Perbandingan Hasil Produksi Pakaian CV. MODE FASHION DEPARTEMENT STORE MEDAN dengan Metode Pemulusan Dua Parameter dari Holt dan Pemulusan Eksponensial Ganda dari Brown
8
BAB 2
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah upaya memperkirakan nilai-nilai respon yang menjadi perhatian
di masa depan dan digunakan sebagai acuan pencegah yang mendasari suatu
keputusan untuk yang akan datang dalam upaya meminimalkan kendala atau
memaksimalkan pengembangan baik dalam dunia usaha, seperti peramalan
produksi dan sebagainya. Dalam keefektifannya haruslah suatu peramalan tersebut
adalah hasil dari proses perhitungan yang sistematis. Dalam statistika, peramalan
sangat bergantung pada data histori.
Secara ilmiah metode peramalan dapat diklasifikasikan dalam dua
kelompok yaitu metode kualitatif dan metode kuantitatif. Metode peramalan
kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya
yang digabungkan dengan intuisi manusia dari pada penggunaan data historis
yang dimiliki dalam menghasilkan suatu informasi yang perkiraan bakal terjadi di
masa yang akan datang. Metode ini banyak digunakan dalam banyak pengambilan
keputusan sehari-hari. Dalam hal ini ramalan dikatakan baik atau tidak bergantung
dari banyak hal antara lain pengalaman, perkiraan, dan pengetahuan yang didapat.
Metode peramalan kuantitatif merupakan peramalan yang didasarkan pada
data-data variabel yang bersangkutan di masa sebelumnya. Metode ini
menggunakan analisis statistik dan tanpa intuisi atau penilaian subyektif orang
yang melakukan peramalan. Menurut Makridakis dkk (1992), peramalan dengan
menggunakan metode kuantitatif dapat diterapkan apabila terdapat tiga kondisi
berikut:
1. Tersedia informasi tentang masa lalu,
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
9
2.2 CV. Mode Fashion Departement Store Medan
CV. Mode Fashion adalah sebuah perusahaan swasta nasional yang bergerak
dibidang retail untuk membuat suatu perusahaan yang meproduksi pakaian jadi
seperti baju kemeja yang di pakai dalam kehidupan sehari-hari. Suatu produk
yang digunakan sebagai kelengkapan penampilan seseorang dan menjadi salah
satu kebutuhan yang tak bisa lepas dari semua orang dari anak-anak sampai
dewasa dan enggak menutup kemungkinana dari kalangan bawah sampai
kalangan atas sehingga setiap kegiatan apapun pasti kita memakainya untuk
melengkapi penampilan setiap saat sehingga semakin banyak yang memesan suatu
produk semakin bertambah pula produksi yang dibuat.
Oleh karena itu, setiap perusahaan yang bergerak di bidang retail pasti
mempunyai permasalahan kondisi yang mengakibatkan produksi menurun atau
berkurang optimal dikarenakan tidak adanya tidak adanya pemahaman yang baik
dalam strategi penerapan tentang produksi barang.
2.3 Metode Deret Berkala
Deret berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu
untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke
waktu. Metode Time Series merupakan metode peramalan kuantitatif yang
didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan
diperkirakan dengan varibel waktu. Time Series mencakup penelitian pola data
yang digunakan untuk meramalkan apakah data tersebut stasioner atau tidak dan
ekstrapolasi ke masa yang akan datang.
Sedangkan deret berkala adalah serangkaian nilai-nilai variabel yang
disusun berdasarkan waktu. Pada analisis deret berkala ada empat komponen salah
satunya adalah variasi musim. Variasi musim merupakan gerakan suatu deret
berkala yang diklasifikasikan kedalam periode kurang dari satu tahun seperti
kwartalan, bulanan atau harian, atau gerakan periodik yang berulang (Kustituanto,
1984).
10
Berdasarkan sumbernya, data dibedakan menjadi data intern dan data
ekstern. Data intern adalah data yang berasal dari dalam organisasi (perusahaan),
sedangkan data ekstern adalah data yang berasal dari luar organisasi (perusahaan).
Data ekstern terbagi atas data primer dan sekunder. Data primer adalah data yang
dikumpulkan sendiri untuk peramalan yang akan dilakukan, sedangkan data
sekunder adalah data yang terkumpul atau sudah tersedia untuk peramalan.
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu:
a. Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak
produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki
kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan
jangka menengah.
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus-menerus. Pola data bentuk ini digambarkan sebagai berikut:
Gambar 2.1 Pola Siklis
b. Pola Musiman (Season)
Perkataan musim menggambarkan pola penjualan yang berulang setiap periode.
Komponen musim dapat dijabarkan ke dalam vektor cuaca, libur, atau
kecenderungan perdagangan. Pola musiman berguna meramalkan penjualan
dalam jangka pendek.
Pola data musiman dapat digambarkan sebagai berikut:
Gambar 2.2 Pola Musiman
11
c. Pola kecenderungan (trend)
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus menerus. Pola data dalam bentuk ini dapat digambarkan sebagai berikut:
Gambar 2.3 Pola Kecenderungan
d. Pola Acak
Pola data ini menggambarkan pola penjualan yang setiap periodenya memiliki
kondisi yang beragam dan acak. Pola data dalam bentuk ini dapat digambarkan
sebagai berikut:
Gambar 2.4 Pola Acak
2.4 Metode Pemulusan (Smoothing)
Metode pemulusan (smoothing) adalah suatu metode peramalan dengan
melakukan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata
dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan.
2.4.1 Metode Pemulusan Eksonensial Tunggal
Teknik eksponensial tunggal linier satu parameter digunakan dengan menetapkan
bobot tertentu atas data yang tersedia dan berdasarkan bobot itu akan diketahui
12
pula bobot atas hasil peramalan sebelumnya. Penentuan besarnya bobot yang
digunakan dapat ditentukan dengan menghitung MSE dan MAPE untuk tiap
alternatif bobot yang akan dipilih. Bobot yang menghasilkan MSE dan MAPE
terkecil adalah yang lebih baik.
2.4.2 Pemulusan Eksponensial Ganda dari Brown
Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar
pemikiran dari metode pemulusan eksponensial ganda (linier satu parameter dari
Brown) adalah sama dengan rata-rata bergerak linier karena dua nilai pemulusan
tunggal dan ganda ketinggalan dari data sebenarnya. Pada teknik brown ini
komponen tren dan komponen lainnya dihaluskan bersama-sama dengan
menggunakan hanya satu parameter yaitu alpha (∝).
Persamaan yang dipakai dalam penggunaan pemulusan eksponensial
ganda dari Brown adalah sebagai berikut:
′
"
=∝
+ (1−∝)
=∝
=
=
=
′ + (1−∝)
′
∝
+
∝
+
′
(
′
"
−
−
"
′
(2.1)
"
= 2
(2.2)
′
−
"
(2.3)
)
(2.4)
( )
(2.5)
di mana:
= nilai pemulusan eksponensial tunggal
′
"
∝
= nilai pemulusan eksponensial ganda
,
= parameter pemulusan eksponensial yang besarnya 0 < α < 1
= konstanta pemulusan
= hasil peramalan untuk periode ke depan yang diramalkan
2.4.3 Metode Pemulusan Dua Parameter dari Holt
Metode pemulusan dua parameter dari holt
pada prinsipnya serupa dengan
brown, kecuali bahwa holt tidak menggunakan rumus pemulusan berganda secara
13
langsung. Pada teknik eksponensial ganda linier dua parameter
dari Holt,
komponen tren dihaluskan secara terpisah dengan menggunakan parameter
berbeda.
Ramalan dari pemulusan dua parameter dari Holt didapat dengan
menggunakan 2 konstanta pemulusan (∝ dan γ) 2 parameter yang nilainya antara
0 dan 1. Persamaan yang digunakan dalam penggunakan pemulusan dua
parameter dari holt adalah sebagai berikut:
S = ∝ X + (1−∝)(S
b = γ(S − S
=
+
+b
) + (1 − γ)b
)
(2.6)
(2.7)
( )
(2.8)
di mana:
= data pemulusan
= '()*+ pemulusan
∝ dan γ = parameter yang nilainya 0 dan 1
F
2
= hasil peramalan untuk periode ke depan yang diramalkan
2.4.4 Ketetapan Ramalan Beberapa Kriteria Digunakan Untuk Menguji
1.
ME (Mean Error) atau Nilai Tengah Kesalahan
:
67 = 8
;
)
9
ME (Mean Error) untuk mengukur ketepatan ramalan dengan rata-rata nilai
tengah kesalahan dan membagikan dengan jumlah observasi.
2.
MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat
:
)<
6 7= 8
9
;
MSE (Mean Square Error) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisi dikuadratkan. Kemudian
14
dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur
kesalahan
peramalan
yang
besar
karena
kesalahan-kesalahan
itu
dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat lebih baik
untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang
menghasilkan sesuatu yang sangat besar.
3.
MAE (Mean Absolute Error) atau Nilai Tengan Kesalahan Absolut
:
6=7 = 8
;
|?) |?
9
MAE (Mean Absolute Error) adalah untuk mengukur peramalan dengan ratarata kesalahan dugaan (nilai absolut masing-masing kesalahan).
4.
MAPE (Mean Absolute Percentage Error) atau Nilai Tengah Kesalahan
Persentase Absolut
:
6=@7 = 8
;
|@7 |
9
Sedangkan MAPE adalah rata-rata dari keseluruhan persentase kesalahan
(selisih) antara data aktual dengan data hasil peramalan (mean absolute
percentage error). Dimana semakin kecil nilai MSE dan MAPE nya, maka
semakin baik hasil ramalannya.
di mana:
) =
( kesalahan pada periode ke t )
9 = banyaknya periode waktu
2.4.5 Pengambilan nilai kesalahan atau error terkecil
Setelah menyelesaikan data dengan metode kedua peneliti mencari error dan
memilih error yang terkecil dan memilih metode apa yang di sesuai digunakan
dalam pengelolahan data tersebut dengan error terkecil dengan mencari MSE dan
MAPE.
BAB 2
LANDASAN TEORI
2.1 Peramalan
Peramalan adalah upaya memperkirakan nilai-nilai respon yang menjadi perhatian
di masa depan dan digunakan sebagai acuan pencegah yang mendasari suatu
keputusan untuk yang akan datang dalam upaya meminimalkan kendala atau
memaksimalkan pengembangan baik dalam dunia usaha, seperti peramalan
produksi dan sebagainya. Dalam keefektifannya haruslah suatu peramalan tersebut
adalah hasil dari proses perhitungan yang sistematis. Dalam statistika, peramalan
sangat bergantung pada data histori.
Secara ilmiah metode peramalan dapat diklasifikasikan dalam dua
kelompok yaitu metode kualitatif dan metode kuantitatif. Metode peramalan
kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya
yang digabungkan dengan intuisi manusia dari pada penggunaan data historis
yang dimiliki dalam menghasilkan suatu informasi yang perkiraan bakal terjadi di
masa yang akan datang. Metode ini banyak digunakan dalam banyak pengambilan
keputusan sehari-hari. Dalam hal ini ramalan dikatakan baik atau tidak bergantung
dari banyak hal antara lain pengalaman, perkiraan, dan pengetahuan yang didapat.
Metode peramalan kuantitatif merupakan peramalan yang didasarkan pada
data-data variabel yang bersangkutan di masa sebelumnya. Metode ini
menggunakan analisis statistik dan tanpa intuisi atau penilaian subyektif orang
yang melakukan peramalan. Menurut Makridakis dkk (1992), peramalan dengan
menggunakan metode kuantitatif dapat diterapkan apabila terdapat tiga kondisi
berikut:
1. Tersedia informasi tentang masa lalu,
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
9
2.2 CV. Mode Fashion Departement Store Medan
CV. Mode Fashion adalah sebuah perusahaan swasta nasional yang bergerak
dibidang retail untuk membuat suatu perusahaan yang meproduksi pakaian jadi
seperti baju kemeja yang di pakai dalam kehidupan sehari-hari. Suatu produk
yang digunakan sebagai kelengkapan penampilan seseorang dan menjadi salah
satu kebutuhan yang tak bisa lepas dari semua orang dari anak-anak sampai
dewasa dan enggak menutup kemungkinana dari kalangan bawah sampai
kalangan atas sehingga setiap kegiatan apapun pasti kita memakainya untuk
melengkapi penampilan setiap saat sehingga semakin banyak yang memesan suatu
produk semakin bertambah pula produksi yang dibuat.
Oleh karena itu, setiap perusahaan yang bergerak di bidang retail pasti
mempunyai permasalahan kondisi yang mengakibatkan produksi menurun atau
berkurang optimal dikarenakan tidak adanya tidak adanya pemahaman yang baik
dalam strategi penerapan tentang produksi barang.
2.3 Metode Deret Berkala
Deret berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu
untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke
waktu. Metode Time Series merupakan metode peramalan kuantitatif yang
didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan
diperkirakan dengan varibel waktu. Time Series mencakup penelitian pola data
yang digunakan untuk meramalkan apakah data tersebut stasioner atau tidak dan
ekstrapolasi ke masa yang akan datang.
Sedangkan deret berkala adalah serangkaian nilai-nilai variabel yang
disusun berdasarkan waktu. Pada analisis deret berkala ada empat komponen salah
satunya adalah variasi musim. Variasi musim merupakan gerakan suatu deret
berkala yang diklasifikasikan kedalam periode kurang dari satu tahun seperti
kwartalan, bulanan atau harian, atau gerakan periodik yang berulang (Kustituanto,
1984).
10
Berdasarkan sumbernya, data dibedakan menjadi data intern dan data
ekstern. Data intern adalah data yang berasal dari dalam organisasi (perusahaan),
sedangkan data ekstern adalah data yang berasal dari luar organisasi (perusahaan).
Data ekstern terbagi atas data primer dan sekunder. Data primer adalah data yang
dikumpulkan sendiri untuk peramalan yang akan dilakukan, sedangkan data
sekunder adalah data yang terkumpul atau sudah tersedia untuk peramalan.
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu:
a. Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak
produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki
kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan
jangka menengah.
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus-menerus. Pola data bentuk ini digambarkan sebagai berikut:
Gambar 2.1 Pola Siklis
b. Pola Musiman (Season)
Perkataan musim menggambarkan pola penjualan yang berulang setiap periode.
Komponen musim dapat dijabarkan ke dalam vektor cuaca, libur, atau
kecenderungan perdagangan. Pola musiman berguna meramalkan penjualan
dalam jangka pendek.
Pola data musiman dapat digambarkan sebagai berikut:
Gambar 2.2 Pola Musiman
11
c. Pola kecenderungan (trend)
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun
terus menerus. Pola data dalam bentuk ini dapat digambarkan sebagai berikut:
Gambar 2.3 Pola Kecenderungan
d. Pola Acak
Pola data ini menggambarkan pola penjualan yang setiap periodenya memiliki
kondisi yang beragam dan acak. Pola data dalam bentuk ini dapat digambarkan
sebagai berikut:
Gambar 2.4 Pola Acak
2.4 Metode Pemulusan (Smoothing)
Metode pemulusan (smoothing) adalah suatu metode peramalan dengan
melakukan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata
dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan.
2.4.1 Metode Pemulusan Eksonensial Tunggal
Teknik eksponensial tunggal linier satu parameter digunakan dengan menetapkan
bobot tertentu atas data yang tersedia dan berdasarkan bobot itu akan diketahui
12
pula bobot atas hasil peramalan sebelumnya. Penentuan besarnya bobot yang
digunakan dapat ditentukan dengan menghitung MSE dan MAPE untuk tiap
alternatif bobot yang akan dipilih. Bobot yang menghasilkan MSE dan MAPE
terkecil adalah yang lebih baik.
2.4.2 Pemulusan Eksponensial Ganda dari Brown
Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar
pemikiran dari metode pemulusan eksponensial ganda (linier satu parameter dari
Brown) adalah sama dengan rata-rata bergerak linier karena dua nilai pemulusan
tunggal dan ganda ketinggalan dari data sebenarnya. Pada teknik brown ini
komponen tren dan komponen lainnya dihaluskan bersama-sama dengan
menggunakan hanya satu parameter yaitu alpha (∝).
Persamaan yang dipakai dalam penggunaan pemulusan eksponensial
ganda dari Brown adalah sebagai berikut:
′
"
=∝
+ (1−∝)
=∝
=
=
=
′ + (1−∝)
′
∝
+
∝
+
′
(
′
"
−
−
"
′
(2.1)
"
= 2
(2.2)
′
−
"
(2.3)
)
(2.4)
( )
(2.5)
di mana:
= nilai pemulusan eksponensial tunggal
′
"
∝
= nilai pemulusan eksponensial ganda
,
= parameter pemulusan eksponensial yang besarnya 0 < α < 1
= konstanta pemulusan
= hasil peramalan untuk periode ke depan yang diramalkan
2.4.3 Metode Pemulusan Dua Parameter dari Holt
Metode pemulusan dua parameter dari holt
pada prinsipnya serupa dengan
brown, kecuali bahwa holt tidak menggunakan rumus pemulusan berganda secara
13
langsung. Pada teknik eksponensial ganda linier dua parameter
dari Holt,
komponen tren dihaluskan secara terpisah dengan menggunakan parameter
berbeda.
Ramalan dari pemulusan dua parameter dari Holt didapat dengan
menggunakan 2 konstanta pemulusan (∝ dan γ) 2 parameter yang nilainya antara
0 dan 1. Persamaan yang digunakan dalam penggunakan pemulusan dua
parameter dari holt adalah sebagai berikut:
S = ∝ X + (1−∝)(S
b = γ(S − S
=
+
+b
) + (1 − γ)b
)
(2.6)
(2.7)
( )
(2.8)
di mana:
= data pemulusan
= '()*+ pemulusan
∝ dan γ = parameter yang nilainya 0 dan 1
F
2
= hasil peramalan untuk periode ke depan yang diramalkan
2.4.4 Ketetapan Ramalan Beberapa Kriteria Digunakan Untuk Menguji
1.
ME (Mean Error) atau Nilai Tengah Kesalahan
:
67 = 8
;
)
9
ME (Mean Error) untuk mengukur ketepatan ramalan dengan rata-rata nilai
tengah kesalahan dan membagikan dengan jumlah observasi.
2.
MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat
:
)<
6 7= 8
9
;
MSE (Mean Square Error) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisi dikuadratkan. Kemudian
14
dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur
kesalahan
peramalan
yang
besar
karena
kesalahan-kesalahan
itu
dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat lebih baik
untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang
menghasilkan sesuatu yang sangat besar.
3.
MAE (Mean Absolute Error) atau Nilai Tengan Kesalahan Absolut
:
6=7 = 8
;
|?) |?
9
MAE (Mean Absolute Error) adalah untuk mengukur peramalan dengan ratarata kesalahan dugaan (nilai absolut masing-masing kesalahan).
4.
MAPE (Mean Absolute Percentage Error) atau Nilai Tengah Kesalahan
Persentase Absolut
:
6=@7 = 8
;
|@7 |
9
Sedangkan MAPE adalah rata-rata dari keseluruhan persentase kesalahan
(selisih) antara data aktual dengan data hasil peramalan (mean absolute
percentage error). Dimana semakin kecil nilai MSE dan MAPE nya, maka
semakin baik hasil ramalannya.
di mana:
) =
( kesalahan pada periode ke t )
9 = banyaknya periode waktu
2.4.5 Pengambilan nilai kesalahan atau error terkecil
Setelah menyelesaikan data dengan metode kedua peneliti mencari error dan
memilih error yang terkecil dan memilih metode apa yang di sesuai digunakan
dalam pengelolahan data tersebut dengan error terkecil dengan mencari MSE dan
MAPE.