13
2.3 Definisi Barang-Barang Musiman
Yang disebut dengan barang-barang musiman adalah barang-barang yang jumlah penjualannya meningkat dikarenakan kebutuhan akan barang tersebut pada musim-
musim tertentu meningkat jauh Susanty, 2012. Dari hasil penjualan barang-barang musiman ini pedagang mampu menarik keuntungan yang berlipat-lipat ganda
dibandingkan dengan penjualan di hari-hari biasa. Contoh dari barang-barang musiman ini misalnya Tanjung, 2012: busana muslim, kerudung, atau sarung pada
libur Lebaran atau Idul Fitri, buku, alat tulis, dan seragam sekolah pada musim tahun ajaran baru, dan lain-lain.
2.4 Ukuran Akurasi Prediksi
Tidak mungkin suatu ramalan akan benar-benar akurat. Ramalan akan selalu berbeda dengan permintaan aktual. Perbedaan antara ramalan dengan data aktual disebut
kesalahan ramalan. Meskipun suatu jumlah kesalahan ramalan tidak dapat dielakkan namun tujuan ramalan adalah agar kesalahan sekecil mungkin Hermanto, 2007.
Ukuran ketepatan yang sering digunakan untuk mengetahui ketepatan suatu model prediksi dalam memodelkan data deret waktu yaitu nilai, MAPE Mean
Absolute Percentage Error dan MAE Mean Absolute Error.
a. Mean Absolute Percentage Error MAPE
MAPE dihitung dengan menemukan kesalahan absolut pada setiap periode, kemudian membaginya dengan nilai observasi pada periode tersebut dan
kemudian merata-ratakan
persentase absolutnya
Nurmaida, 2012..
Pendekatan ini akan sangat berguna apabila ukuran variabel merupakan faktor penting dalam mengevaluasi akurasi prediksi. MAPE menunjukkan seberapa
besar kesalahan prediksi dibandingkan dengan nilai sebenarnya dari suatu runtun waktu. MAPE juga dapat digunakan untuk membandingkan akurasi dari
teknik yang sama atau berbeda pada dua runtun waktu yang berbeda. ∑ |
|
Universitas Sumatera Utara
14
Dengan
t
PE adalah galat persentase yang didefinisikan sebagai berikut :
t
PE =
t t
t
X F
X
2.2
b. Mean Absolut Error MAE
MAE adalah rata-rata absolute dari kesalahan yaitu dengan menghiraukan tanda positif ataupun negatif dari nilai kesalahan Nurmaida, 2012.. MAE
dapat dihitung dengan menggunakan persamaan:
∑ |
|
Pengukuran akurasi prediksi ini digunakan untuk Hanke, 2005 : 1.
Membandingkan keakuratan dari dua atau lebih teknik prediksi yang berbeda.
2. Mengukur kegunaan atau reliabilitas teknik tertentu.
3. Membantu mencari teknik yang optimal.
2.5 Metode Pemulusan Eksponensial Exponential Smoothing
Smoothing atau metode pemulusan adalah metode prediksi yang melakukan pemulusan terhadap suatu deret berkala dari sederetan data masa lalu, yaitu dengan
membuat rata-rata tertimbang dari nilai beberapa tahun untuk menaksir data pada beberapa tahun kedepan. Dasar dari metode smoothing adalah pembobotan sederhana
atau pemulusan pengamatan masa lalu dalam suatu deret berkala untuk memperoleh ramalan masa mendatang Makridakis, 1999.
Menurut Makridakis 1999 metode pemulusan eksponensial exponential smoothing adalah metode yang mengulang perhitungan secara terus-menerus dengan
menggunakan data terbaru. Metode ini menggunakan bobot berbeda untuk setiap data masa lalu dan karena bobotnya berciri menurun seperti eksponensial dari titik data
terakhir sampai dengan yang terawal hingga disebut metode pemulusan eksponensial.
Universitas Sumatera Utara
15 Dengan kata lain, setiap data diberikan sebuah nilai dimana data yang lebih baru
memiliki nilai yang lebih besar. Metode exponential smoothing merupakan metode prediksi yang cukup baik
untuk prediksi jangka panjang dan jangka menengah, terutama untuk operasional suatu perusahaan. Kelebihan utama dari metode exponential smoothing dapat dilihat
dari kemudahan dalam operasi, dengan kata lain mudah dalam penerapannya, dan kecepatannya untuk diterima juga biaya yang rendah Nurmaida, 2012.
Metode prediksi dengan pemulusan eksponensial lebih digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Apabila galat ramalan
forecast error adalah positif, atau nilai aktual permintaan lebih tinggi daripada nilai ramalan A
–F0, maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan forecast error
adalah negatif, atau nilai aktual permintaan lebih rendah daripada nilai ramalan A – F
0, maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat
ramalan telah mencapai nol. Gaspersz, 2004. Bentuk umum dari metode pemulusan Exponential Smoothing ini adalah
Makridakis, 1999:
2.5
Dengan : = prediksi satu periode ke depan
= data aktual periode = prediksi pada periode
= parameter pemulusan 0 1
Nilai yang digunakan adalah untuk data yang paling baru, untuk
data sebelumnya, untuk data yang lebih lama lagi, dan seterusnya. Bila
bentuk umum tersebut diperluas maka akan berubah menjadi :
2.6
Universitas Sumatera Utara
16 Dari perluasan bentuk umum diatas dapat dikatakan bahwa dalam metode
Exponential Smoothing nilai observasi yang baru diberikan bobot yang relatif lebih besar dibanding observasi yang lebih tua.
2.6 Metode Holt-Winters