BAB III LANDASAN TEORI
3.1. Peramalan
2
Peramalan adalah bagian yang penting dan bersatu dengan kegiatan pengambilan keputusan di dalam suatu perusahaan, terutama untuk melakukan
perencanaan ke masa depan. Semakin meningkatnya kebutuhan akan peramalan dapat terlihat pada keadaan yang tidak pasti. Oleh sebab itu, telah tersedia berbagai metode
peramalan untuk mendukung kebutuhan tersebut. Masalahnya adalah bagaimana memakai berbagai jenis karakteristik peramalan tersebut agar sesuai dengan yang
dibutuhkan. Situasi peramalan sangat beragam, tergantung pada horizon waktu peramalan, pola data, tingkat ketelitian, ketersediaan data dan biaya yang dibuuhkan.
Pada dasarnya peramalan itu dikelompokkan kedalam dua kategori utama yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif meliputi deret
berkala time series dan metode kausal sebab akibat, sedangkan metode kualitatif meliputi metode eksploratories dan metode normative. Peramalan dengan metode
kuantitatif dapat diterapkan bila terdapat kondisi sebagai berikut: 1. Tersedianya informasi tentang data masa lalu
2. Informasi tersebut dapat dikuantifikasikan kedalam data numeric 3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di
masa mendatang
2
Fogarty, Blackstone and Hoffman, Production Inventory Management, 2
nd
Edition, South- Wester Publishing Co. Cincinnati, Ohio, hal 85
Universitas Sumatera Utara
3.2. Prosedur Peramalan
3
Adapun prosedur peramalan secara kuantitatif adalah sebagai berikut: 1. Definisikan tujuan peramalan
2. Pembuatan diagram pencar 3. Pilih minimal dua metode peramalan yang dianggap sesuai
4. Hitung parameter-parameter fungsi peramalan 5. Hitung kesalahan setiap metode peramalan
6. Pilih metode yang terbaik yaitu yang memiliki kesalahan terkecil 7. Lakukan verifikasi peramalan
3.3. Metode Time Series
Metode Time Series adalah metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Dengan analisis deret waktu
dapat ditunjukkan bagaimana permintaan terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan dari tahun ke tahun dirumuskan
untuk meramalkan penjualan pada masa yang akan datang. Ada empat komponen utama yang mempengaruhi analisis ini, yaitu :
a. Pola siklis cycle, jika penjualan produk memiliki siklus yang berulang secara periodik
b. Pola musiman seasonal, jika pola penjualan berulang setiap periode c. Pola horizontal, jika nilai data berfluktuasi di sekitar nilai rata-rata
d. Pola trend, jika data memiliki kecenderungan untuk naik atau turun terus menerus
3
Rosnani Ginting, Sistem Produksi, Edisi Pertama Yogyakarta: Graha Ilmu, 2009, hal 44-62.
Universitas Sumatera Utara
Dalam meramalkan biaya – biaya yang termasuk di dalam biaya operasi dipergunakan pola trend karena biaya tersebut cenderung naik jika mesinperalatan
semakin tua atau semakin lama jangka waktu pemakaiannya. Ada beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu :
1. Trend linier Bentuk persamaan umum :
Y = a + bt Sedangkan bentuk peramalannya:
Yt = a + bt Dimana : Y
t
= nilai ramalan pada period ke-t t = waktu atau periode
2 2
t t
n Y
t tY
n b
t t
n t
b Y
a
t
2. Trend Eksponensial atau Pertumbuhan Bentuk persamaan umum :
Y = ae
bt
Sedangkan bentuk peramalannya: Yt = ae
bt
2 2
ln ln
t t
n Y
t Y
t n
b
t t
Universitas Sumatera Utara
n t
b Y
a
t
ln ln
3. Trend Logaritma Y = a + b log t
sedangkan bentuk peramalannya: Yt = a + b log t
2 2
log log
log log
t t
n Y
t tY
n b
t t
n t
b Y
a
t
log
4. Trend Geometrik Bentuk persamaannya :
Y = at
b
sedangkan bentuk peramalannya: Yt = at
b
2 2
log log
log log
log .
log t
t n
Y t
Y t
n b
t t
n t
b Y
a
t
log log
5. Trend Hiperbola Bentuk bentuk peramalannya:
Y =
t
b a
Universitas Sumatera Utara
sedangkan bentuk peramalannya : Yt =
t
b a
2 2
log log
. log
t n
t Y
t Y
t n
b
t t
n t
b Y
a
t
log log
log
Adapun metode peramalan yang termasuk model time series adalah : 1. Metode Penghalusan Smoothing
Metode ini digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu.
Ketepatan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
Metode ini terdiri dari: a. Metode rata-rata bergerak moving average
1 Single Moving Average Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.
Rumus yang digunakan adalah:
N X
X X
F
t t
N t
t
1 1
1
...
dimana: X
i
: data pengamatan periode i. N
: jumlah deret waktu yang digunakan F
t+1
: nilai peramalan periode t+1.
Universitas Sumatera Utara
2 Linear Moving Avarage Dasar dari metode ini adalah penggunaan moving average kedua untuk
memperoleh penyesuaian bentuk pola trend. 3 Double Moving Avarage
Notasi yang diberikan adalah MA M x N, artinya M – periode MA dan N – periode NA
4 Weigthed Moving Average Weighted moving average
adalah metode perhitungan dengan cara mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya
dengan hasil produk yang merupakan penjumlahan faktor bobot. Formula metode Weighted Moving Average adalah:
n t
n t
t t
A w
A w
A w
F
...
2 2
1 1
dimana : w
1
: bobot yang diberikan pada periode t-1 w
2
: bobot yang diberikan pada periode t-2 w
n
: bobot yang diberikan pada periode t-n n
: jumlah periode b. Metode Eksponensial Smoothing
1 Single Eksponensial Smoothing Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1
merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang
Universitas Sumatera Utara
berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Secara matematis dapat dinyatakan:
1
ˆ 1
ˆ
t t
t
f f
f
dimana :
t
fˆ
: perkirakan permintaan pada periode t
: suatu nilai 0 1 yang ditentukan secara subjektif
t
f
: permintaan aktual pada periode t
1
ˆ
t
f
: perkiraan permintaan pada periode t-1 2 Double Exponensial Smoothing
Formula Double Exponential Smoothing adalah : .
.m b
a f
t t
m t
sedangkan :
1
1
t t
t
f X
f
1
1
t t
t
f f
f
dimana
t
f : single exponential smoothing
t
f : double exponential smoothing
2
t t
t t
t t
f f
f f
f
1
t t
t
f f
Universitas Sumatera Utara
2. Metode Proyeksi Kecenderungan dengan Regresi Metode ini merupakan dasar garis kecenderungan untuk suatu persamaan,
sehingga dengan dasar persamaan tersebut dapat di proyeksikan hal-hal yang akan diteliti pada masa yang akan datang.
Bentuk fungsi dari metode ini dapat berupa: a. Konstan, dengan fungsi peramalan Yt:
Yt = a , dimana
N Y
a
1
dimana : Yt = nilai tambah N
= jumlah periode b. Linier, dengan fungsi peramalan:
Yt = a + bt
dimana : n
bt Y
a
2 2
t t
n y
t ty
n b
c. Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct
2
dimana :
n t
c t
b Y
a
2
b c
2
b
4 2
2
t n
t
tY n
Y t
Y t
n Y
t
2 2
Universitas Sumatera Utara
3 2
2
t n
t t
d. Eksponensial, dengan fungsi peramalan :
Yt = ae
bt
dimana :
n t
b Y
a
ln ln
2 2
ln ln
ln
t
t n
Y t
Y t
n a
e. Siklis, dengan fungsi peramalan :
n t
c n
b a
Y
t
2 cos
2 sin
ˆ
dimana :
n t
c n
t b
na Y
2 cos
2 sin
n t
n t
c n
b n
t a
n t
Y
2 cos
2 sin
2 sin
2 sin
2 sin
2
n t
n t
b n
c n
t a
n t
Y
2 cos
2 sin
2 cos
2 cos
2 cos
2
3. Metode Dekomposisi Yaitu ramalan yang ditentukan dengan kombinasi dari fungsi yang ada sehingga
tidak dapat diramalkan secara biasa. Model tersebut didekati dengan fungsi linier atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan pola
data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang tertua. Terdapat beberapa pendekatan alternatif umtuk mendekomposisikan
suatu derat berkala yang semuanya bertujuan memisahkan setiap komponen deret data seteliti mungkin.
Universitas Sumatera Utara
3.4. Kriteria Performance Peramalan