11
Tabel 5. Kandungan Gizi Kedelai
Jenis Produk Kalori
Protein CHO
Lemak Tanaman
Kedelai kuning, dimasak
149 14,3
8,5 7,7
Kedelai, hijau edamame
127 11,1
10,0 5,8
Tempe 165
15,8 14,1
6,4 Tahu
183 17,0
14,1 9,3
Tepung kedelai, Dihilangkan lemaknya
82 11,8
9,6 0,3
Susu kedelai 100
7,0 8,0
4,0 Sumber :
http:www.nsrl.uiuc.eduaboutsoysoynutrition.html , 2011
2.2 Definisi Peramalan
Menurut Heizer dan Render 2006, peramalan adalah seni, ilmu untuk memperkirakan kejadian di masa depan. Hal ini dilakukan dengan melibatkan
pengambilan data masa lalu dan menempatkannya ke masa mendatang dengan suatu bentuk model matematik atau prediksi intuisi bersifat subyektif, atau
menggunakan kombinasi model matematik yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Forecasting berkaitan dengan
upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah ilmu dan teknologi serta dilakukan secara matematis. Walaupun
demikian, kegiatan forecasting tidaklah semata-mata berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan forecasting yang menggunakan
intuisi perasaan atau lewat diskusi informal dalam sebuah grup Santoso, 2009.
Menurut Sugiarto dan Harihono 2000, peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola
sistematis. Dalam dunia bisnis, hasil peramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan manajemen membuat
12
perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi. Ketepatan hasil peramalan bisnis akan meningkatkan peluang tercapainya
investasi yang menguntungkan. Semakin tinggi akurasi yang dicapai peramalan, maka semakin meningkat pula peran peramalan dalam perusahaan, karena hasil
dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan, perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi
dan keuangan. Dikaitkan dengan perencanaan perusahaan, hasil peramalan lingkungan
ekonomi dan pasar memungkinkan perencana perusahaan mengarahkan kebijakan perusahaan ke sektor-sektor yang memberikan peluang keuntungan
tertinggi. pemanfaatan hasil peramalan dalam perencanaan produk dan pasar pada umumnya digunakan dalam menyusun sasaran perusahaan maupun untuk
penyusunan anggaran promosi, serta anggaran penjualan yang diperlukan untuk mencapai sasaran tersebut. Hasil peramalan produk dan pasar dapat
dimanfaatkan perusahaan untuk memasuki pasar baru ataupun menarik diri dari pasar yang semakin tidak menguntungkan. Sebagai contoh, hasil peramalan
terhadap peluang suatu produk akan memungkinkan dibuatnya perencanaan terperinci bagi setiap sektor yang mendukung produk tersebut.
Salah satu aspek yang paling sering disalahpahami dalam peramalan adalah ketidakpastian. Umumnya manajer perusahaan percaya bahwa semakin banyak
sumber daya dan waktu yang diberikan kepada peramalan, semakin rendah derajat ketidakpastian yang didapat. Tetapi dalam banyak situasi, semata mata
menggunakan lebih banyak waktu dan tenaga dalam peramalan justru akan memberikan hasil berlawanan. Proses peramalan masa depan itu sendiri justru
membuka kemungkinan-kemungkinan baru dan hal ini sering berarti semakin banyaknya ketidakpastian yang harus dipertimbangkan. Dalam kasus seperti ini,
tujuan utama peramalan adalah menjadikan para pengambil keputusan dan pembuat kebijakan memahami ketidakpastian di masa mendatang, sehingga
ketidakpastian dan risiko yang mungkin muncul dapat dipertimbangkan pada waktu membuat perencanaan atau keputusan-keputusan yang berorientasi ke
13
masa depan. Dengan melakukan peramalan, para perencana dan pengambil keputusan akan dapat mempertimbangkan alternatif-alternatif strategi yang lebih
luas daripada tanpa peramalan. Dengan demikian, berbagai rencana strategi dan aksi dapat dikembangkan untuk menghadapi berbagai kemungkinan yang dapat
terjadi di masa mendatang Sugiarto dan Hariono, 2000. Menurut Heizer dan Render 2006, peramalan biasanya berdasarkan
horizon waktu masa depan yang dicakupnya. Horizon waktu terbagi atas beberapa kategori :
1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga satu 1 tahun tetapi umumnya kurang dari tiga 3 bulan. Peramalan ini digunakan
untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan keja dan tingkat populasi.
2. Peramalan jangka menengah. Peramalan jangka menengah, atau intermediate umumnya mencakup hitungan bulanan hingga tiga 3 tahun. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas dan menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka panjang. Umumnya untuk perencanaan masa tiga 3 tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan litbang.
2.2.1 Jenis-jenis Peramalan Peramalan adalah upaya memperkirakan nilai-nilai respon yang
menjadi perhatian di masa depan. Secara garis besarnya, peramalan dibedakan menjadi peramalan kuantitatif dan kualitatif. Hasil peramalan
kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya yang digabungkan dengan intuisi maupun ketajaman perasaan
si peramal dalam menghasilkan suatu informasi yang diperkirakan bakal terjadi di masa mendatang. Pada umumnya hasil peramalan kualitatif
berbentuk informasi kualitatif, walaupun tidak selalu demikian.
14
Sebaliknya, peramalan kuantitatif mempergunakan data kuantitatif yang diperoleh dari pengamatan nilai-nilai sebelumnya dengan ditunjang
beberapa informasi kuantitatif maupun kualitatif. Hasil peramalan kuantitatif secara relatif lebih disukai, karena memberikan pandangan yang
lebih nyata dan lebih obyektif dalam besaran nilai hasil peramalannya. 2.2.2 Langkah-langkah Peramalan
Menurut Sugiarto dan Harihono 2000, hampir semua metode peramalan formal dilakukan dengan cara mengekstrapolasi kondisi masa
lalu untuk kondisi masa mendatang. Hal ini didasarkan pada asumsi bahwa kondisi masa lalu sama dengan kondisi masa mendatang. Atas dasar logik
ini, maka langkah-langkah dalam metode peramalan adalah : Langkah 1 : Mengumpulkan data
Langkah 2 : Menyeleksi dan memilih data Langkah 3 : Memilih model peramalan
Langkah 4 : Menggunakan metode terpilih untuk peramalan Menurut Heizer dan Render 2006, Peramalan forecasting adalah
istilah yang sangat populer di dunia bisnis, yang pada dasarnya adalah kegiatan yang berhubungan dengan meramalkan atau memproyeksikan hal-
hal yang terjadi di masa lampau ke masa depan. Ramalan permintaan demand forecasting menyangkut peramalan permintaan mendatang
berdasarkan permintaan yang lalu atau berdasarkan perhitungan tertentu. Ramalan permintaan mencakup dua kegiatan Indrajit dan Djokopranoto,
2003, yaitu : 1. Mengidentifikasikan peubah-peubah yang mempengaruhi permintaan
2. Mengembangkan persamaan-persamaan yang menyatakan hubungan antara peubah-peubah tersebut dalam bentuk perhitungan matematik.
15
2.2.3 Peramalan Time Series Time series didasarkan pada waktu berurutan atau berjarak sama
mingguan, bulanan, kuartalan, dan lainnya. Meramalkan data time series berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan bahwa
peubah lain diabaikan, walaupun peubah-peubah tersebut mungkin sangat bermanfaat.
2.2.4 Dekomposisi Time Series Menganalisis Time Series berarti membagi data masa lalu menjadi
komponen-komponen dan kemudian memproyeksikannya ke masa depan. Time series mempunyai empat 4 komponen : tren, musim, siklus dan
variasi acak random variation. Rinciannya sebagai berikut : a. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau
menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren.
b. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal.
c. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal
penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit, karena dapat dipengaruhi oleh
kejadian politik ataupun kerusuhan internasional. d. Variasi acak merupakan satu titik khusus dalam data, yang disebabkan
oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi.
2.2.4 Rataan Bergerak Peramalan rataan bergerak moving average menggunakan sejumlah
data aktual masa lalu untuk menghasilkan peramalan. Rataan bergerak berguna, jika diasumsikan permintaan pasar akan stabil sepanjang masa
yang diramalkan.
16
Secara matematik, rataan bergerak sederhana merupakan prediksi permintaan periode mendatang dinyatakan sebagai :
Rataan bergerak = ∑ permintaan n periode sebelumnya ……... 1
n dimana n adalah jumlah periode dalam rataan bergerak.
Rataan bergerak dengan pembobotan dapat dijabarkan berikut : Rataan bergerak dengan pembobotan =
∑ bobot pada periode n permintaan pada periode n ………... 2 ∑ bobot
2.2.5 Penghalusan Eksponensial Penghalusan Eksponensial exponential smoothing merupakan
metode peramalan rataan bergerak dengan pembobotan canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit
pencatatan data masa lalu. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut :
Peramalan baru = peramalan periode lalu + α permintaan
aktual periode lalu – peramalan periode lalu dimana
α adalah sebuah bobot, atau konstanta penghalusan smoothing constant, yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1.
Persamaan secara matematik ditulis sebagai berikut : F
t
= F
t-1
+ α A
t-1 –
F
t-1
…………………………....... 3 dimana
F
t
= peramalan baru F
t-1
= peramalan sebelumnya α = konstanta penghalus
A
t-1
= permintaan aktual periode lalu
17
2.2.6 Trend Analysis Ada beberapa metode forecasting yang memperhatikan adanya trend,
seperti metode Holt pada Exponential Smoothing atai Time Series Decomposition; metode regresi pada prinsipnya sebuah persamaan trend,
dengan tanda positif atau negatif sebagai petunjuk trend data yang menaik atau menurun. Namun metode-metode tersebut berasumsi bahwa trend
yang terjadi adalah linear, dengan ciri akan ada sebuah garis lurus dan peubah berpangkat satu. Dalam paktek, banyak data yang memang
mempunyai komponen trend, namun tidak selalu membentuk garis lurus. Banyak data trend yang berbentuk kurva kuadratik, berbentuk kurva S
curve. 2.2.7 ARIMA
Berbeda dengan metode forecasting sebelumnya, metode ARIMA adalah metode forecasting yang tidak menggunakan teori atau pengaruh
antar variabel seperti pada model regresi; dengan demikian, metode ARIMA tidak memerlukan penjelasan mana variabel dependen atau mana
variabel independen. Metode ini juga tidak melihat pola-pola dat seperti pada time series decomposition; data yang akan diprediksi tidak perlu
dipecah menjadi komponen trend, seasonal, siklis atau iregular seperti perlakuan pada data time series pada umumnya. Metode ini secara murni
melakukan prediksi hanya sebesar data-data historis yang ada. Selain dikenal dengan nama ARIMA, metode ini populer pula dengan sebutan
metode Box-Jenkins, karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box dan G.M Jenkins pada tahun 1970.
Proses ARIMA dapat dinyatakan sebagai : ARIMA p, d, q ……………………………………………………… 4
Dimana : p = angka untuk autoregressive AR
d = angka untuk order differencing
18
q= angka untuk moving average MA 2.2.8 Menghitung Kesalahan Peramalan
Keakuratan keseluruhan dari setiap model peramalan dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai aktual atau nilai
yang sedang diamati. Jika F
t
melambangkan peramalan pada periode t, dan A
t
melambangkan permintaan aktual pada periode t, maka kesalahaan peramalan deviasi adalah :
Kesalahan peramalan = permintaan aktual – nilai peramalan ….. 5
= A
t –
F
t
Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan forecast error total. Perhitungan ini dapat
digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan
baik. Tiga 3 dari perhitungan yang paling terkenal adalah simpangan rataan absolut mean absolute deviation atau MAD, kesalahan rataan
kuadrat mean squared error atau MSE dan kesalahan persen rataan absolut mean absolut percentage error atau MAPE.
a. MAD Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model
adalah MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data n,
yaitu : MAD =
∑ aktual-peramalan …………………………….. 6 n
b. MSE Hal ini merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rataan selisih kuadrat antara nilai yang
19
diramalkan dan yang diamati. Rumusnya adalah : MSE =
∑ kesalahan peramalan
2
………………………. 7 n
Kekurangan penggunaan MSE adalah cenderung menonjolkan simpangan yang besar, karena adanya pengkuadratan. Oleh karena itu,
menggunakan MSE sebagai perhitungan kesalahan peramalan, biasanya menunjukkan hal lebih baik mempunyai beberapa simpangan kecil
daripada satu simpangan besar. c. MAPE
Masalah yang terjadi dengan MAD dan MSE adalah bahwa nilainya tergantung pada besarnya unsur yang diramal. Jika unsur tersebut
dihitung dalam satuan ribuan, maka nilai MAD dan MSE menjadi sangat besar. Untuk menghindari masalah ini, dapat menggunakan
MAPE. MAPE dihitung sebagai rataan diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. Jika
memiliki nilai yang diramal dan aktual untuk n periode, MAPE dihitung sebagai :
MAPE = 100 ∑ aktual
i –
ramalan
i
aktual
i
……………… 8 n
2.3 Penelitian Terdahulu yang Relevan
