b. Pengasapan wilayah, metode ini melibatkan pengasapan droplet-droplet
kecil insektisida ke dalam udara untuk membunuh nyamuk dewasa. 5.
Memberikan penyuluhan tentang 3M Plus
Metode yang di gunakan untuk mencegah Demam Berdarah adalah Pemberantasan Sarang Nyamuk PSN melalui 3M Plus Menguras, Menutup
dan Mengubur Plus menabur larvasida dapat mencegah memberantas nyamuk Aedes berkembang biak. Angka Bebas Jentik ABJ sebagai tolok ukur upaya
pemberantasan vektor melalui Pemberantassan Sarang Nyamuk PSN. Pendekatan Demam Berdarah yang berwawasan kepedulian masyarakat
merupakan salah satu alternatif pendekatan baru Depkes Lingkungan RI, 2006
2.2 Peramalan 2.2.1 Pengertian Peramalan
Peramalan adalah upaya memperkirakan nila-nilai respon yang menjadi perhatian dimasa depan.Sugiarto dan Harijono, 2000
2.2.2 Kegunaan Peramalan
Universitas Sumatera Utara
Kegunaan peramalan untuk memprediksi masa depan berdasarkan data yang dimiliki. Baroroh, 2008.
Analisis terhadap masa lampau penting karena hal ini akan memberikan kesempatan pada pengusaha untuk membuat ramalan yang lebih akurat untuk
aktivitas yang akan datang. Disamping itu juga akan meningkatkan keefektipan dari grup data yang berbeda atau data yang sama dari periode yang berbeda. Hasil dari
analisa runut waktu bahkan meningkatkan efisiensi dalam mengambil keputusan. Kustituanto, 1998.
2.2.3 Jenis-jenis Peramalan
Secara garis besarnya peramalan dibedakan menjadi peramalan kualitatif dan peramalan kuantitatif.
1. Peramalan kualitatif, yaitu peramalan yang didasarkan pada pengamatan
kejadian-kejadian dimasa sebelumnya yang digabungkan dengan instuisi maupun ketajaman perasaan si peramal dalam menghasilkan suatu informasi yang
diperkirakan bakal terjadi di masa yang datang. Data historis yang ada menjadi tidak begitu penting dalam teknik ini. Pada umumnya hasil peramalan kualitatif
juga berbentuk informasi kualitatif walaupun tidak selalu demikian. Peramalan kualitatif terdiri dari dua yaitu metode eksplanatoris dan metode normatif.
2. Peramalan kuantitatif, yaitu peramalan yang menggunakan data kuantitatif yang
diperoleh dari pengamatan nilai-nilai sebelumnya dengan ditunjang beberapa
Universitas Sumatera Utara
informasi kuantitaif maupun kualitatif. Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang dimiliki. Hasil peramalan kuantitatif
secara relatif lebih disukai karena memberikan pandangan yang lebih nyata dan lebih objektif dalam besaran nilai hasil peramalannya. Sugiarto dan Harijono,
2000
Peramalan kuantitatif ini dipergunakan bila kondisi berikut dipenuhi : a.
Adanya informasi tentang masa lalu b.
Informasi tersebut dapat dikuantitatifkan dalam bentuk data c.
Informasi tersebut dapat diasumsikan bahwa pola masa lalu akan terus bersambung sampai ke masa depan dan kondisi ini disebut asumsi yang konstan
assumption of constancy.
Teknik kuantitatif ini biasanya dikelompokan menjadi dua yakni metode Instuisi Intuitive method dan metode kuantitatif formal yang didasarkan pada
prinsip statistik. Metode instuisi menggunakan horisontal, musiman atau penyelidikan trend yang didasarkan pada pengalaman empiris yang sangat luas. Metode kuantitatif
formal ini dapat dikelompokan ke dalam dua jenis peramalan yaitu : regresi causal models dan time series. Manurung, 1990
1. Regresi causal models
Model regresi mempunyai asumsi bahwa dalam meramalkan masa datang dengan menggunakan variabel lain yang mempunyai hubungan penyebab dengan
variabel yang diramalkan. Variabel yang ingin diramalkan disebut dengan variabel
Universitas Sumatera Utara
dependen sedangkan variabel yang lain disebut variabel independen. Yang termasuk dalam teknik ini adalah teknik regresi sederhana, regresi berganda dan model input
output. Manurung, 1990
2. Time Series
Time series adalah peramalan di masa datang didasarkan pada nilai sebuah variabel masa lalu atau kesalahan yang dilakukan sebelumnya. Manurung, 1990
Time series data berkala juga dapat diartikan sebagai kumpulan data statistik yang merupakan hasil pengamatan setiap interval waktu tertentu. Santoso, 2003
Tujuan time series adalah meneliti pola data yang digunakan untuk memprakirakan dan melakukan ekstrapolasi perhitungan pemrakiraan di masa
yang akan datang. Tahapan yang penting dalam pemilihan metode time series yang tepat yaitu membuat asumsi terhadap jenis bentuk data dan metode yang paling tepat
tersebut diuji terhadap data tersebut. a.
Bentuk data
Bentuk data dikelompokan menjadi 4, yaitu :
Universitas Sumatera Utara
1. Bentuk data horisontal stasioner ireguler
Gerakan ireguler disebabkan oleh faktor-faktor kebetulan atau faktor yang tidak terduga sebelumnya. Gerakan ireguler ini biasanya muncul dalam jangka pendek
dan mengakibatkan terjadinya variasi dalam deret berkala.
Gambar 2.1 Data horisontal
2. Bentuk data musiman Seasonal
Bentuk data musiman terjadi bila seriesnya dipengaruhi oleh faktor musiman contoh: minggua n, bulanan, tahunan.
Universitas Sumatera Utara
Gambar 2.2 Data Musiman 3.
Bentuk data siklis
Pada prinsipnya gerakan siklis adalah gerakan disekitar garis trend, apakah gerakan tersebut naik atau turun. Gerakan ini berlangsung lebih pendek dari trend
bisa teratur dengan pola tertentu atau tanpa pola.
Gambar 2.3 Bentuk Data Siklis
4. Bentuk Trend
Universitas Sumatera Utara
Trend atau bisa juga disebut trend sekuler adalah kecenderungan data untuk jangka panjang, apakah meningkat, tetap atau menurun.
Gambar 2.4 Bentuk Data Trend b.
Metode-metode Time Series
Metode pemrakiraan dengan model time series dapat dijadikan dasar untuk memprakirakan kejadian masa mendatang melalui serangkaian data historis.
Metode time series yang sering dipergunakan yaitu Metode Penghalusan Smoothing Method dan Metode Dekomposisi Decomposition Method.
Manurung, 1990 1.
Metode Penghalusan Smoothing Method
Metode smoothing metode pelicinan merupakan teknik meramal dengan cara mengambil rata-rata dari nilai beberapa periode yang lalu untuk menaksir nilai
pada periode yang akan datang. Yang termasuk dalam teknik ini adalah metode rata-rata bergerak Moving Averages, Exponential Smothing.
Universitas Sumatera Utara
Metode rata-rata bergerak Moving Averages adalah upaya untuk memuluskan data sebuah time series sehingga faktor siklis, musiman dan random bisa
dihilangkan atau diminimalisasi dampaknya sehingga akhirnya didapat sebuah trend data. Adanya faktor siklis dan musiman membuat data sebuah time series berfluktuasi
atau jika ditampilkan dalam sebuah grafik data akan tampak bergelombang. Dengan melakukan rata-rata bergerak maka diharapkan data hasil moving averege tersebut
menjadi lebih smooth sehingga fluktuasi data akan bisa dikurangi. Pada prinsipnya moving averege adalah menghitung rata-rata data untuk n periode yang saling
sambung-menyambung antar data time series. Santoso, 2003
Keterangan :
n = jumlah perioda
dt = demand pada bulan ke t •
Exponential Smothing berusaha untuk memperbaiki suatu prakiraan berdasarkan pengalaman-pengalaman
baru secara
terus menerus.
Setiadi, 2003. Metode exponential smoothing merupakan pengembangan dari metode moving averege. Metode pemulusan eksponensial terkadang lebih
efisien dibandingkan dengan moving averege dalam kaitannya dengan kemampuannya untuk mengitung sebuah nilai pemulusan untuk setiap
n d
MA
n 1
t t
n
∑
=
=
Universitas Sumatera Utara
pengukuran respon. Dua metode dalam exponential smoothing diantaranya single exponential smoothing dan double exponential smoothing. Single
exponensial bobot yang diberikan pada data yang ada adalah sebesar α untuk
data terbaru , α1- α untuk data yang lama, α1- α
2
untuk data yang lebih lama dan seterusnya. Besarnya α adalah antara 0-1. Semakin mendekati 1
berarti data terbaru lebih diperhatikan. Secara matematis forcast adalah :
Keterangan:
Ft+1 = Ramalan untuk periode berikutnya
Dt = Demand aktual pada periode t
Ft = Peramalan yg ditentukan sebelumnya untuk periode t
a = Faktor bobot
Pada metode Single exponensial smoothing proses penentuan ramalan dimulai dengan menentukan besarnya alpha secara trial dan error
sampai ditemukan α yang menghasilkan forecast error terkecil. Gitosudarmo dan Najmudin, 2001
t t
t
F D
F 1
1
α α
− +
=
+
Universitas Sumatera Utara
Didalam metode Double Exponential Smoothing dilakukan proses smoothing pemulusan dua kali. Untuk mempermudah perhitungan, ikutilah tahapan-
tahapan berikut ini : 1.
Carilah besarnya nilai smoothing yang pertama, yaitu dengan rumus
S’
t
= aX
t
+1-a S’
1 −
t
2. Carilah besarnya nilai smoothing yang kedua, dengan memperhatikan
besarnya nilai smoothing pertama yaitu dengan rumus
S”
t
= aS’
t
+1-a S’’
1 −
t
3. Carilah besarnya nilai a
t
dengan menggunakan rumus
a
t
= 2S’
t
+ S”
t
4. Carilah besarnya nilai b
t
dengan menggunakan rumus
b
t
= α
α
− 1
S’
t
-S’’
t
5. Lakukanlah perhitungan forecastnya dengan memasukkan besarnya nilai a
t
dan b
t
sehingga diperoleh
F
m t
+
= a
t
+ b
t
m
Dimana, m = jangka waktu forcast kedepan.
Universitas Sumatera Utara
Besarnya α antara 0 sampai dengan 1 dicari dengan trial dan error. Setiadi, 2003
2. Dekomposisi
Tujuan analisis dekomposisi adalah mengekstrak komponen deret waktu menjadi sub-sub pola, bukan pola dasar. Keuntungan melakukan dekomposisi ini antara
lain adalah adanya ramalan jangka panjang trend dan ramalan jangka pendek musim. Sugiarto dan Harijono,2000
Metode ini digunakan dengan terlebih dahulu membagi atau melakukan pemecahan kedalam 4 pola, yaitu : Trend T, Fluktuasi Musim M, Fluktuasi
Siklis S dan perubahan yang bersifat Random R. Masing-masing pola tersebut diketahui nilainya dulu, kemudian bersama-sama menentukan besarnya forcast
atau proyeksi dimasa yang akan datang. Secara matematis proyeksi X pada waktu yang akan datang adalah Gitosudarmo dan Najmudin, 2001.
Persamaan pendekatan dekomposisi :
X = T x M x S x R
Dimana :
R = nilai deret berkala pada periode
M = komponen musiman pada periode
Universitas Sumatera Utara
T = komponen Trend pada periode
S = komponen siklus pada periode
Et = komponen kesalahan a.
Trend adalah rata-rata perubahan dalam jangka panjang. Trend menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atau
konstan. Bila data yang ada menunjukan kenaikan maka trend tersebut menunjukan trend positif, bila menunjukan penurunan maka trend tersebut
menunjukan trend negatif. Ada beberapa metode yang bisa digunakan untuk menentukan trend yaitu trend linier, trend parabolik, dan trend exponential.
1. Trend Linier
Yang dimaksud dengan trend linier adalah merupakan model persamaan garis lurus yang berbentuk berdasarkan titik-titik diagram pencar dari data selama
kurun waktu tertentu. Model trend biasa digunakan untuk memprediksi suatu persoalan membuat ramalan jangka panjang, adapun bentuk umum dari model
trend linier ini dinyatakan dengan persamaan Yt = a + bx
Yt = Nilai trend untuk setiap unit x
x = Unit waktu tertentu
a = intercept nilai trend Yt pada saat x = 0
b = Koefisien trend : pertambahan y untuk setiap unit waktu tertentu
Universitas Sumatera Utara
Supangat, 2008
2. Trend Parabolik
Trend parabolik adalah trend yang nilai variabel tak bebasnya naik atau turun tidak secara linier atau terjadi secara parabola bila datanya dibuat scatter
diagramnya. Manurung, 1990. Persamaan parabolik tersebut secara berikut :
Y = a + bX + cX
2
1. ∑Y = n.a + c∑X
2
2. ∑XY = b∑X
2
3. ∑X
2
Y = a ∑X
2
+ c ∑X
4
Untuk mencari nilai a dan c menggunakan persamaan 1 dan 3, sedangkan nilai b menggunakan persamaan 2.
b. Variasi Musiman
Variasi atau gelombang musim merupakan variasi pasang surut yang terulang kembali dalam waktu tidak lebih dari satu tahun. Metode yang bisa digunakan
Universitas Sumatera Utara
adalah metode rata-rata sederhana, metode persentase terhadap trend dan metode persentase terhadap rata-rata bergerak.
c. Variasi Siklis
Variasi siklis merupakan perubahan sesuatu hal yang berulang kembali lebih dari satu tahun. Variasi siklis dinyatakan dalam bentuk indeks siklis .
d. Variasi Random
Variasi random merupakan perubahan suatu hal yang dapat terjadi secara tiba- tiba dan sukar diperkirakan. Gitosudarmo dan Najmudin, 2001
2.2.4 Pemilihan Teknik Peramlan
