chapter
DESCRIPTION
2TRANSCRIPT
BAB 2
TINJAUAN TEORITIS
2.1 Pengertian Peramalan
Kegiatan manusia senantiasa diarahkan pada kondisi pada waktu yang akan datang, yang
keberadaannya tidak dapat diketahui secara pasti. Usaha untuk meminimalkan ketidakpastian
tersebut lazim dilakukan dengan metode atau teknik peramalan tertentu (teknik merupakan
bagian dari metode). Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi
atau kapan suatu peristiwa akan terjadi/timbul, sehingga tindakan atau keputusan yang tepat
dapat dilakukan. Dalam peramalan didasarkan pada bermacam – macam cara yaitu Metode
Perataan (Average), Metode Pemulusan (Smoothing) Eksponensial, dan Metode Box Jenkins.
Disamping itu, melalui metode atau teknik peramalan diharapkan dapat
diidentifikasikan model yang akan digunakan untuk meramalkan kondisi pada waktu yang
akan datang. Model peramalan itu secara umum dapat dikemukakan sebagai :
Yt = pola + error. Jadi, data dibedakan menjadi komponen yang dapat diidentifikasi (pola)
dan yang tidak dapat diidentifikasi (error). Maka, penggunaan metode peramalan adalah
untuk mengidentifikasikan suatu model peramalan sedemikian rupa sehingga error-nya
menjadi seminimal mungkin.
Penggunaan teknik peramalan diawali dengan pengeksplorasian kondisi (pola data)
pada waktu – waktu yang lalu guna mengembangkan model yang sesuai dengan pola data
dengan menggunakan asumsi bahwa pola data pada waktu yang lalu itu akan berulang lagi
pada waktu yang akan datang. Selanjutnya, model itu digunakan untuk meramalkan kondisi –
kondisi pada waktu – waktu yang akan datang. Bila uraian mengenai kegiatan peramalan
tersebut diamati, ada dua dimensi waktu yang tercakup, yaitu waktu yang lalu dimana data
tersedia dan waktu yang akan datang dimana data tidak tersedia.
Kegiatan penerapan model yang telah dikembangkan pada waktu lalu dinamakan
proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang
akan datang dinamakan peramalan. Penggunaan metode atau teknik peramalan dengan model
yang diidentifikasikan secara tepat juga didukung oleh baik tidaknya data maupun informasi
yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan
seperti sumber dari data atau informasi yang tidak jelas, maka hasil peramalan yang disusun
juga akan sulit dipercaya akan ketepatan dan keakuratannya.
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. 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 sebuah instansi pemerintah maupun swasta, perencanaan sangat dibutuhkan
untuk pengambilan keputusan untuk beberapa waktu kedepan. Peramalan merupakan alat
bantu yang penting dalam perencanaan yang efektif dan efisien. Apalagi saat ini, telah terjadi
kemajuan yang pesat dalam bidang peramalan. Beberapa kegunaan peramalan dalam bagian
organisasi yaitu :
1. Penjadwalan sumber daya yang tersedia.
Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi,
kas, personalia, dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah
ramalan tingkat permintaan untuk produk, bahan, tenaga kerja, finansial, atau jasa
pelayanan.
2. Penyediaan sumber daya tambahan.
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja baru, atau
membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun.
Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa mendatang.
3. Penentuan sumber daya yang diinginkan.
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka
panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor – faktor
lingkungan, dan pengembangan internal dari sumber daya finansial, manusia, produk, dan
teknologis. Semua penentuan ini memerlukan ramalan yang baik dan manajer yang dapat
menafsirkan pendugaan serta membuat keputusan yang tepat.
Tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka
pendek, menengah, dan panjang dari organisasi saat ini selain bidang lainnya.Organisasi
dalam membangun suatu sistem peramalan perlu memiliki pengetahuan dan keterampilan
yang meliputi paling sedikit empat bidang : identifikasi dan definisi masalah peramalan ;
aplikasi serangkaian metode peramalan ; prosedur pemilihan metode yang tepat untuk situasi
tertentu ; dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan
secara formal.
Berdasarkan uraian di atas, maka dapat dikatakan bahwa metode peramalan sangat
dibutuhkan dan berguna untuk menganalisis data masa lalu untuk keperluan waktu yang akan
datang. Sehingga, dengan metode peramalan akan diperoleh perencanaan yang teratur,
terarah, dan sistematis sesuai hasil analisis yang tepat.
2.3 Jenis – Jenis Peramalan
Berdasarkan sifat penyusunannya, teknik peramalan dapat dibagi dalam dua kategori utama
yaitu :
1. Peramalan yang subjektif
Peramalan yang subjektif adalah yang didasarkan atas perasaan atau intuisi dari orang
yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat
menentukan baik tidaknya hasil ramalan tersebut.
2. Peramalan yang objektif
Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada
masa lalu, dengan menggunakan teknik – teknik dan metode – metode dalam
penganalisaan data tersebut.
Berdasarkan jangka waktu disusun, maka peramalan dapat dibedakan atas dua kategori utama
yaitu :
1. Peramalan Jangka Panjang
Peramalan jangka panjang adalah peramalan yang dilakukan untuk penyusunan hasil
ramalan yang jangka waktunya lebih dari satu setengah tahun. Misalnya, diperlukan
penyusunan rencana pembangunan suatu negara atau daerah dan lain sebagainya.
2. Peramalan Jangka Pendek
Peramalan jangka pendek adalah peramalan yang dilakukan untuk penyusunan hasil
ramalan yang jangka waktunya kurang dari satu setengah tahun. Misalnya, peramalan
penyusunan rencana produksi, rencana penjualan, rencana persediaan, dan lain
sebagainya.
Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua
kategori utama yaitu :
1. Peramalan Kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu.
Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini
sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang
bersifat intuisi, pendapat, dan pengetahuan dari orang yang menyusunnya. Metode
kualitatif dapat dibagi menjadi dua yaitu metode eksploratoris dan normatif.
2. Peramalan Kuantitatif
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang
dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh
hasil peramalan yang berbeda pula. Baik tidaknya metode yang digunakan ditentukan oleh
perbedaan atau penyimpangan hasil ramalan dengan kenyataan yang tejadi. Semakin kecil
penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang
dipergunakan semakin baik. Metode kuantitatif dapat dibagi dalam deret berkala (time
series) dan metode kausal.
Saat ini telah dikembangkan beberapa metode atau teknik – teknik peramalan untuk
menghadapi bermacam – macam keadaan yang akan terjadi. Tetapi dalam hal ini penulis
membatasi bahwa metode peramalan yang akan digunakan dalam penyusunan Tugas Akhir
ini adalah cara memperkirakan sesuatu yang akan terjadi di masa depan secara kuantitatif.
Oleh karena itu, dalam pembahasan selanjutnya akan ditekankan pada peramalan kuantitatif.
Pada dasarnya metode peramalan kuantitatif ini dibedakan atas :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar variabel
yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu (time
series).
2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara
variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, bukan
waktu, yang disebut dengan metode korelasi atau sebab akibat (causal methods).
Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu
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.
Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (assumtion of
mend continuity). Asumsi ini merupakan modal yang mendasari dari semua metode
peramalan kuantitatif dan banyak metode peramalan teknologis, terlepas dari bagaimana
canggihnya metode tersebut.
2.4 Metode Peramalan
Metode – metode peramalan dengan analisa deret waktu yaitu :
1. Metode Pemulusan Eksponensial dan Rata – Rata Bergerak
Sering digunakan untuk jangka pendek dan jarang dipakai untuk peramalan jangka
panjang.
2. Metode Regresi
Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.
3. Metode Box-Jenkins
Jarang dipakai, namun baik untuk ramalan jangka pendek, menengah dan jangka panjang.
2.4.1 Analisa Deret Berkala
Data berkala (time series) adalah data yang dikumpulkan dari waktu ke waktu untuk
memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisis
data berkala memungkinkan untuk mengetahui perkembangan satu atau beberapa kejadian
serta hubungannya dengan kejadian lain.
Metode time series merupakan metode peramalan kuantitatif didasarkan atas
penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel
waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk
meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa yang akan
datang. Stasioner itu sendiri berarti bahwa tidak dapat pertumbuhan atau penurunan data.
Data secara kasar harus horizontal sepanjang waktu, dengan kata lain fluktuasi data tetap
konstan setiap waktu.
2.4.2 Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama – tama perlu diketahui ciri– ciri
penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan dalam
mempersiapkan peramalan.
Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan,
yaitu :
1. Horizon Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan masing – masing metode
peramalan. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah
jumlah periode untuk peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang
didapati di dalam data yang diramalkan akan berkelanjutan.
3. Jenis dari 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
analisa keadaan untuk pengambilan keputusan.
4. Biaya yang Dibutuhkan
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur
peramalan. Yakni biaya – biaya pengembangan, penyimpanan (storage) data, operasi
pelaksanaan, dan 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
Metode – metode yang dapat dimengerti dan mudah dialokasikan sudah merupakan suatu
prinsip umum bagi pengambil keputusan.
2.4.3 Penentuan Pola Data
Hal penting harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data
historisnya. 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 berfluktuasi di sekitar nilai rata – rata yang konstan.
2. Pola Data Musiman (Seosonal)
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 Siklis (Cyclical)
Pola data yang menunjukkan gerakan naik turun dalam jangka panjang dari suatu kurva
trend. Terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti
yang berhubungan dengan siklis bisnis.
4. Pola Data Trend
Pola yang menunjukkan kenaikan atau penurunan jangka panjang data.
2.5 Metode Pemulusan (Smoothing)
Metode pemulusan (smoothing) adalah metode peramalan dengan mengadakan penghalusan
terhadap masa lalu, yaitu dengan mengambil rata – rata dari nilai beberapa tahun lalu untuk
menaksir nilai pada beberapa tahun ke depan. Secara umum metode pemulusan (smoothing)
diklasifikasikan menjadi dua bagian :
1. Metode Rata - Rata
Metode rata – rata dibagi atas empat bagian :
a. Nilai rata-rata (mean)
b. Rata – rata bergerak tunggal (single moving average)
c. Rata – rata bergerak ganda (double moving average)
d. Kombinasi rata – rata bergerak lainnya.
Metode rata – rata tujuannya adalah untuk memanfaatkan data masa lalu untuk
mengembangkan suatu sistem peramalan pada periode mendatang.
2. Metode Pemulusan Eksponensial
Bentuk umum dari metode pemulusan eksponensial :
Ft+1 = α Xt + (1-α) Ft
Dimana :
Ft+1 = ramalan suatu periode ke depan
Xt = data aktual pada periode ke-t
Ft = ramalan pada periode ke-t
α = parameter pemulusan
Metode pemulusan (smoothing) eksponensial merupakan sekelompok metode yang
menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih
tua atau dengan kata lain nilai observasi yang baru diberikan bobot yang relatif lebih besar
dibandingkan nilai observasi yang lebih tua. Metode ini terdiri atas :
1. Metode Pemulusan (Smoothing) Eksponensial Tunggal
a. Satu Parameter (One Parameter)
b. Pendekatan Aditif
Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola data
atau trend.
2. Metode Pemulusan (Smoothing) Eksponensial Ganda
a. Metode Linear Satu Parameter dari Brown
b. Metode Dua Parameter dari Holt
3. Metode Pemulusan (Smoothing) Eksponensial Triple
a. Metode Kuadratik Satu Parameter dari Brown
Digunakan untuk pola data kuadratik, kubik, atau orde yang lebih tinggi.
b. Metode Kecendrungan dan Musim Tiga Parameter dari Winter
Digunakan untuk data berbentuk trend dan musiman.
4. Metode Pemulusan (Smoothing) Eksponensial Menurut Klasifikasi Pegels.
2.5.1 Metode yang Digunakan
Untuk mendapatkan hasil ramalan yang baik, maka harus diketahui cara peramalan yang
tepat. Data nilai UMR ke dalam grafis menunjukkan pola data trend linear yang dapat dilihat
dari plot autokorelasi nilai - nilai autokorelasi yang menunjukkan pola data trend linear. Maka
metode peramalan deret berkala yang digunakan untuk meramalkan nilai penjualan energi gas
pada pemecahan masalah ini adalah dengan menggunakan Metode Pemulusan (Smoothing)
Eksponensial Ganda Satu Parameter dari Brown.
Metode ini merupakan metode linear yang dikemukakan oleh Brown. Dasar pemikiran
dari Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown adalah
serupa dengan rata - rata bergerak linear, karena kedua nilai pemulusan tunggal dan ganda
ketinggalan dari data sebenarnya. Bila terdapat unsur trend, perbedaan nilai pemulusan
tunggal dan ganda dapat ditambahkan kepada pemulusan tunggal dan disesuaikan untuk
trend.
Persamaan yang dipakai dalam pelaksanaan metode Pemulusan (Smoothing)
Ekponensial Linear Satu Parameter dari Brown adalah sebagai berikut :
S't = αXt + (1 - α) S't – 1
S"t = αS't + (1 - α) S"t – 1
at = S't + (S't - S"t) = 2 S't - S"t
bt =
Ft+m = at + btm
Dimana,
S't = nilai pemulusan eksponensial tunggal (single eksponensial smoothing value)
S"t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value)
α = parameter pemulusan eksponensial dengan besar 0 < α < 1
at, , bt = konstanta pemulusan
Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan
2.6 Ketepatan Ramalan
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana
mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang
diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode
peramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan
situasi yang akan terjadi pada masa yang akan datang. Maka untuk menguji kebenaran
ramalan digunakan kriteria ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah :
1. ME (Mean Error) / Nilai Tengah Kesalahan
ME =
2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat
αα−1
( )tt SS ''' −
N
eN
tt∑
=1
MSE =
3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut
MAE =
4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut
MAPE =
5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase
MPE =
Dimana :
et = Xt - Ft (kesalahan pada periode ke-t)
Xt = data aktual pada periode ke-t
PEt = 100 (kesalahan persentase pada periode ke-t)
Ft = nilai ramalan pada periode ke-t
N = banyaknya periode waktu
Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang
terkecil.
N
eN
tt∑
=1
2
N
eN
tt∑
=1
N
PEN
tt∑
=1
N
PEN
tt∑
=1
−
t
tt
XFX
2.7 Penentuan Koefisien Autokorelasi
Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri dengan
selisih 1,2 periode atau lebih. Koefisien autokorelasi yang menggambarkan hubungan antar
suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag) k periode.
Secara sistematis untuk menghitung koefisien autokorelasi dapat menggunakan rumus
sebagai berikut :
rk =
Dimana :
rk = koefisien autokorelasi
Yt = data aktual pada periode ke-t
= nilai tengah dari data aktual
Yt+k = data aktual pada periode ke-t dengan kelambatan (time lag) k
Rumus sederhana yang biasa digunakan untuk menghitung kesalahan standar adalah :
Serk =
Dimana :
n = banyak data asli
Serk = kesalahan standar dari rk
Batas signifikan koefisien autokorelasi adalah :
-1,96 Serk ≤ rk ≤ +1,96 Serk
( )( )
( )∑
∑
=
−
=−
−
−−
n
tt
kn
tktt
YY
YYYY
1
2
1
Y
n1
Dengan koefisien autokorelasi dapat ditentukan apakah suatu pola data bersifat acak,
konstan, atau musiman. Koefisien autokorelasi juga dapat memperlihatkan ketidakstasioneran
data.
Apabila berada di luar rentang nilai maka koefisien autokorelasi tersebut berada
secara signifikan dari nol maka data tersebut menunjukkan pola trend.