BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. Sedangkan ramalan adalah suatu instansi suatu kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Untuk memprediksikan hal tersebut diperlukan data yang akan datang. Untuk memprediksikan hal tersebut diperlukan data yang akurat di masa lalu, sehingga dapat dilihat prospek situasi dan kondisi di masa yang akan datang. Sebelum menjabarkan tentang metode peramalan ini, maka terlebih dahulu diuraikan tentang definisi dari peramalan itu sendiri. a. Menurut John E. Biegel: Peramalan adalah kegiatan memperkirakan tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. (John E.Biegel, 1999). b. Menurut Buffa: Peramalan atau forecasting diartikan sebagai penggunaan teknik-teknik statistik dalam bentuk gambaran masa depan berdasarkan pengolahan angkaangka historis. (Buffa S. Elwood, 1996). c. Menurut Makridakis: Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. (Makridaksi, 1988). Pada umumnya kegunaan peramalan adalah sebagai berikut: 1. Sebagai alat bantu dalam perencanaan yang efektif dan efesien. 2. Untuk menentukan kebutuhan sumber daya di masa mendatang. 3. Untuk membuat keputusan yang tepat.
Kegunaan peramalan terlihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan dalam berbagai kegiatan perusahaan. Baik tidaknya hasil dari suatu penelitian sangat ditentukan oleh ketepatan ramalan yang dibuat. Walaupun demikian perlu diketahui bahwa ramalan selalu ada unsur kesalahannya, sehingga yang perlu diperhatikan adalah usaha untuk memperkecil kesalahan dari ramalan tersebut. 2.2 Jenis-jenis Peramalan Situasi peramalan sangat beragam dalam horizon waktu peramalan, factor yang menentukan hasil sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan. Peramalan pada umumnya dapat dibedakan dari berbagai segi tergantung dalam cara memilihnya. Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat dibedakan atas dua macam, yaitu: a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini berorientasi pada dasar atau perencanaan. b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang dilakukan kurang dari satu setengah tahun atau tiga semester. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan menjadi dua macam, yaitu: 1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman pikiran orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan.
2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu dengan menggunakan teknik-teknik dan metode-metode dalan penganalisaan data tersebut. Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedan atas dua macam, yaitu: 1. Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas dua data kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang menyusunnya, karena permalan tersebut sangat ditentukan oleh pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman dari penyusunnya. 2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut: (Makridakis, 1988). a. Informasi tentang keadaan masa lalu. b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik. c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berkelanjutan pada masa yang akan datang. Pada penyusunan Tugas Akhir ini, peramalan yang digunakan penulis adalah peramalan kuantitatif. 2.3 Metode Peramalan 2.3.1 Pengertian Metode Peramalan Metode peramalan adalah suatu cara memperkirakan atau mengestimasi secara kuantitatif maupun kualitatif apa yang terjadi pada masa depan berdarkan data yang relevan pada masa lalu. Kegunaan Metode Peramalan ini adalah untuk memperkirakan secara sistematis dan pragmatis atas dasar data yang relevan pada masa lalu. Dengan
demikian metode peramalan diharapkan dapat memberikan objektivitas yang lebih besar. 2.3.2 Jenis-jenis Metode Peramalan Metode kualitatif dibagi menjadi dua metode, yaitu: 1. Metode Eksploratif Pada metode ini dimulai dengan masa lalu dan masa kini sebagai awal dan bergerak ke arah masa depan secara heuristic, sering kali dengan melihat semua kemungkinan yang ada. 2. Metode Normatif Pada metode ini dimulai menetapkan sasaran tujuan yang akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai berdasarkan kendala, sumber daya dan teknologi yang tersedia. Metode peramalan kuantitatif terbagi atas dua jenis model peramaln yang utama, yaitu: 1. Model Deret Berkala (Time Series) Metode peramalan yang berdasarkan atas penggunaan analisa pola hubungan antara variable yang akan diperkirakan dengan variable waktu, yang merupakan deret waktu. Metode Deret Berkala (Time Series) terdiri dari: a. Metode Pemulusan (Smoothing) b. Metode Box Jenkins c. Metode Proyeksi Trend dengan Regresi 2. Model Kausal Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variable lain yang mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau sebab akibat. Metode Kausal terdiri dari: a. Metode Regresi dan Korelasi b. Metode Ekonometri c. Metode Input dan Output
2.3.3 Karakteristik Peramalan Yang Baik Karakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitu dari hal-hal sebagai berikut: a. Ketelitian / keakuratan Tujuan utama peramalan adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan (inventory). Peramalan yang terlalu tinggi akan menyebabkan inventory yang berlebihan dan biaya operasi tambahan. b. Biaya Biaya untuk mengembangkan model peramalan dan melakukan peramalan akan menjadi signifikan jika jumlah produk dan data lainnya semakin besar. Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos terlalu besar ataupun terlalu kecil. Keakuratan peramalan dapat ditingkatkan dengan mengembangkan model lebih komplek dengan konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara biaya dan keakuratan. c. Responsif Ramalan harus stabil dan tidak terpengaruhi oleh fluktasi demand d. Sederhana Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan untuk melakukan peramalan. Jika kesulitan terjadi pada metode sederhana, diagnose dilakukan lebih mudah. Secara umum, lebih baik menggunakan metode paling sederhana yang sesuai dengan kebutuhan peramalan. 2.3.4 Metode Pemulusan (Smoothing) Metode pemulusan (Smoothing) adalah metode peramalan dengan mengadakan penghalusan atau pemulusan terhadap data masa lalu yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada tahun yang akan datang. Dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan membentuk fungsi Eksponensial yang biasa disebut Exponential Smoothing.
2.4 Metode Peramalan Yang Digunakan Untuk mendapatkan suatu hasil yang baik dan tepat maka haruslah diketahui dan digunakan metode peramalan yang tepat. Dalam meramalkan tingkat produksi kelapa sawit perkebunan rakyat sumatera utara, maka penulis menggunakan Metode Smoothing Eksponensial Ganda yaitu Smoothing Eksponensial Ganda Linier Satu Parameter dari Brown. Metode ini merupakan metode liniear yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Smoothing Eksponensial Ganda Linear Satu Parameter dari Brown adalah serupa dengan rata-rata bergerak linear, 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 disesuaikan untuk trend. Persamaan yang dipakai dalam pelaksanaan Smoothing Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut: Sʼt = αx 1 + (1 α)sʼt 1 (2-1) Sʼʼt = αs 1 + (1 α)sʼt 1 (2-2) a t = Sʼt + (Sʼt + Sʼʼt) (2-3) b t = a 1 α (Sʼt Sʼʼt) (2-4) F t+m = a t + b t m (2-5) Keterangan: Sʼt = Nilai Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing Value) Sʼʼt = Nilai Pemulusan Eksponensial Ganda (Double Eksponensial α Smoothing) = Parameter Pemulusan Eksponensial a t, b t = Konstanta Pemulusan F t+m = Hasil Peramalan untuk m periode ke depan yang akan diramalkan Untuk menghitung nilai kesalahan (error) ramalan tersebut, dapat digunakan rumus dibawah ini:
e = X T+1 F T+1 (2-6) e 2 = (X T+1 F T+1 ) 2 (2-7) Akhir persamaan (2-5) menunjukkan bagaimana memperoleh ramalan untuk m periode ke muka dari t. Ramalan untuk m periode ke muka adalah a t dimana merupakan nilai rata-rata yang disesuaikan untuk periode t ditambah m kali komponen kecenderungan b t. Bila semua hasil hitungan telah didapat, maka semua data yang telah didapat dimasukkan ke dalam contoh table Smoothing Eksponensial Ganda Satu Parameter dari Brown berikut ini: Tabel 2.1 Aplikasi Pemulusan Eksponensial Ganda Liniear Satu Parameter dari Brown Pada Data Jumlah Produksi Kelapa Sawit Perkebunan Rakyat Sumatera Utara Pada Tahun 2017 (1) Tahun (2) Periode (tahun) (3) Produksi Kelapa Sawit (4) Pemulusan Eksponensial Tunggal (5) Pemulusan Ekponensial Ganda (6) (7) (8) Nilai Nilai Nilai a t b t F t = a t + b t m Bila m = 1 2006 1 X 1 (2-1) (2-2) - - - 2007 2 X 2 (2-3) (2-4) - 2008 3 X 3 (2-5) 2009 4 X 4 2010 5 X 5 - - - - - - N N X n Perlu dipahami bahwa tidak ada suatu metode terbaik untuk suatu peramalan. Metode yang memberikan hasil ramalan secara tepat belum tentu tepat
untuk meramalkan data yang lain. Dalam peramalan time series, metode peramalan terbaik adalah metode yang memenuuhi kriteria ketepatan ramalan. Kriteria ini berupa Mean Square Error (MSE), Mean Absolute Percentage Error (MAPE), dan Mean Absolute Deviaton (MAD). Berikut ini adalah ketepatan Ramalan Beberapa Kriteria yang digunakan untuk menguji nilai ramalan yaitu: a. Nilai Tengah Kuadrat (Mean Square Error) dirumuskan dengan: M S E = N i=1 (X i F i 2 ) 2 b. Nilai Tengah Presentase Absolute (Mean Absolute Percentage Error) dirumuskan dengan: M A P E = N i=1 N (P E i ) c. Persentase (Percentage Error) dirumuskan dengan: d. Nilai Tengah Deviasi Absolute (Mean Absolute Deviaton) dirumuskan dengan: e. Jumlah Kuadrat (Sum Square Error) dirumuskan dengan: Keterangan: N X i F i = pada periode ke-i X i = Data Aktual pada periode ke-i F i = Nilai ramalan pada periode ke-i n = Banyaknya periode waktu
berikut ini: Sedangkan untuk mengetahui nilai kesalahannya dapat dilihat dalam tabel Tabel 2.2 Nilai (1) Periode (2) Produksi Kelapa Sawit (X i ) (3) Peramalan (F i ) (4) (X i F i ) (5) Absolute X i F i (6) Kuadrat (X i F i ) 2 (7) Presentase (PE) (8) Presentase Absolute (MAPE) 1 X 1 F 1 2 X 2 F 2 3 X 3 F 3 4 X 4 F 4 5 X 5 F 5 6 X 6 F 6 X 7 F 7 Jumlah