BAB 2 TIJAUA TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas bermacam macam cara yaitu Metode Pemulusan Eksponensial atau Rata - rata Bergerak, Metode Box Jenkis, dan Metode Regresi. Semua itu dikenal dengan metode peramalan. Metode peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan ini digunakan dalam peramalan yang bersifat objektif. Disamping itu metode peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan, maka akan dapat dasar pemikiran dan pemecahan yang sama. Baik tidaknya suatu peramalan yang di susun, disamping ditentukan oleh metode yang digunakan, juga ditentukan baik tidaknya informasi yang digunakan.
Selama informasi yang digunakan tidak dapat meyakinkan, maka hasil peramalan yang disusun juga akan sukar dipercaya akan ketepatannya. 2.2 Kegunaan Peramalan 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 itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tidak akan tepat dapat dilakukan. Dalam perencanaan di organisasi atau perusahaan peramalan merupakan kebutuhan yang sangat penting, dimana baik buruknya peramalan dapat mempengaruhi seluruh bagian organisasi, karena waktu tenggang untuk mengambil keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Di dalam bagian organisasi terdapat kegunaan peramalan, yaitu : 1. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalian dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan akan konsumennya atau pelanggan.
2. Berguna dalam 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 beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya dimasa akan datang. 3. Untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan semacam itu bergantung kepada faktor faktor lingkungan, manusia dan pengembangan sumber daya keuangan. Semua penentuan ini memerlukan ramalan yang baik dan menejer yang dapat menafsirkan pendugaan serta membuat keputusan yang baik. Walaupun terdapat banyak bidang lain yang memerlukan peramalan, namun tiga kelompok diatas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang. Dari uraian diatas dapat dikatakan Metode Peramalan sangat berguna, karena akan membantu dalam mengadakan analisi 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.
2.3 Metode Peramalan Berdasarkan sifatnya teknik peramalan dibagi dalam 2 (dua) katagori utama yaitu : 1. Metode peramalan kualitatif atau tekhnologis. Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. 2. Metode peramalan kuantitatif. Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan atau penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik.
Metode kuantitatif dapat dibagi dalam deret berkala (Time Series) dan metode kausal. Peramalan kuantitatif dapat digunakan bila terdapat 3 (tiga) kondisi yaitu : 1. Adanya informasi tentang masa lalu. 2. Informasi tersebut dapat di kuantitatifkan dalam bentuk data. 3. Informasi tersebut dapat diasumsikan bahwa beberapa pola aspek masa lalu akan terus berlanjut dimasa yang akan datang. Kondis yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (Asumtion of Continuity), asumsi ini merupakan modal yang mendasari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis terlepas dari bagaimana canggihnya metode tersebut. 2.3.1 Pemilihan Teknik dan Metode Peramalan. Dalam pemilihan teknik dan metode peramalan, pertama- tama perlu diketahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisis keadaan dalam mempersiapkan peramalan.
Ada 6 (enam) faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan yaitu : 1. Horizon Waktu Ada 2 (dua) aspek dari Horizon Waktu yang berhubungan dengan masing masing metode peramalan. Pertama adalah cakupan waktu dimasa yang akan datang, kedua adalah jumlah periode untuk peramaln yang diinginkan. 2. Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa macam macam dari pola yang didapati didalam data yang diramalkan akan berkelanjutan. 3. Jenis Dari Model Model model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan perubahan dalam pola. Model model perlu diperhatikan karena masing masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan. 4. Biaya yang Dibutuhkan Umumnya ada 4 (empat) unsur biaya yang tercakup didalam penggunaan suatu prosedur peramalan, yaitu biaya biaya pengembangan, penyimpanan (Storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik teknik dan metode lainnya.
5. Ketepatan Metode Peramalan Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. 6. Kemudahan dalam Penerapan Metode metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu perinsip umum bagi pengambilan keputusan. 2.4 Analisa Deret Berkala Data berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisis data berkala memungkinkan untuk mengetahui perkembangan suatu kejadian atau beberapa kejadian serta hubunganya dengan kejadian yang lain. Metode Time Series merupakan metode peramalan kuantitatif yang didasarkan atas penggunaan analisis 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 kemasa yang akan datang. Stasioner ini sendiri berarti bahwa tidak terdapat pertumbuhan / penurunan pada data. Data secara kasar harus horizontal sepanjang waktu. Dengan kata lain fluktuasi dan tetap konstan setiap waktu.
2.5 Penentuan Pola Data Hal yang penting diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya. Sehingga pola data yang tepat dengan pola data yang historis tersebut dapat di uji, dimana pola data pada umumnya dapat dibedakan sebagai berikut 1. Pola Data Horisontal : pola ini terjadi bila nilai berfluktuasi disekitar nilai rata y rata yang konstan. Gambar 2.1 Pola Data Horisontal waktu 2. Pola Data Musiman (Seasonal) : pola yang menunjukan 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.
y waktu Gambar 2.2 Pola Data Musiman 3. Data Siklis (Cyclical) : Pola data yang menunjukkan gerak naik turun dalam jangka panjang dari suatu kurva trand. Terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. y Gambar 2.3 Pola Data Siklis Waktu
4. Pola Data Trand : Pola yang menunjukan kenaikan atau penurunan jangka panjang dalam data. y Gambar 2.4 Pola Data Trend waktu 2.6 Metode Pemulusan (Smoothing) Metode Smoothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun kedepan. Secara umum metode Smoothing diklasifikasikan menjadi 2 (dua) bagian, yaitu : 1. Metode Rata - rata Metode rata rata dibagi 4 (empat) bagian, yaitu : a. ilai tengah (mean) b. Rata rata bergerak tunggal (Single Moving Average) c. Rata rata bergerak ganda (Double Moving Average) d. Kombinasi rata rata bergerak lainnya.
Metode rata rata tujuannya adalah untuk memanfatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang. 2. Metode Pemulusan (Smoothing) Eksponensial Bentuk umum dari metode pemulusan (Smoothing) Eksponensial ini adalah : F t + 1 = ax t + (1 - a)f t Dengan : F t + 1 = ramalan suatu periode kedepan X t = data aktual periode t F t = ramalan pada periode t α = parameter pemulusan (0<a<1) Bila bentuk umum tersebut diperluas maka akan berubah menjadi : F + 1 t = ax t + a(1 - a) X t 1 +a(1 - a)²x t 2 +.+ (1 - a) F t + ( 1) Dari perluasan bentuk umum diatas dapatlah dikatakan bahwa Metode Smoothing Eksponensial secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain observasi yang baru biberikan bobot yang relatif lebih besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas : a. Smoothing Eksponensial Tunggal. a.1. Satu Parameter (one parameter)
a.2. Pendekatan aditif (ARRES) Digunakan untuk data data yang bersifat stasioner dan tidak menunjukan pola atau trand. b. Smoothing Eksponensial Ganda. b.1. Metode Linear Satu Parameter dari Brown b.2. Metode Dua Parameter dari Holt c. Smoothing Eksponensial Triple. c.1. Metode Kuadratik Satu Parameter dari Brown Digunakan untuk pola data kuadratik, kubik, atau orde yang lebih tinggi. c.2. Metode kecendrungan dan musim tiga parameter dari Winter Dapat digunakan untuk data yang berbentuk trend dan musiman. Metode Smoothing yang Digunakan Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Data banyaknya jumlah air minum yang disalurkan bedasarkan pelanggan rumah tangga oleh PDAM Tirtanadi Medan sudah dari plot kedalam grafis menunjukan pola data trend linier yang dapat juga dilihat dari plot autokorelasi nilai nilai autokorelasi yang menunjukan pola data linier.
Maka metode peramalan analisa Time Series yang digunakan untuk meramalkan jumlah pelanggan air minum khususnya rumah tangga pada pemecahan permasalahan ini adalah dengan menggunakan Metode Smoothing Eksponansial Ganda yaitu Smoothing Eksponensial Linier Satu Parameter dari Brown a. Smoothing Eksponensial Ganda, Metode Linier Satu Parameter dari Brown Metode ini merupakan modal linier yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Smoothing Eksponensial Linier Satu Parameter dari Brown adalah serupa dengan rata rata bergerak linier karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya. Bila terdapat unsur trend, perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada pemulusan ganda dan disesuaikan untuk trend. Persamaan yang dipakai dalam pelaksanaan Smoothing Eksponensial Linier Satu Parameter dari brown adalah sebagai berikut : a. Menentukan nilai pemulusan eksponensial tunggal (S t ) S t = ax t + (1 - a) S t 1 S t = ilai pemulusan eksponensial tunggal α X t = Parameter pemulusan eksponensial = ilai riil periode t S t 1 = ilai pemulusan eksponensial sebelumnya
b. Menentukan nilai pemulusan eksponensial ganda (S t ) S t = α S t + (1 - a) S t 1 S t = ilai pemulusan eksponensial ganda c. Menentukan besarnya konstanta (a t ) a t = S t + (S t - S t ) = 2 S t - S t a t = Besarnya konstanta peiode t d. Menentukan besarnya Slope (b t ) b t = a 1 a (S t - S t ) b t = Slope / nilai trend dari data yang sesuai e. Menentukan besarnya Forecast F t+ m = a t + b t m F t+ m = besarnya Forecast M = jangka waktu forecast b. Beberapa Kesalahan dan Ukuran Statistik Standard, antara lain : 1. ME (Mean Error) / ilai Tengah Kesalahan : ME = t 1 et
2. MSE (Mean Square Error) / ilai Tengah Kesalahan kuadrat : e MSE = t= 1 2 t 3. MAE (Mean Absolute Error) / ilai Tengah kesalahan Absolut : MAE = t= 1 et 4. MAPE (Mean Absolute percentage Error) / ilai Tengah Kesalahan Persentase Absolut : MAPE = t= 1 PEt 5. SDE (Standard Deviation of Error) / Deviasi Standart Kesalahan : SDE = e 2 t t= 1 ( 1) Dengan : e t = X t - F t (kesalahan pada periode t ) X t = Data actual pada periode t PE t = X t Ft X t x 100 (kesalahan presentase pada periode t ) F t = ilai ramalan pada periode t = Banyaknya periode waktu.