BAB 2
LANDASAN TEORI
Bab ini membahas teori penunjang yang berhubungan dengan penerapan metode average-based fuzzy time series pada sistem peramalan jumlah penjualan distributor
telur.
2.1 Peramalan
Peramalan forecasting merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang
berhubungan. Ai, 1999.
Menurut sifatnya, teknik peramalan terbagi menjadi dua jenis yaitu teknik kualitatif dan teknik kuantitatif. Teknik kualitatif merupakan teknik peramalan
berdasarkan pendapat suatu pihak, dan data pada teknik kualitatif tidak dapat direpresentasikan secara tegas ke dalam suatu angka atau nilai. Teknik peramalan
tersebut misalnya adalah judgment forecast. Sebaliknya, teknik peramalan kuantitatif merupakan teknik peramalan berdasarkan data masa lalu atau disebut data historis dan
dapat dibuat dalam bentuk angka Jumingan, 2009.
Teknik kuantitatif dikelompokkan dalam dua jenis Ai, 1999 :
1. Model Time Series Runtun Waktu
Pada model ini peramalan masa mendatang dilakukan berdasarkan nilai data masa lalu atau disebut data historis. Tujuan metode ini adalah menemukan pola
dalam deret data historis dan memanfaatkan pola deret tersebut untuk peramalan masa mendatang. Keuntungan dalam menggunakan model ini adalah peramalan
dapat dilakukan secara lebih sederhana dibandingkan dengan model kausal.
2. Model Regresi Kausal Model ini merupakan suatu model yang mengasumsikan faktor yang diramalkan
menunjukkan suatu hubungan sebab akibat dalam satu atau lebih variabel bebas dan menggunakannya untuk meramalkan nilai mendatang dari suatu variabel tak
bebas. Keuntungan dalam menggunakan model ini adalah dapat menghasilkan tingkat keberhasilan yang lebih besar dalam pengambilan keputusan yang
bijaksana.
Dalam ekonometrika, data dapat dikelompokkan ke dalam tiga jenis menurut waktu pengumpulannya, yaitu data time series runtun waktu, data cross section
silang, dan data pooled panel. Data tersebut tentunya sangat diperlukan dalam penelitian, maupun pengambilan keputusan. Pengumpulan data biasanya memerlukan
waktu yang lama karena dapat melibatkan banyak aktivitas seperti mendatangi responden, menginput data, menyunting data, maupun menampilkannya dengan suatu
alat analisis tertentu. Berikut akan dibahas beberapa jenis data berdasarkan waktu pengumpulannya Winarno, 2007.
a. Data Time Series Runtun Waktu Data Time series adalah data yang menggambarkan suatu objek dari waktu ke
waktu atau periode secara historis dan terjadi berurutan. Sebagai contoh adalah data harga saham, data ekspor, data nilai tukar kurs, data produksi, dan lain
sebagainya Winarno, 2007. Pola pergerakan data atau nilai variabel dapat diikuti dengan adanya data time series, sehingga data time series dapat
digunakan sebagai dasar untuk Anwary, 2011:
1. Pembuatan keputusan pada saat ini, 2. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan
datang, 3. Perencanaan kegiatan untuk masa depan.
Pada beberapa kasus, misalnya data time series produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi harga kopi dunia
pada tahun berikutnya. Oleh karena itu diperlukan data selisih produksi kopi
dunia tiap periode agar tampak apakah produksi kopi pada tahun selanjutnya bertambah atau berkurang. Seperti dapat dilihat pada Tabel 2.1.
Tabel 2.1 Produksi dan Selisih Produksi Kopi Dunia Tahun 2000-2005
Tahun Produksi Kopi Ton
Selisih 2000
7.562.713 -
2001 7.407.986
-154.727 2002
7.876.893 468.907
2003 7.179.592
-697.301 2004
7.582.293 402.701
2005 7.276.333
-305.960
b. Data Cross Section Silang Data cross section silang terdiri dari beberapa objek data pada waktu tertentu.
Misalnya pada suatu restoran terdiri dari data penjualan, data pembelian bahan baku, data jumlah karyawan, dan data relevan lainnya. Seperti dapat dilihat
pada Tabel 2.2.
Tabel 2.2 Perbandingan antara Penjualan, Pembelian Bahan Baku, dan Jumlah
Karyawan
Nama Restoran
Penjualan Pembelian
Bahan Baku Jumlah
Karyawan A
19.587.200 10.300.100
20 B
23.854.000 16.200.869
15 C
17.211.000 13.300.357
17
c. Data Pooled Panel Data pooled panel adalah data yang menggabungkan data time series runtun
waktu dan data cross section silang. Oleh karena itu data pooled panel terdiri dari beberapa objek dan beberapa periode waktu. Seperti dapat dilihat
pada Tabel 2.3.
Tabel 2.3 Data Pooled Panel Ekspor Impor Kopi Indonesia dan Malaysia
Tahun 2005-2007 Nama Negara
Periode Ekspor
Impor Indonesia
2005 443.366
1.654 Indonesia
2006 411.721
5.092 Indonesia
2007 320.600
47.937 Malaysia
2005 666
23.826 Malaysia
2006 1.490
35.368 Malaysia
2007 984
42.165
Adapun pola data pada data time series runtun waktu dikelompokkan menjadi empat jenis yaitu Makridakis et al. 1992 :
1. Pola Horizontal H yaitu pola data yang terjadi jika data berfluktuasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat
atau menurun selama waktu tertentu termasuk ke dalam jenis pola ini. Contoh pola data seperti ini dapat dilihat pada Gambar 2.1.
Gambar 2.1 Data Penjualan Beras per Bulan Tahun 2011 dengan Pola
Horizontal H
Pada Gambar 2.1 dapat dilihat bahwa jumlah penjualan beras pada bulan pertama sampai dengan bulan ke-12 Tahun 2011 pada suatu unit usaha pengecer
beras berfluktuasi pada nilai rata-rata yang sama yaitu lima karung. Pola data yang sama biasanya juga dapat dijumpai pada jenis barang yang bersifat kebutuhan pokok
lainnya seperti minyak goreng, telur,gula dan lain sebagainya.
2. Pola Musiman S yaitu pola data yang terjadi jika deret data dipengaruhi faktor
musiman misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu. Penjualan produk misalnya seperti es krim, seragam sekolah, atau
pemanas ruangan masuk ke dalam pola data ini. Contoh pola data seperti ini dapat
dilihat pada Gambar 2.2.
Gambar 2.2 Data Penjualan Seragam Sekolah per Bulan Tahun 2011 dengan
Pola Musiman S
Pada Gambar 2.2 dapat dilihat bahwa jumlah penjualan seragam sekolah pada bulan pertama sampai dengan bulan ke-12 Tahun 2011 pada suatu toko penyedia seragam
sekolah dipengaruhi oleh faktor musiman. Pada bulan pertama dan ketujuh dari setiap tahun adalah waktu dimulainya semester baru di sekolah sehingga kebutuhan dan
permintaan seragam sekolah lebih meningkat dari bulan-bulan lainnya.
3. Pola Siklis C yaitu pola data yang terjadi jika data dipengaruhi fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil dan baja masuk ke dalam pola data ini. Contoh
pola data seperti ini dapat dilihat pada Gambar 2.3.
Gambar 2.3 Data Penjualan Mobil per Bulan Tahun 2000-2008 pada
PT. Jaya Mandiri dengan Pola Siklis C
Pada Gambar 2.3 dapat dilihat bahwa jumlah penjualan mobil pada PT. Jaya Mandiri dipengaruhi faktor ekonomi Indonesia tiap tahunnya. Tahun 2002 dan 2008
merupakan tahun dimana perekonomian masyarakat Indonesia lebih baik dari tahun- tahun lainnya, sehingga penjualan mobil yang merupakan kebutuhan tersier juga ikut
meningkat.
4. Pola Data Trend T yaitu pola data yang terjadi jika terjadi kenaikan ataupun
penurunan sekuler jangka panjang pada data. Contoh pola data seperti ini dapat
dilihat pada Gambar 2.4.
Gambar 2.4 Data Produk Domestik Bruto per Kapita dengan Pola Trend T
Produk domestik bruto Gross Domestic Product merupakan jumlah produk berupa barang dan jasa yang dihasilkan oleh unit-unit produksi di dalam batas wilayah suatu
negara domestik selama satu tahun. Pada Gambar 2.4 dapat dilihat bahwa jumlah penjualan produk domestik bruto Indonesia mengalami kenaikan jangka panjang pada
Tahun 2000-2011.
2.2 Himpunan Fuzzy