8
5. Rencana diperlukan oleh perusahaan sebagai alat pengawasan terhadap
pelaksanaan dari rencana tersebut diwaktu yang akan datang. Dengan adanya suatu rencana, maka perusahaan mempunyai tolak ukur untuk menilai
evaluasi realisasi kegiatan-kegiatan perusahaan tersebut Munandar,1986:2. Forecasting adalah peramalan apa yang akan terjadi dimasa mendatang, tetapi
belum tentu bisa dilaksanakan oleh perusahaan.
2.1.2. Definisi dan Tujuan Peramalan
Segala sesuatu serba tidak pasti dalam kehidupan sosial, sukar diperkirakan secara tepat, oleh karena itu perlu diadakan forecast. Peramalan forecasting
bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal forecast error yang bisa diukur dengan Mean Squared Error, Mean Absolute
Error, dan sebagainya Subagyo, 1984: 4.
2.1.3. Proses Peramalan Forecasting
Proses peramalan forecasting biasanya terdiri dari langkah sebagai berikut: 2.1.3.1. Penentuan Tujuan
Analisis mengatakan dengan cara pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhan-kebutuhan mereka, dan menentukan:
1. Variabel-variabel yang akan diestimasi
2. Siapa yang akan menggunakan hasil peramalan
3. Untuk tujuan apa hasil peramalan akan digunakan
4. Estimasi jangka panjang atau jangka pendek yang diinginkan
5. Derajat ketepatan estimasi yang diinginkan
6. Kapan estimasi dibutuhkan
9
7. Bagian-bagian yang diinginkan, seperti peramalan untuk kelompok pembeli,
kelompok produk, atau daerah geografis Handoko, 1984: 260
2.1.3.2. Pengembangan Model Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan
model yang merupakan penyajian secara lebih sederhana dari sistem yang dipelajari.
Model suatu peramalan adalah suatu kerangka analitik yang apabila diberi data menghasilkan estimasi besarnya variabel diwaktu mendatang variabel apa
saja yang akan diramal. Analisis hendaknya memilih suatu model yang menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan.
Sebagai contoh bila suatu perusahaan ingin meramalkan besarnya produksi suatu barang yang polanya berbentuk linear, model yang dipilih mungkin
dengan menunjukkan besarnya produksi barang tersebut, menunjukkan unit waktu, adalah konstanta, dan B adalah parameter yang
menggambarkan posisi kemiringan garis pada grafik. 2.1.3.3. Pengujian Model
Model harus diuji sebelum diterapkan, hal itu untuk menentukan tingkat akurasi dan reliabilitas yang diharapkan. Ini sering mencakup penerapanya pada
data historis dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajad ketetapan hasil
peramalan dengan data aktual.
10
2.1.3.4. Penerapan Model Setelah pengujian, analisis menerapkan model dalam tahap ini, data historis
dimasukkan dalam model untuk menghasilkan suatu ramalan. 2.1.3.5. Revisi dan Evaluasi
Ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Evaluasi merupakan proses membandingkan ramalan dengan hasil-hasil nyata
untuk menilai. Untuk teknik peramalan langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi diwaktu yang akan datang.
2.1.3.6. Kegunaan Forecasting Sering terdapat senjang waktu Time Lag antara kesadaran akan peristiwa.
Adanya waktu tenggang Lead Time ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi ini peramalan diperlukan untuk
menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan.
Dalam perencanaan di organisasi atau perusahaan peramalan merupakan kebutuhan yang sangat penting, baik buruknya peramalan dapat mempengaruhi
seluruh bagian organisasi karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang penting
dalam perencanaan yang efektif dan efisien. Kegunaan peramalan, antara lain: 1.
Untuk 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 akan konsumenya atau pelanggan.
11
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 dimasa mendatang.
Berguna untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan
semacam ini tergantung kepada faktor-faktor lingkungan, manusia, dan pengembangan sumber daya keuangan. Semua penentuan ini memerlukan ramalan
yang baik dan manager yang dapat menafsirkan pendugaan serta membuat keputusan yang baik.
Walaupun terdapat banyak bagian lain yang memerlukan peramalan, namun 3 tiga kelompok tersebut merupakan bentuk khas dari kegunaan peramalan
jangka pendek, menengah dan panjang. Dari uraian yang dijelaskan, dapat dikatakan metode peramalan sangat
berguna karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu, sehingga dapat memberikan cara pemikiran, pengerjaan yang teratur
dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang dibuat atau disusun.
2.2. Data Berkala Time series
Data berkala time series adalah himpunan dalam dimensi waktu ataupun dalam dimensi yang lain Soeyuti, 1978: 36. Teknis analisis runtun waktu yang
merupakan salah satu metode peramalan yang dapat memberikan sumbangan dalam membuat peramalan yang operasional. Ciri-ciri analisis runtun waktu yang
12
menonjol adalah bahwa deretan observasi dalam suatu variabel dipandang sebagai realisasi dengan variabel random yang berdistribusi sama.
Metode time series merupakan metode peramalan kuantitatif yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan
diperkirakan dengan variabel waktu. Tujuan time series ini mencakup penelitian 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 terdapat pertumbuhan atau penurunan pada data. Data secara kasar
harus horisontal sepanjang waktu. Dengan kata lain fluktuasi data konstan setiap waktu.
Pola data historis yang dimiliki dapat berpola horisontal, yaitu nilai data berfluktuasi disekitar rata-rata. Namun dalam kenyataanya data tersebut bervariasi
karena dipengaruhi trend yaitu rata-rata gerakan penurunan atau pertumbuhan jangka panjang serangkaian data historis. Siklis adalah pertumbuhan atau
gelombang pasang surut sesuatu hal yang berulang kembali dalam runtun waktu lebih dari satu tahun. Musiman adalah gelombang pasang surut yang berulang
kembali dalam waktu sekitar satu tahun Subagyo, 1986: 32.
2.2.1 Penentuan Pola Data
Hal penting yang harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola dan historisnya, sehingga pola data yang tepat dengan pola
data tersebut dapat diuji, pola data umunya dapat dibedakan sebagai berikut.
13
1. Pola Data Horisontal
Pola ini terjadi bila nilai berfluktuasi disekitar nilai rata-rata yang konstan.
Gambar 2.1 Pola Data Horisontal 2.
Pola Data Musiman Seasonal Pola yang menunjukkan perubahan yang berulang ulang secara periodik
dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman misalnya kwartal tahun tertentu, bulanan, atau hari-hari pada
minggu tertentu.
Gambar 2.2 Pola Data Musiman
14
3. Pola Data Siklus Cyclical
Pola data yang menunjukkan gerakan naik turun dalam jangka panjang dari suatu kurva trend, yang terjadi akibat pengaruh oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis.
Gambar 2.3 Pola Data Siklis
4. Pola Data Trend
Pola yang menunjukkan kenaikan atau penurunan jangka panjang dalam data.
15
Gambar 2.4 Pola Data Trend Tujuan analisis runtun waktu secara umum dibagi atas dua bagian yaitu
untuk memahami atau membuat mekanisme stokastik yang memberikan reaksi runtun waktu yang diobservasikan atau meramalkan nilai runtun itu sendiri.
2.3. Peramalan Forecasting dengan pemulusan smoothing
Smoothing adalah mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode Subagyo,1986: 7. Smoothing ini
dilakukan antara lain rata-rata bergerak Moving Avarage atau dengan pemulusan eksponensial Exponential Smoothing.
2.3.1. Peramalan dengan Metode Rata-Rata Bergerak Moving Avarage
Rata-rata bergerak Moving avarage diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah periode tertentu, setiap kali menambah nilai
lama dan menambah nilai baru Subagyo,1986: 7.
16
Data historis masa lalu dapat diratakan dalam berbagai cara, antara lain rata- rata bergerak tunggal dan rata-rata bergerak ganda.
2.3.1.1. Rata-Rata Bergerak orde Satu Single Moving Avarage Salah satu cara untuk mengubah pengaruh data masa lalu terhadap nilai
tengah sebagai ramalan adalah dengan menentukan sejak awal berapa jumlah nilai observasi masa lalu yang akan dimasukkan untuk menghitung nilai tengah. Setiap
muncul nilai observasi baru, nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling tua dan memasukkan nilai observasi yang baru.
Secara aljabar, rata-rata bergerak tunggal dapat dituliskan sebagai berikut: =
2.1 =
= Makridakis,1993: 73
Keterangan : Peramalan untuk periode ke t+1
: Data pada periode t : Jangka waktu perataan
Dengan membandingkan dengan
dapat dilihat bahwa perlu
menghilangkan nilai dan menambah nilai
begitu nilai ini tersedia. Metode rata-rata bergerak tunggal ini biasanya lebih cocok digunakan untuk
melakukan peramalan hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman, dan sebagainya, melainkan sulit diketahui polanya.
Menurut Pangestu Subagyo 1986: 11 metode ini mudah mengetahuinya dan sederhana, tetapi mempunyai kelemahan-kelemahan sebagai berikut:
17
1. Perlu data historis yang cukup
2. Data tiap periode diberi bobot sama
3. Tidak bisa mengikuti perubahan yang drastis
4. Tidak cocok untuk forecasting data yang ada gejala trend
2.3.1.2. Rata-Rata Bergerak Orde Dua Double Moving Avarage Metode ini pertama-tama dicari rata-rata bergerak, ditaruh pada periode
terakhir. Kemudian dicari lagi dari data-data bergerak tunggal, baru kemudian dibuat peramalan. Metode rata-rata bergerak ganda memang mudah
menghitungnya, tapi kelemahanya metode ini memberikan bobot yang sama pada setiap data serta tidak mempunyai persamaan untuk peramalan. Untuk mengatasi
hal ini maka bisa digunakan metode pemulusan eksponensial.
2.3.2. Peramalan forecasting dengan Pemulusan Eksponensial Eksponential
