BAB 2
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah upaya memperkirakan nilai-nilai respon yang menjadi perhatian di masa depan dan digunakan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalkan kendala atau memaksimalkan pengembangan baik dalam dunia usaha, seperti peramalan produksi dan sebagainya. Dalam keefektifannya haruslah suatu peramalan tersebut adalah hasil dari proses perhitungan yang sistematis. Dalam statistika, peramalan sangat bergantung pada data histori.
Secara ilmiah metode peramalan dapat diklasifikasikan dalam dua kelompok yaitu metode kualitatif dan metode kuantitatif. Metode peramalan kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya yang digabungkan dengan intuisi manusia dari pada penggunaan data historis yang dimiliki dalam menghasilkan suatu informasi yang perkiraan bakal terjadi di masa yang akan datang. Metode ini banyak digunakan dalam banyak pengambilan keputusan sehari-hari. Dalam hal ini ramalan dikatakan baik atau tidak bergantung dari banyak hal antara lain pengalaman, perkiraan, dan pengetahuan yang didapat.
Metode peramalan kuantitatif merupakan peramalan yang didasarkan pada data-data variabel yang bersangkutan di masa sebelumnya. Metode ini menggunakan analisis statistik dan tanpa intuisi atau penilaian subyektif orang yang melakukan peramalan. Menurut Makridakis dkk (1992), peramalan dengan menggunakan metode kuantitatif dapat diterapkan apabila terdapat tiga kondisi berikut:
1. Tersedia informasi tentang masa lalu,
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,
2.2 CV. Mode Fashion Departement Store Medan
CV. Mode Fashion adalah sebuah perusahaan swasta nasional yang bergerak dibidang retail untuk membuat suatu perusahaan yang meproduksi pakaian jadi seperti baju kemeja yang di pakai dalam kehidupan sehari-hari. Suatu produk yang digunakan sebagai kelengkapan penampilan seseorang dan menjadi salah satu kebutuhan yang tak bisa lepas dari semua orang dari anak-anak sampai dewasa dan enggak menutup kemungkinana dari kalangan bawah sampai kalangan atas sehingga setiap kegiatan apapun pasti kita memakainya untuk melengkapi penampilan setiap saat sehingga semakin banyak yang memesan suatu produk semakin bertambah pula produksi yang dibuat.
Oleh karena itu, setiap perusahaan yang bergerak di bidang retail pasti mempunyai permasalahan kondisi yang mengakibatkan produksi menurun atau berkurang optimal dikarenakan tidak adanya tidak adanya pemahaman yang baik dalam strategi penerapan tentang produksi barang.
2.3 Metode Deret Berkala
Deret berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Metode Time Series merupakan metode peramalan kuantitatif yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan varibel waktu. Time Series mencakup penelitian pola data yang digunakan untuk meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa yang akan datang.
Berdasarkan sumbernya, data dibedakan menjadi data intern dan data ekstern. Data intern adalah data yang berasal dari dalam organisasi (perusahaan), sedangkan data ekstern adalah data yang berasal dari luar organisasi (perusahaan). Data ekstern terbagi atas data primer dan sekunder. Data primer adalah data yang dikumpulkan sendiri untuk peramalan yang akan dilakukan, sedangkan data sekunder adalah data yang terkumpul atau sudah tersedia untuk peramalan.
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu: a. Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan jangka menengah.
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus-menerus. Pola data bentuk ini digambarkan sebagai berikut:
Gambar 2.1 Pola Siklis
b. Pola Musiman (Season)
Perkataan musim menggambarkan pola penjualan yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam vektor cuaca, libur, atau kecenderungan perdagangan. Pola musiman berguna meramalkan penjualan dalam jangka pendek.
c. Pola kecenderungan (trend)
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus. Pola data dalam bentuk ini dapat digambarkan sebagai berikut:
Gambar 2.3 Pola Kecenderungan
d. Pola Acak
Pola data ini menggambarkan pola penjualan yang setiap periodenya memiliki kondisi yang beragam dan acak. Pola data dalam bentuk ini dapat digambarkan sebagai berikut:
Gambar 2.4 Pola Acak
2.4 Metode Pemulusan (Smoothing)
Metode pemulusan (smoothing) adalah suatu metode peramalan dengan melakukan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan.
2.4.1 Metode Pemulusan Eksonensial Tunggal
pula bobot atas hasil peramalan sebelumnya. Penentuan besarnya bobot yang digunakan dapat ditentukan dengan menghitung MSE dan MAPE untuk tiap alternatif bobot yang akan dipilih. Bobot yang menghasilkan MSE dan MAPE terkecil adalah yang lebih baik.
2.4.2 Pemulusan Eksponensial Ganda dari Brown
Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar pemikiran dari metode pemulusan eksponensial ganda (linier satu parameter dari Brown) adalah sama dengan rata-rata bergerak linier karena dua nilai pemulusan
tunggal dan ganda ketinggalan dari data sebenarnya. Pada teknik brown ini komponen tren dan komponen lainnya dihaluskan bersama-sama dengan menggunakan hanya satu parameter yaitu alpha (∝).
Persamaan yang dipakai dalam penggunaan pemulusan eksponensial ganda dari Brown adalah sebagai berikut:
′ = ∝ + (1−∝) ′ (2.1)
" = ∝ ′ + (1−∝) " (2.2)
= ′+ ′− " = 2 ′ − " (2.3)
= ∝ ∝ ( ′ − ") (2.4)
= + ( ) (2.5)
di mana:
′ = nilai pemulusan eksponensial tunggal
" = nilai pemulusan eksponensial ganda
∝ = parameter pemulusan eksponensial yang besarnya 0 < α < 1
, = konstanta pemulusan
= hasil peramalan untuk periode ke depan yang diramalkan
2.4.3 Metode Pemulusan Dua Parameter dari Holt
langsung. Pada teknik eksponensial ganda linier dua parameter dari Holt, komponen tren dihaluskan secara terpisah dengan menggunakan parameter berbeda.
Ramalan dari pemulusan dua parameter dari Holt didapat dengan menggunakan 2 konstanta pemulusan (∝ dan γ) 2 parameter yang nilainya antara 0 dan 1. Persamaan yang digunakan dalam penggunakan pemulusan dua parameter dari holt adalah sebagai berikut:
S = ∝ X + (1−∝)(S + b ) (2.6)
b =γ(S − S ) + (1 −γ)b (2.7)
= + ( ) (2.8)
di mana:
= data pemulusan = '()*+ pemulusan
∝ dan γ = parameter yang nilainya 0 dan 1
F 2 = hasil peramalan untuk periode ke depan yang diramalkan
2.4.4 Ketetapan Ramalan Beberapa Kriteria Digunakan Untuk Menguji
1. ME (Mean Error) atau Nilai Tengah Kesalahan
67 = 8)9
:
;
ME (Mean Error) untuk mengukur ketepatan ramalan dengan rata-rata nilai tengah kesalahan dan membagikan dengan jumlah observasi.
2. MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat
6 7 = 8)9<
:
;
dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar.
3. MAE (Mean Absolute Error) atau Nilai Tengan Kesalahan Absolut
6=7 = 8|?) |?9
:
;
MAE (Mean Absolute Error) adalah untuk mengukur peramalan dengan rata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan).
4. MAPE (Mean Absolute Percentage Error) atau Nilai Tengah Kesalahan Persentase Absolut
6=@7 = 8|@7 |9
:
;
Sedangkan MAPE adalah rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil peramalan (mean absolute percentage error). Dimana semakin kecil nilai MSE dan MAPE nya, maka
semakin baik hasil ramalannya. di mana:
) = ( kesalahan pada periode ke t )
9 = banyaknya periode waktu