaitu:

1. Adanya informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang.

Metode-metode peramalan dengan menggunakan analisa deret waktu, yaitu: 1. Metode pemulusan (smoothing) dan rata-rata bergerak (moving average)

Metode ini sering digunakan untuk ramalan jangka pendek dan untuk ramalan jangka panjang.

2. Metode Box Jenkins

Metode ini jarang dipakai, namun baik digunakan untuk ramalan jangka pendek, menengah dan jangka panjang.

3. Metode proyeksi trend dengan regresi

Metode ini digunakan untuk ramalan jangka menengah dan jangka panjang.

Dalam penulisan proposal ini, yang akan digunakan adalah metode time series yang pertama, yaitu metode pemulusan eksponensial.

2.4 Pemilihan Teknik dan Metode Peramalan

Dalam pemilihan teknik dan metode peramalan, perlu diketahui ciri-ciri penting untuk pengambilan keputusan dan analisa keadaan dalam mempersiapkan peramalan.

Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu:

1. Horizon Waktu

2. Pola data

Dasar utama metode peramalan adalah anggapan bahwa macam dari pola data yang diramalkan akan berkelanjutan.

3. Jenis-jenis dari Model

Jenis-jenis model merupakan suatu deret dimana waktu yang digambarkan sebagai unsur penting untuk menentukan perubahan-perubahan dalam pola. Masing-masing model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

4. Biaya yang dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan yaitu: biaya-biaya pengembangan, penyimpanan (storage) data, operasi pelaksaan, kesempatan dalam penggunaan teknik-teknik dan metode peramalan.

5. Ketepatan Metode Peramalan

Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.

6. Kemudahan dalam Penerapan

Hal penting yang harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historinya. Sehingga pola data yang tepat dengan pola data historis tersebut dapat diuji, dimana pola data umumnya dapat dibedakan sebagai berikut:

1. Pola Data Horizontal

Pola ini terjadi bila berpluktasi disekitar nilai rata-rata yang konstan.

2. Pola Data Musiman (Seasonal)

Pola yang menunjukkan perubahan yang berulang-ulang secara periodik dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman, misalnya: kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu.

3. Pola Data Siklis (Cyclical)

Pola data yang menunjukkan gerak naik turun dalam jangka panjang dari suatu kurva trend. Terjadi bila datanya dipengaruhi oleh fluktasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.

4. Pola Data Trend

2.5 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 dan digunakan sebagai dasar dalam penyusunan suatu ramalan untuk beberapa periode dimasa depan yang diinginkan. Metode Box-Jenkins adalah salah satu metode untuk menganalisis waktu.

Pada dasarnya ada dua model dari metode Box-Jenkins, yaitu model linier untuk deret statis (Stasionary Series) dan model untuk deret data yang tidak statis (Non Stasionary Series). Model-model linier untuk deret data yang statis menggunakan teknik penyaringan (Auto Regresive-Moving Average) untuk suatu kumpulan data. Sedangkan untuk model yang tidak statis menggunakan apa yang disebut ARIMA (Auto Regresive-Moving Average).

2.6 Metode Auto Regresive (AR)

Metode Auto Regresive adalah model yang menggambarkan bahwa variabel dependen dipengaruhi oleh variabel dependen itu sendiri pada periode-periode yang sebelumnya, atau autokorelasi dapat juga sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu (lag) 0,1,2 periode atau lebih. Bentuk umum Autoregresive dengan ordo p atau dituliskan dengan AR (p) mempunyai persamaan sebagai berikut:

∅ t = Parameter

𝑒

t = Nilai kesalahan pada t

𝜇 = Nilai kostanta

Persamaan umum model AR (p) dapat juga ditulis sebagai berikut:

(1 -

∅

1

B

-

∅

2

B

2

- ... -

∅

p B p

)

X t

-

1

+

∅

2

X t

=

𝜇

+

𝑒

t

Dalam hal ini B adalah operator mundur (Backward Shift Operator), bentuk umum operator bergerak mundur ini dapat ditulis sebagai berikut :

B

d

X t

=

Yt=d

Model Auto Regresive yang sering dijumpai dalam peraktek adalah model AR (1) dan AR (2).

Persamaan AR (1) ditulis dengan:

(1 -

∅

1B

)

X t

=

𝜇

+

𝑒

t

Persamaan AR (2) ditulis dengan:

(1 -

∅

1B

-

∅

2

B

2

)

X t

=

𝜇

+

𝑒

t

2.7 Metode Rataan Bergerak

X t

=

𝜇

+

𝑒

t

–

𝜃

1

𝑒

t-1

–

𝜃

2

𝑒

t-2

–

𝜃

q

𝑒

t-k

Keterangan:

𝜃i = Parameter dari proses rataan bergerak ke-I, i = 1,2,3,...,q

X t = Variabel yang diramalkan

𝑒

t-q = Nilai kesalahan pada saat t-q

Persamaan untuk model MA (q) bila menggunakan operator penggerak mundur dapat ditulis sebagai berikut:

X t

=

𝜇

+ (1 -

∅

1B

-

∅

2

B

2

- ...

∅

q

B

q

)

𝑒

t

Persamaan MA (1) dapat dituliskan dengan:

X t

=

𝜇

+

𝑒

t

-

∅

1

𝑒

t=1

Perbedaan model moving average dan model autoregressive terletak pada jenis variabel independen pada model autoregressive adalah nilai sebelumnya (lag) dari variabel dependen (Xt) itu sendiri, maka pada model moving average

sebagai variabel independen adalah nilai residual pada periode sebelumnya.

2.8 Metode Box-Jenkins

Metode ARIMA meliputi tiga tahap yang harus dilakukan secara berurutan:

1. Identifikasi parameter-parameter model dengan menggunakan metode autokorelasi dan autokorelasi parsial.

signifikan memberikan kontribusi pada model atau salah satunya dapat dihilangkan.

3. Pengujian dan penerapan model untuk meramalkan series data beberapa periode ke depan. Pada tahap ini digunakan try and error yang sangat bermanfaat untuk meningkatkan pemahaman dalam aplikasi model ARIMA untuk memprediksi data-data ekspor dan impor yang berbasis time series.

2.9 Peramalan Model Box-Jenkins