BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Peramalan dilakukan dengan memanfaatkan informasi terbaik yang ada pada masa itu, untuk menimbang kegiatan di masa yang akan datang. 2.2 Kegunaan Peramalan Kegunaan peramalan terlihat pada saat pengambilan keputusan atau menetapkan berbagai kebijakan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Ramalan diperlukan untuk memberikan informasi sebagai dasar untuk membuat suatu keputusan dalam berbagai kegiatan, seperti penerbangan, peternakan, perkebunan dan sebagainya. Pertimbangan tentang peramalan telah tumbuh karena beberapa faktor, yang pertama adalah karena meningkatkan kompleksitas organisasi dan lingkungan. Hal

2 ini menyebabkan semakin sulit bagi pengambil keputusan untuk mempertimbangkan semua faktor secara memuaskan. Ke dua, menngkatkan ukuran organisasi menyebabkan bobot dan kepentingan suatu keputusan meningkatkan pula. Ke tiga, lingkungan dari kebanyakan orhanisasi telah berubah dengan cepat. Peramlan diperlukan karena adanya perbedaan perbedaan waktu antara kebijakan baru dengan waktu pelaksanaan tersebut. Oleh karena itu dalam menentukan kebijaka sangat diperlukan pemanfaatan kesempatan yang ada, dan gangguan yang mungkin bias terjadi pada saat kebijakan baru tersebut dilaksanakan. Peramalan diperlukan untuk mengantisipasi suatu peristiwa yang dapat terjadi pada masa yang akan datang, sehingga dapat dipersiapkan kebijaksanaan atau tindakan tindakan yang perlu dilakukan. Adapun manfaat dari peramalan adalah sebagai berikut : 1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan tepat. 2. Merupakan suatu pedoman dalam menentukan tingkat persedian perencanaan dapat bekerja secara optimal. 3. Sebagai masukan untuk penentuan jumlah investasi. 4. Membantu menentukan pengambangan suatu pekerjaan untuk periode salnjutnya. 2.3 Jenis Jenis Peramalan Berdasarkan sifatnya peramalan dibedakan atas 2 (dua) macam yaitu Peramalan Kualitatif dan Peramalan Kuantitatif.

3 2.3.1 Peramalan Kualitatif Permalan Kualitatif merupakan peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang di buat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman penyusunan Peramalan kuantitatif Peramalan Kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat 3 (tiga) kondisi sebagai berikut : 1. Adanya informasi masa lalu yang dapat dipergunkan. 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data. 3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

4 Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah langkah atau prosedur penyusunan yang baik. Pada dasarnya ada 3 (tiga) langkah peramalan yang penting, yaitu : 1. Menganalisa data masa lalu. 2. Menetukan metode yang dipergunakan. 3. Memproyeksi data masa lalu dengan menggunakan metode yang dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan. 2.4 Metode Peramalan Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan berdasarkan data-data dimasa masa lalu. Oleh karena metode peramalan didasarkan pada datan yang relevan pada masa lalu\, maka metode peramalan ini dipergunakan dalam peramalan yang objektif. Metode peramalan sangat berguna untuk membantu dalam mengadakan pendekatan analisis terhadap pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pekerjaan dan pemecahan yang sistematis, serta memberikan tingkat keyakinan yang lebih atas ketepatan hasil ramalan yang dibuat. 2.5 Jenis Jenis Metode Peramalan Kuantitatif Jenis jenis metode peramalan kuantitatif adalah : 1. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variable yang diperkirakan dengan variable waktu yang merupakan

5 deret berkala (time series). Metode peramalan yang termasuk data jenis ini ialah : a. Metode pemulusan b. Metode Box-jenkins. c. Metode proyeksi trend dan regresi. 2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variable yang akan diperkirakan dengan variable yang mempengaruhinya, yang bukan waktu disebut metode korelasi atau sebab akibat (metode kausal). Metode peramalan yang termasuk dalam jenis adalah : a. Metode regresi dan korelasi. b. Metode ekonometri. c. Metode input dan output. 2.6 Pemilihan Teknik dan Metode Peramalan Semua tipe organisasi telah menunjukkan keinginan yang telah meningkat untuk mendapatkan ramalan dan menggunakan sumber daya peramalan secara lebih baik. Dengan adanya sejumlah besar metode peramalan tersedia, maka masalah yang timbul bagi para praktisi adalah dalam memahami bagaimana karakteristik suatu metode peramalan akan cocok bagi situasi pengambilan keputusan tertentu. Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai teknik telah dikembalikan.

6 Adapun enam faktor utama yang dapat diidentifikasikan sebagai teknik dan metode peramalan, yaitu : 1. Horison waktu Merupakan pemilihan yang didasarkan atas jangka waktu peramalan yaitu : a. Peramalan yang segera dilakukan dengan waktu yang kurang dari satu bulan. b. Peramalan jangka pendek dengan waktu antara satu sampai tiga bulan. c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai dua tahun. d. Peramalan jangka panjang dengan waktu dua tahun ke atas. 2. Pola data Salah satu dasar pemilihan metode peramalan adalah dengan memperhatikan pola data. Ada empat jenis pola data mendasar yang terdapat dalam suatu deretan data yaitu : a. Pola Horizontal (H) terjadi bilamana data berfruktuasi disekitar nilai rata-rata yang konstan (Deret seperti ini adalah stasioner terhadap nilai rata-ratanya). b. Pola Musiman (M) terjadi bilaman suatu deret dipengaruhi oleh factor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). c. Pola Siklis (C) terjadi bilamana data dipengaruhi oleh fluktuasi jangka panjang dan lebih lama dari pola musiman, lamanya berbeda dari satu siklus kesiklus yang lain. d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan jangka panjang dalam data.

7 3. Jenis dari model Untuk mengklasifikasikan metode peramalan kuanitatif perlu diperhatikan model yang didasarinya. Model sangat penting diperhatikan, karena masing-masing model mempunyai fungsi yang berbeda. 4. Biaya yang dibutuhkan Biaya sangat diperlukan dalam meneliti suatu objek, yang termasuk biaya dalam penggunaan metode peramalan antara lain, biaya penyimpanan data, biayabiaya perhitungan, biaya untuk menganalisa dan biaya pengembangan. 5. Ketepatan metode peramalan Tingkat ketepatan yang sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Dalam mengambil keputusan, variasi atau penyimpangan atas peramalan yang dilakukan antara 10% sampai 15% bagi maksud yang diharapkan, sedangkan untuk haln atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup berbahaya. 6. Kemudahan dalam penerapan Metode peramalan yang digunakan adalah metode yang mudah dimengerti dan mudah diterapkan dalam pengambilan keputusan dan analisanya. 2.7 Metode Deret Berkala (Time Series) Box-Jenkins (ARIMA) Metode peramalan yang sering digunakan adalah deret waktu (time series), dengan menggunakan sejumlah observasi selama beberapa periode sebagai dasar dalam penyusunan suatu ramalan untuk beberapa periode di masa depan yang diinginkan.

8 Dengan kata lain, deret berkala adalah deret waktu dimana pengamatan pada suatu waktu berkorelasi linier dengan waktu sebelumnya secara dinamis. Peremalan dengan model deret waktu ini tidak memperhatikan setiap faktor yang mempengarahi suatu perubahan, malainkan berdasarkan pada pola tingkah laku perubahan itu sendiri pada masa lampau. Kemudian dengan menggunakan informasi tentang tingkah laku peubah tersebut dilakukan proses menduga kecenderungan peubah tersebut pada masa yang akan datang. Pada umumnya perhatian utama dalam analisis deret waktu bukan pada titik waktu pengamatan, melainkan pada urutan pengamatan. Tujuan metode peramalan deret berkala adalah menemukan pola dalam deret data historis dan mengekstrapolasikan data tersebut ke masa depan. Metode peramalan Box-Jenkins merupakan suatu metode yang sangat tepat untuk menganalisis deret waktu dan situasi peramalan lainnya. Pada dasarnya ada 2 (dua) model dari metode Box-Jenkins, yaitu model linier untuk deret statis (Stationary Series) disebut ARMA dan model untuk data yang tidak statis (Non Stationary Series) disebut ARIMA. 2.8 Metode Auto Regresive (AR) Metode autoregressive merupakan model yang menggambarkan bahwa variable dependen dipengaruhi oleh variable dependen itu sendiri pada periode-periode yang sebelumnya, atau autokorelasi dapat diartikan juga sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu (lag) 0,1,2 periode atau

9 lebih. Bentuk umum model autoregressive dengan ordo p atau dituliskan dengan AR (p) mempunyai persamaan sebagai berikut : X t = μ + φ 1 X t 1 + φ 2 X t φ p X t p e t Keterangan : μ φ p e t = Nilai konstan = Parameter autokorelasi ke-i dengan I = 1, 2,, p = Nilai kesalahan t Persamaan umum model AR (p) dapat juga ditulis sebagai berikut : (1 - φ 1 B - φ 2 B 2 - φ p B p ) X t = e t + μ Dalam hal ini B adalah operator mundur (Backward shift Operator), bentuk umum operator bergerak mundur ini dapat ditulis sebagai berikut : B p X t = X t p Yang artinya adalah jika operator B p bekerja pada X t, maka akan menggeser data tersebut sebanyak p periode kebelakang. dan AR (2). Model autoregressive yang sering dijumpai dalam praktek ialah model AR(1) Persamaan AR (1) ditulis dengan : (1 - φ 1 B) X t = μ + e t Persamaan AR (2) ditulis dengan : (1 φ 1 B φ 2 B 2 ) X t = μ + e t

10 2.9 Metode Rataan Bergerak/Moving Average (MA) Metode rataan bergerak (Moving Average) mempunyai bentuk umum dengan ordo q atau bisa ditulis dengan MA (q) adalah sebagai berikut : X t = μ + e t θ 1 e t 1 θ 2 e t 2 θ q e t q Keterangan : X t θ q e t q = Variabel yang akan diramlkan = Parameter parameter dari MA (q) ; 1, 2, 3,, q = Nilai kesalahan pada saat (t-q) Persamaan untuk model MA(q) nbila menggunakan operator penggerak mundur dapat ditulis sebagai berikut : X t = μ + (1 θ 1 B θ 2 B 2 θ q B q )e t Persamaan MA (1) dapat ditulis dengan : X t = μ + e t θ 1 e t 1 Persamaan MA (2) dapat ditulis dengan : X t = μ + (1 θ 1 B θ 2 B 2 )e t Perbedaan model moving average dan model auto regressive terletak pada jenis variable independent pada model autoregressive adalah nilai sebelumnya (lag) dari variable dependent (X t ) itu sendiri, maka pada model moving average sebagai variable independent adalah nilai residual pada periode sebelumnya.

11 2.10 Metode Box-Jenkins Model ARIMA meliputi tiga tahap yang harus dilakukan secara berurutan : 1. Identifikasi parameter-parameter model dengan menggunakan metode autokorelasi dan autokorelasi parsial. 2. Estimasi (Penaksiran) komponen-komponen autoregressive (AR) dan ratarata bergerak (MA) untuk melihat apakah komponen-komponen tersebut secara signifikan memberikan kontribusi pada model atau salah satunya dapat di hilangkan. 3. Pengujian dan penerapan model untuk meramalkan series data beberapa period eke depan. Pada tahap ini digunakan try and error yang sangat bermanfaat untuk meningkatkan pemahaman dalam aplikasi model ARIMA untuk memprediksi data-data klimatologi yang berbasis timeseries Peramalan Model Box-Jenkins Tujuan peramalan adalah untuk menduga nilai deret waktu masa yang akan datang. Jika model yang ditetapkan meunjukan residual yang acakan, maka model itu dapat dipergunakan untuk maksud peramalan.