11

BAB II

LANDASAN TEORI

2.1 Peramalan

Peramalan adalah metode untuk memperkirakan suatu nilai dimasa depan

dengan menggunakan data masa lalu. Peramalan juga dapat diartikan sebagai seni

dan ilmu untuk memperkirakan kejadian pada masa yang akan datang, sedangkan

aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan

penjualan dan penggunaan suatu produk sehingga produk-produk itu dapat dibuat

dalam kuantitas yang tepat (Gazpersz, 2002).

Peramalan yang dibuat selalu diupayakan agar dapat :

1. Meminimumkan pengaruh ketiak pastian terhadap perusahaan.

2. Peramalan bertujuan mendapatkan peramalan (forecast) yang bisa

meminimumkan kesalahan meramal (forecast error) yang biasanya diukur

dengan MSE (Mean Squared Error), MAE (Mean Absolute Error), dan

sebagainya (Subagyo, 1986).

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti

langkah-langkah atau prosedur penyusunan yang baik yang akan menentukan

kualitas atau mutu dari hasil peramalan yang disusun. Pada dasarnya ada 3

langkah peramalan yang penting, yaitu (Assauri, 1984) :

1. Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi di masa

lalu.

2. Menentukan data yang dipergunakan. Metode yang baik adalah metode yang

memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang

terjadi.
 12

3. Memproyeksikan data yang lalu dengan menggunakan metode yang

dipergunakan, dan mempertimbangkan adanya beberapa factor perubahan

(perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan

kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan

teknologi dan penemuan-penemuan baru).

Terdapat dua langkah dasar yang harus dilakukan dalam membuat atau

menghasilkan suatu peramalan yang akurat dan berguna. Langkah dasar yang

pertama adalah pengumpulan data yang relevan dengan tujuan peramalan yang

dimaksud dan menurut informasi – informasi yang dapat menghasilkan peramalan

yang akurat. Langkah dasar yang kedua adalah memilih metode peramalan yang

tepat yang akan digunakan dalam mengolah informasi yang terkandung dalam

data yang telah dikumpulkan.

Sedangkan prinsip-prinsip peramalan yang perlu dipertimbangkan adalah :

1. Peramalan melibatkan kesalahan (error), peramalan akan hanya mengurangi

ketidakpastian tetapi tidak menghilangkannya.

2. Peramalan sebaiknya memakai tolak ukur kesalahan peramalan, pemakai

harus tahu besar kesalahan, yang dapat dinyatakan dalam suatu unit atau

persentase (probability) permintaan aktual akan jatuh dalam interval

peramalan.

3. Peramalan family produk lebih akurat dari pada peramalan produk individu

(item).

4. Peramalan jangka pendek lebih akurat dari pada peramalan jangka panjang,

karena peramalan jangka pendek, kondisi yang mempengaruhi permintaan

 13

cenderung tetap atau berubah lambat, sehingga peramalan jangka pendek lebih

akurat.

5. Jika memungkinkan coba melakukan perhitungan permintaan dari pada

meramalkan permintaan.

Adapun karakteristik peramalan yang baik adalah :

1. Accuracy

2. Low Rupiah Cost Of Software Purchase Or Development

3. Low Computer Time Requirments

4. On-Line Capabilities

Peramalan adalah seni atau ilmu untuk memperkirakan kejadian di masa

depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data historis dan

memproyeksikannya ke masa mendatang dengan suatu bentuk model sistematis,

Atau bisa juga dengan menggunakan kombinasi model matematis yang

disesuaikan dengan pertimbangan yang baik dari seorang manajer (Render &

Heizer, 2009). Peramalan biasanya diklasifikasikan berdasarkan horizon waktu

masa depan yang dilingkupinya. Peramalan biasanya diklarifikasikan berdasarkan

horizon waktu masa depan yang dilingkupinya. Peramalan diperlukan perhitungan

yang akurat sehingga diperlukan peramalan yang tepat. Pada dasarnya terdapat

dua pendekatan umum untuk mengatasi semua model keputusan untuk meramal

(Nasution, 2008):
 14

1. Peramalan Kualitatif Yaitu peramalan yang menggabungkan faktor faktor

seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi, dan

system nilai

2. Peramalan Kuantitatif Yaitu peramalan yang menggunakan satu atau lebih

model matematis dengan data masa lalu dan variabel sebab akibat untuk

meramalkan permintaan. Ada lima metode peramalan kuantitatif, yaitu

metode pendekatan naif, metode rata-rata bergerak, metode penghalusan

eksponential, penghalusan tren, dan regresi linear.

Sudah banyak penelitian yang dilakukan untuk mencari penyelesaian

Forecasting dengan tujuan meramalkan proses produksi yang akan datang. Hasil

penelitian oleh (Prasetio, 2014) menunjukkan bahwa metode terbaik untuk

menentukan tingkat permintaan terhadap produk adalah metode Linear Regression

karena memiliki nilai MAD dan MSE paling rendah diantara metode peramalan

lainnya dan untuk membeli bahan baku utama yaitu PVC. PVC harus dibeli dalam

jumlah yang tepat agar proses produksi dapat berjalan dengan baik dan efisien.

Penelitian lain yang dilakukan oleh (Wardah, 2016) menunjukkan pengumpulan

dan pengolahan data.

2.1.1 Perananan Teknik Peramalan

Situasi peramalan sangat beragam dalam horison waktu peramalan,

faktor menentukan hasil sebenarnya, tipe pola data dan berbagai aspek

lainnya. Untuk menghadapi penggunaan yang luas seperi itu, beberapa teknik

telah dikembangkan. Teknik tersebut dibagi dalam dua kategori utama, yaitu

metode kuantitatif dan metode kualitatif atau teknologis. Metode kuantitatif

 15

dapat dibagi menjadi deret berkala dan metode kausal, sedangkan metode

kualitatif atau teknologis dapat dibagi menjadi metode eksploratoris dan

normatif. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi

berikut :

1. Tersedia informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik

3. Dapat diasumsikan bahwa bebeapa aspek pola masa lalu akan terus

berkelanjut di masa mendatang.

Kondisi yang terakhir ini dikenal sebagai asumsi kesinambungan;

asumsi ini merupakan premis yang mendasari semua metode peramalan

kuantitatif dan banyak metode peramalan teknologis, terlepas dari

bagaimana canggihnya metode tersebut.

Teknik peramalan kuantitatif sangat beragam, dikembangkan dari

berbagai disiplin dan untuk berbagai maksud. Setiap teknik mempunyai

sifat, ketepatan dan biaya tersendiri yang harus dipertimbangkan dalam

memilih metode tertentu. Prosedur peramalan kuantitatif terletak diantara

dua ekstrim rangkaian kesatuan, yaitu metode naif atau instuitif, dan

metode kuantitatif formal yang didasarkan atas prinsip-prinsip statistika.

Orang yang tidak mengenal metode peramalan kuantitatif sering

berfikir bahwa masa lalu tidak dapat menerangkan masa depan secara

tepat karena segala sesuatunya berubah secara tidak konstan. Tetapi

setelah sedikit mengenal data dan teknik peramalan, maka menjadi jelas

bahwa walaupun tidak ada yang tetap sama, sejarah ternyata berulang pada

batas tertentu. Penerapan metode yang benar seringkali dapat menjelaskan

 16

hubungan antara faktor yang diramalkan dan waktu itu sendiri (atau

beberapa faktor lainnya), yang memungkinkan terjadinya peningkatan

peramalan.

Terdapat dua jenis model peramalan yang utama, yaitu: model deret

berkala dan model regresi (kausal). Pada jenis pertama, pendugaan masa

depan dilakukan berdasarkan nilai masa lalu dari suatu variable atau

kesalahan masa lalu. Tujuan metode peramalan deret berkala seperti itu

adalah menemukan pola dalam deret data historis mengestrapolasikan poa

tersebut ke masa depan. Pola data dapat dibedakan menjadi empat jenis

siklis dan trend.

1. Pola horizontal (H) terjadi bilamana nilai data berfluktuasi di

sekitar nilai rata-rata yang konstan. (Deret seperti itu “stasioner”

terhadap nilai rata-ratanya). Suatu produk yang penjualan nya

tidak meningkat atau menurun selama waktu tertentu termasuk

jenis ini. Demikian pula, suatu keadaan pengendalian mutu yang

menyangkut pengambilan contoh dari suatu proses produksi

berkelanjutan yang secara teoritis tidak mengalami perubahan

juga termasuk jenis ini. Gambar 2.1 menunjukan suatu pola khas

dari data horizontal atau stasioner seperti ini.

Gambar 2.1. Pola Data Horizontal

 17

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

faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau

hari-hari pada minggu tertentu). Penjualan dari produk seperti

minuman ringan, es krim, dan bahan bakar pemanas ruang

semuanya menunjukkan jenis pola ini. Untuk pola musiman

kuartalan, datanya mungkin serupa dengan gambar 2.2

Gambar 2.2. Pola Data Musiman

3. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan dengan siklus

bisnis. Penjualan produk seperti mobil, baja, dan peralatan utama

lainnya menunjukkan jenis pola ini seperti ditunjukkan pada

gambar 2.3.

Gambar 2.3. Pola Data Siklus

4. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan

sekuler jangka panjang dalam data. Penjualan banyak perusahaan,

 18

produk bruto nasional (GNP) dan berbagai indikator bisnis atau

ekonomi lainnya mengikuti suatu pola trend selama peubahannya

sepanjang waktu. Gambar 2.4 menunjukkan salah satu pola trend

seperti itu.

Gambar 2.4. Pola Data Tren

Banyak deret data yang mencakup kombinasi dari pola-pola di atas. Metode

peramalan yang dapat membedakan setiap pola harus dipakai bila diinginkan

adanya pemisahan komponen pola tersebut. Demikian pula, metode peramalan

alternatif dapat digunakan untuk mengenal pola dan mencocokan data secara tepat

sehingga nilai mendatang dapat diramalkan.

2.2 Tujuan Peramalan

Menurut Subagyo (2002:1) tujuan peramalan adalah mendapatkan peramalan

yang bisa meminimumkan kesalahan meramal ( forecast error) yang biasa diukur

dengan Mean Absolute Error (MAD) dan Mean Square Error (MSE). Sehingga

dengan adanya peramalan produksi manajemen perusahaan akan mendapatkan

gambaran keadaan produksi dimasa yang akan datang, dan akan memberikan

kemudahan manajemen perusahaan dan menentukan kebijakan yang akan dibuat

oleh perusahaan.
 19

2.2.1 Hal-hal Yang Tidak Bisa Diramalkan

Hal yang tidak dapat mempengaruhi suatu kehidupan perusahaan dan

yang tidak bisa diramalkan adalah pengaruh lingkungan. Dan pengaruh

lingkungan ini dapat dibagi menjadi :

1. Pengaruh Sosial

Yaitu pengaruh social yang berupa keadaan sosial atau masyarakat

disekitar perusahaan.

2. Pengaruh Lingkungan Teknis

Pengaruh lingkungan ini terutama cara-cara atau tingkat teknologi

yang ada. Keadaan teknis dan kemajuan teknologi tida dapat

diramalkan.

3. Lingkungan ekonomi makro

Lingkungan ini meliputi keadaan perekonomian ditempat

perusahaan berada atau memasarkan hasil produksinya.

2.2.2 Kebutuhan Dan Kegunaan Peramalan

Sering terdapat waktu senjang (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. Jika waktu tenggang ini nol atau sangat kecil, maka

perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil

peristiwa akhir bergantung pada faktor-faktor yang dapat diketahui, maka

perencanaan dapat memegang peranan penting. Dalam situasi seperti itu

peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi

atau timbul, sehingga tindakan yang tepat dapat dilakukan.

 20

Dalam hal manajemen dan administrasi, perencanaan merupakan

kebutuhan yang besar, karena waktu tenggang untuk mengambil keputusan

dapat berkisar dari beberapa tahun (untuk kasus penanaman modal) sampai

beberapa hari atau beberapa jam (untuk penjadwalan produksi dan

transportasi). Peramalan merupakan alat bantu yang penting dalam

perencanaan yang efektif dan efesien.

2.3 Jenis Peramalan

Menurut Render dan Heizer (2005:138) peramalan dapat dibedakan menjadi 3

jenis yaitu:

1. Peramalan Ekonomi ( Economic Forecast )

Menjelaskan silkus bisnis dengan memprediksi tingkat inflansi,

ketersediaan uang, dana, yang dibutuhkan untuk membangun perumahan

dan indikator perencanaan lainnya.

2. Peramalan Teknologi ( Tchnological Forecast )

Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan

produk baru yang menarik, membutuhkan pabrik, dan peralatan baru.

3. Peramalan Permintaan ( Demand Forecast )

Proyeksi permintaan untuk produk atau layanan suatu perusahaan.

Peramalan ini juga disebut peramalan penjualan, yang mengendalikan

produksi, kapasitas serta system penjadwalan dan menjadi input bagi

perencanaan keuangan, pemasaran, dan sumber daya manusia.

2.3.1 Proses peramalan

Proses peramalan terdiri dari langkah-langkah sebagai berikut:

 21

a. Penentuan tujuan, menganalisis dan membicarakan dengan para

pembuat keputusan dalam perusahaan untuk mengetahui apa

kebutuhan-kebutuhan mereka dalam menentukan:

1. Variabel-variabel apa yang diestimasi,

2. Siapa yang akan menggunakan hasil peramalan

3. Untuk tujuan apa hasil peramalan akan digunakan.

4. Estimasi jangka panjang atau jangka pendek yang diinginkan.

5. Derajat kecepatan estimasi yang diinginkan.

6. bagian-bagian peramalan yang diinginkan, seperti peramalan

kelompok pembeli, daerah geografis, dan produk.

b. Pengembangan Model

Setelah tujuan ditetapkan, langkah berikutnya adalah

mengembangkan model. Pengembangan model ini merupakan

penyajian yang lebih lebih sederhana sistem yang dipelajari. Model

adalah suatu karangka analitik yang apabila dimasukkan data masukan

menghasilkan estimasi penjualan diwaktu mendatang (atau variabel apa

yang meramal). Analisator hendaknya memilih satu model yang

menggambarkan secara realistis pelaku variabel-variabel yang

dipertimbangkan.

Sebagai contoh, bila perusahaan ingin meramalkan volume

penjualan yang berbentuk linear, model yang mungkin dipilih Y = A

+ BX,

Keterangan :

Y = besarnya volume penjualan

 22

X = unit waktu

c. Pengujian Model

Sebelum diterapkan, model biasanya diuji untuk menentukan

tingkat akurasi, validitas, dan reliabilitas yang diharapkan. Ini sering

mencakup penerapannya pada data historis, dan penyiapan estimasi

untuk tahun-tahun sekarang dengan data nyata dan tersedia. Nilai

suatu model ditentukan oleh derajat ketepatan hasil peramalan data

aktual.

d. Penerapan Model

Setelah pengujian model, maka model akan diterapkan dalam

tahap ini, data historis dimasukkan dalam model untuk menghasilkan

satu ramalan. Dalam kasus model penjualan, Y = A+BX, analisator

menerapkan teknik-teknik matematika agar diperoleh A dan B.

e. Revisi dan Evaluasi

Ramalan-ramalan yang telah dibuat harus diperbaiki dan ditinjau

kembali. Perbaikan mungkin perlu dilakukan karena adanya

perubahan-perubahan dalam perusahaan atau lingkungannya, seperti

tingkat harga produk perusahaan, karakteristik-karakteristik produk,

pengeluaran-pengeluaran periklanan, tingkat pengeluaran pemerintah,

kebijakan monoter dan kemajuan teknologi.

Evaluasi di pihak lain, merupakan perbandingan ramalan-ramalan

dengan hasil nyata untuk menilai ketepatan penggunaan suatu

metodologi atau teknik peramalan. Dalam proses peramalan

(forecasting), akan ditemukan situasi, persoalan, dan keputusan yang

 23

berbeda-beda.

Namun demikian, ada 3 unsur pokok yang sama dalam kaitannya

dengan masalah peramalan, yaitu:

a. Waktu, secara spesifik dalam semua situasi pengambilan

keputusan selalu berhubungan dengan masa depan.

b. Situasi ketidakpastian, jika pengambil keputusan yakin terhadap

suatu hasil yang akan terjadi di masa dating, maka peramalan

tidak ada gunanya.

c. Keputusan-keputusan yang didasarkan pada ramalan-ramalan

yang dibuat, berdasarkan analisis statistik untuk mengidentifikasi

pola data histories yang dapat diramalkan.

2.4 Metode Peramalan

a. Metode Moving Average

Rata-rata bergerak (Moving Average) adalah suatu metode peramalan

yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari

nilai rata-rata tersebut sebagai ramalan untuk periode yang akan dating

(Subagyo, 2008). Metode Moving Average mempunyai

Karakteristik khusus yaitu ;

1. Untuk menentukan ramalan pada periode yang akan datang

memerlukan data historis selama jangka waktu tertentu. Misalnya,

dengan 3 bulan moving average, maka ramalan bulan ke 5 baru dibuat

setelah bulan ke 4 selesai/berakhir. Jika bulan moving averages bulan

ke 7 baru bisa dibuat setelah bulan ke 6 berakhir.

 24

2. Semakin panjang jangka waktu moving average, efek pelicinan

semakin terlihat dalam ramalan atau menghasilakan moving average

yang semakin halus.

Persamaan matematis single moving averages adalah sebagai berikut:

(1)

n = Jumlah batas dalam moving average

Dalam model moving average dapat dilihat bahwa bahwa semua data

observasi memiliki bobot yang sama yang membentuk rata-ratanya. Padahal

data observasi terbaru seharusnya memiliki bobot yang lebih besar

dibandingkan dengan data observasi dimasa lalu. Hal ini dipandang sebagai

kelemahan dalam metode moving average.

Tujuan utama dari penggunaaan rata-rata bergerak adalah untuk

menghilangkan atau mengurangi acakan dalam deret waktu. Teknik rata-rata

bergerak dalam deret waktu terdiri dari pengambilan suatu kumpulan nilai-

nilai yang diobservasi, mendapatkan rata-rata dari nilai ini, dan kemudian

menggunakan nilai rata-rata tersebut sebagai ramalan untuk periode yang

akan datang (Assauri, 1984). Peramalan dengan teknik moving average

melakukan perhitungan terhadap nilai data yang paling baru sedangkan data

yang tua/lama akan dihapus. Nilai rata-rata dihitung berdasarkan jumlah data,

yang angka rata-rata bergeraknya ditentukan dari harga 1 sampai nilai N data

yang dimiliki.
 25

b. Metode Rata-rata Bergerak Tunggal (Single Moving Averages).

Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual

permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan

di masa yang akan datang. Metode ini akan efektif diterapkan apabila kita

dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap

stabil sepanjang waktu (Gaspersz, 2005:87). Bila permintaan berubah secara

signifikan dari waktu ke waktu, ramalan harus cukup agresif dalam

mengantisipasi parubahan tersebut, sehingga nilai N yang kecil akan lebih

cocok dipakai. Sebaliknya, bila permintaan cenderung stabil selama jangka

waktu yang panjang, sebaiknya dipakai nilai N yang besar (Nasution,

2005:247). Secara sistematis, penulisan persamaan Single Moving Averages

adalah sebagai berikut:

Keterangan:

𝐹𝑡−1 = Ramalan untuk periode ke t + 1

𝑋𝑡 = Data untuk periode ke t

N = Jangka waktu rata-rata bergerak

c. Exponentials Smoothing

Metode ini digunakan untu peramalan jangka pendek. Model

mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap,

tanpa trend atau pola pertumbuhan konsisten. Tidak seperti Moving Average,

Exponential Smoothing memberikan penekanan yang lebih besar kepada time

series saat ini melalui penggunaan sebuah konstanta smoothing (penghalus).

 26

Konstanta smoothing mungkin berkisar dari 0 ke 1. Nilai yang dekat dengan

1 memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang

dekat dengan 0 memberi penekanan pada titik data sebelumnya (Herjanto,

2009).

Menurut Garpersz (2005:97) untuk penetapan nilai α yang

diperkirakan tepat, kita dapat menggunakan panduan berikut:

1. Apabila pola historis dari data aktual permintaan sangat bergejolak

atau tidak stabil dari waktu ke waktu, kita memilih nilai α yang

mendekati satu. Biasanya dipilih nilai α = 0,9; namun pembaca dapat

mencoba nilai-nilai α yang lain yang mendekati satu, katakanlah: α =

0,8; 0,95; 0,99, dan lain-lain, tergantung pada sejauh mana gejolak dari

data itu. Semaikin bergejolak, nilai α yang dipilih harus semakin tinggi

menuju ke nilai satu.

2. Apabila pola historis dari data aktual permintaan tidak berfluktuasi

atau relatf stabil dari waktu ke waktu, kita memilih nilai α yang

mendekati nol. Biasanya dipilih nilai α = 0,1; namun pembaca dapat

mencoba nilai- nilai α yang lain yang mendekati satu, katakanlah: α=

0,2; 0,15; 0,05, dan lain-lain, tergantung pada sejauh mana kestabilan

dari data itu. Semaikin stabil, nilai α yang dipilih harus semakin kecil

menuju ke nilai nol.

Secara metematis, persamaan penulisan Eksponensial adalah sebagai

berikut
 27

Rumus untuk Simple exponential smoothing adalah sebagai berikut:

Dimana:

St = peramalan untuk periode t.

Xt + (1-α) = Nilai aktual time series

Ft-1 = peramalan pada waktu t-1 (waktu sebelumnya)

α = konstanta perataan antara 0 dan 1

Metode Exponential Smoothing cocok untuk data yang bergerak acak ke

atas dan ke bawah secara terus menerus berarti tidak ada tren maupun

musiman.

Ada empat model dari metode exponential smoothing yang

mengakomodasi asumsi mengenai trend dan musiman:

1. Simpel (tunggal), model ini mengasumsikan bahwa seri pengamatan

tidak memiliki trend dan variasi musiman.

2. Holt, model ini mengasumsikan bahwa seri pengamatan memiliki

trend linier namun tidak memiliki variasi musiman.

3. Winters, model ini mengasumsikan bahwa seri pengamatan memiliki

trend linier dan variasi musiman.

4. Custom, model ini memungkinkan untuk melakukan penetapan

komponen trend dan variasi musiman.

 28

Ada tiga parameter yang perlu penetapan, tergantung dari komponen

trend dan variasi musiman:

1. Alpha (α ) merupakan parameter yang mengontrol pembobotan

relatif pada pengamatan yang baru dilakukan. Jika alpha bernilai 1

maka hanya pengamatan terbaru yang digunakan secara eksklusif.

Sebaliknya bila alpha bernilai 0 maka pengamatan yang lalu dihitung

dengan bobot sepadan dengan yang terbaru. Parameter alpha

digunakan pada semua model.

2. Beta (β ) merupakan parameter yang mengontrol pembobotan relatif

pada pengamatan yang baru dilakukan untuk mengestimasi

kemunculan trend seri. Nilai beta berkisar dari 0 sampai 1 Nilai

semakin besar menujukkan pemberian bobot yang semakin besar

pada pengamatan terbaru. Parameter beta digunakan pada model

yang memiliki komponen trend linier atau eksponensial dengan tidak

memiliki variasi musiman.

3. Gamma (γ ) merupakan parameter yang mengontrol pembobotan

relatif pada pengamatan yang baru dilakukan untuk mengestimasi

kemunculan variasi musiman. Nilai gamma berkisar dari 0 sampai 1.

Nilai semakin besar menunjukkan pemberian bobot yang semakin

besar pada pengamatan terbaru. Parameter gamma digunakan pada

model yang memiliki variasi musiman.

 29

2.5 Peramalan Menurut Horizon Waktunya

Peramalan dapat dibedakan kedalam tiga kelompok, yaitu (Nasution,

2005:236):

1. Peramalan Jangka Panjang, yaitu peramalan yang umumnya 2 sampai 10

tahun. Peramalan ini digunakan untuk perencanaan produk dan

perencanaan sumber daya.

2. Peramalan Jangka Menengah, yaitu peramalan yang umumnya 1 sampai

24 bulan. Peramalan ini lebih mengkhusus dibandingkan peramalan jangka

panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan

produksi, dan penentuan anggaran.

3. Peramalan Jangka Pendek, yaitu peramalan yang umumnya 1 samapai 5

minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal

perlu tidaknya lembur, penjadwalan kerja, dan lain-lain.

2.6 Ta hap-tahap Peramalan

Proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut :

1. Menentukan Tujuan Peramalan

Terdiri atas penentuan macam estimasi yang diinginkan. Sebaiknya tujuan

tercantum pada kebutuhan-kebutuhan informasi para manager. Analisis

membicarakan dengan para pembuat keputusan kebutuhan-kebutuhan

mereka dan menentukan :

a. Variable-variabel apa yang diestimasikan

b. Siapa yang akan memakai atau menggunakan hasil peramalan

c. Untuk tujuan apa hasil peramalan digunakan

d. Estimasi jangka panjang atau jangka pendek yang diinginkan

 30

e. Derajat ketepatan estimasi yang diinginkan

f. Kapan estimasi akan dibutuhkan

g. Bagian-bagian peramalan yang diinginkan seperti : peramalan untuk

kelompok pembelian, kelompok produk atau daerah geografis.

2. Mengevaluasi dan Menganalisis data yang sesuai

Langkah ini melibatkan identifikasi data apa yang diperlukan dan data apa

saja yang tersedia. Pengidentifikasian data ini akan berdampak pada

pemilihan metode peramalan nanti. Misalnya, jika kita ingin meramalkan

jumlah penjualan pada suatu produk baru, mungkin kita tidak memiliki

data historis penjualan sehingga membatasi kita untuk menggunakan

metode peramalan yang bersifat kuantitatif.

3. Memilih dan Menguji Metode Peramalan

Setelah data dievaluasi, langkah selanjutnya adalah memilih dan

menentukan model atau metode peramalan yang tepat. Umumnya, Metode

Peramalan yang dipilih adalah metode yang telah mempertimbangkan

faktor-faktor seperti biaya dan kemudahan penggunaannya. Selain itu, satu

faktor yang terpenting adalah faktor keakuratan peramalan. Cara yang

`paling umum adalah dengan mencari dua atau tiga metode yang terbaik

kemudian mengujinya pada data historis untuk melihat metode atau model

forecasting mana yang paling akurat.

4. Menghasilkan Peramalan

Setelah menentukan metode atau model forecast/peramalan mana yang

akan kita gunakan, selanjutnya adalah menghasilkan ramalan yang kita

butuhkan.
 31

5. Memantau Keakurasian Peramalan

Forecasting atau Peramalan merupakan proses yang berkelanjutan. Setelah

membuat ramalan, kita harus mencatat apa yang sebenarnya terjadi

(aktual) dan kemudian menggunakan informasi tersebut untuk memantau

keakurasian peramalan kita. Perlu diketahui bahwa metode peramalan

yang terbaik pada masa lalu belum tentu bisa memberikan hasil yang

terbaik untuk masa depan. Oleh karena itu, kita harus selalu bersiap-siap

untuk merevisi metode peramalan kita seiring dengan perubahan data kita.

2.7 Ukuran Ketepatan Nilai Peramalan

Dalam semua situasi peramalan mengandung derajat ketidakpastian. Kita

mengenali fakta ini dengan memasukkan unsur kesalahan (error) dalam

perumusan sebuah peramalan deret waktu. Sumber penyimpangan dalam

peramalan bukan hanya disebabkan oleh unsur error , tetapi ketidakmampuan

suatu model peramalan mengenali unsur yang lain dalam deret data juga

mempengaruhi besarnya penyimpangan dalam peramalan. Jadi besarnya

penyimpangan hasil peramalan bisa disebabkan oleh besarnya faktor yang tidak

diduga (outliers) dimana tidak ada metode peramalan yang mampu menghasilkan

peramalan yang akurat, atau bisa juga disebabkan metode peramalan yang

digunakan tidak dapat memprediksi dengan tepat komponen trend, komponen

musiman, atau komponen siklus yang mungkin terdapat dalam deret data, yang

berarti metode yang digunakan tidak tepat (Bowerman dan O’Connell, 1987,

p.12).
 32

Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan (atau

nilai kecocokan/fitted value) untuk periode yang sama, kesalahan didefinisikan

sebagai

ei = Xi-Fi

Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, akan terdapat

n buah galat dan ukuran statistik standar berikut (Makridakis et all, 1999) yang

dapat didefinisikan:

a. Nilai tengah galat (mean error)

n
1
ME = ∑ei

n i=1

b. Nilai tengah galat absolut (mean absolute error)

1n
MAE = ∑ ei
n i=1

c. Jumlah kuadrat galat (sum of squared error)

n2

SSE=∑ei
I=1

d. Nilai tengah galat kuadrat (mean squared error)

1 n2

MSE= ∑e i

n I=1
 33

e. Deviasi standar galat (standard deviation of error)

N 2

SDE = ∑e /(n−1)
i

I=1

d. Galat persentase (percentage error)

PEt =⎛⎜ Xt −Ft ⎞⎟×100%

⎝Xt ⎠

Ada pula ukuran-ukuran ketepatan lain yang sering digunakan untuk

mengetahui ketepatan suatu metode peramalan dalam memodelkan data deret

waktu , yaitu nilai MAPE (Mean Absolute Percentage Error), MSE (Mean

Squared Error), MAD (Mean Absolute Deviation)

1. Rata–rata persentase kesalahan absolut (Mean Absolute Persentage Error =

MAPE)

MAPE merupakan ukuran kesalahan relatif, MAPE biasanya lebih berarti bila

dibandingkan dengan MAD karena MAPE menyatakan persentase kesalahan

hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan

memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

Secara sistematis, MAPE dinyatakan sebagai berikut:

N
100 (Yt −Y ' t)
MAPE =
N ∑ Yt
t =1

Yt = Nilai observasi

Y’t = Nilai peramalan

 34

1. Rata–rata deviasi mutlak (Mean Absolute Deviation = MAD)

MAD merupakan rata–rata kesalahan mutlak selama periode waktu tertentu

tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil

dibandingkan dengan faktanya. Secara sistematis, MAD dirumuskan sebagai

berikut

(Y −Y ' t)
MAD =∑
n

Yt = Nilai observasi

Y’t = Nilai peramalan

2. Cara lain untuk menghindari penyimpangan nilai positif dan

penyimpangan negatif saling meniadakan adalah dengan mengkuadratkan nilai

kesalahan tersebut. MSE merupakan ukuran penyimpangan ramalan dengan

merata-ratakan kuadrat error (penyimpangan semua ramalan).

Persamaannya adalah sebagai berikut:

(Y −Y ' t) 2
MSE =∑
n

Yt = Nilai observasi

Y’t = Nilai peramalan

Tujuan optimalisasi statistik seringkali dilakukan untuk memilih suatu model

agar nilai MSE minimal, tetapi ukuran ini mempunyai dua kelemahan. Pertama

ukuran ini menunjukkan pencocokkan (fitting) suatu model terhadap data historis.

Pencocokan seperti ini tidak selalu mengimplikasikan peramalan yang baik. Suatu
 35

model yang terlalu cocok (over fitting) dengan deret data berarti sama dengan

memasukkan unsur random sebagai bagian proses bangkitan, adalah sama

buruknya dengan dengan tidak berhasil mengenai pola non acak dalam data.

Kekurangan kedua dalam MSE sebagai ukuran ketepatan model adalah

berhubungan dengan kenyataan bahwa metode berbeda akan menggunakan

prosedur yang berbeda pula dalam fase pencocokan.

Dalam fase peramalan penggunaan MSE dan MAD sebagai suatu ukuran

ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan

perbandingan antar deret berskala yang berbeda dan untuk selang waktu yang

berlainan, karena MSE dan MAD merupakan ukuran absolut yang sangat

tergantung pada skala dari data deret waktu. Lagi pula, interpretasi nilai MSE

tidak bersifat intuitif, karena ukuran ini menyangkut pengkuadratan sederetan

nilai.

Karena alasan tersebut dalam hubungan dengan keterbatasan MSE dan MAD

sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai salah

satu indikasi ketepatan dalam peramalan, yaitu MAPE.

2.7 Kerangka Pemikiran

Kerangka pemikiran adalah narasi atau uraian atau pernyataan (proposisi)

tentang kerangka konsep pemecahan masalah yang telah di identifikasi atau

dirumuskan. Kerangka pemikiran dalam penelitian ini yaitu suatu perusahaan

pasti mempunyai tujuan salah satunya yaitu meningkatkan volume penjualan.

PT. Trijaya Tirta Dharma dalam melakukan penjualan mengalami

fluktuasi dari bulan ke bulan, entah itu naik, turun, atau stabil, sehingga
 36

perusahaan perlu membuat suatu peramalan untuk mengetahui berapa

besarnya penjualan produk pada periode yang akan datang. Dimana untuk

membuat ramalan tersebut diperlukan suatu data historis pada periode-

periode sebelumnya. Data sebelumnya digunakan untuk meramalkan

penjualan diperiode yang akan datang. Dalam menghitung data tersebut

digunakan 2 metode, yaitu Single Moving Average, Exponential Smoothing.

Dari hasil peramalan tersebut dicari tingkat kesalahan pada masing-

masing metode peramalan. Penghitungan kesalahan peramalan tersebut

menggunakan MAD (Mean Absolute Error) dan MSE (Mean Square

Error).Untuk mengetahui mana metode yang paling tepat dicari tingkat

kesalahan (error) yang lebih mendekati nol pada masing-masing metode

peramalan.

Data Historis
Data penjualan produk

Metode Peramalan
Single Moving Avarage
Exponential Smoothing

Penentuan error
Mencari tingkat kesalahan Pengambilan Volume
dari masing-masing keputusan penjualan
metode peramalan

Penentuan metode
peramalan yang tepat
Dipilih tingkat error
terkecil

Ramalan Yang Akan Datang

Penjualan produk yang akan
datang
 37

Gambar 1.1 Kerangka Pemikiran