BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan dating.sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas berbagai macam metode, 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 apabila digunakan pendekatan yang sama dalam suatu permasalahan dalam kegiatan peramalan, maka akan didapat dasar pemikiran dan pemecahan yang sama. Baik tidaknya suatu peramalan yang disusun, 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 sulit dipercaya ketepatannya.
2.2 Kegunaan Peramalan Sering terdapat senjang waktu (Time Lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. 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 tindakan yang 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 pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat Bantu yang penting dalam perencanaan yang efektif dan efisien. Peramalan memiliki banyak kegunaan, diantaranya : 1. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalia dan sebagainya.input yang penting untuk penjadwakan 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 pekerjaan baru atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa akan datang. 3. Untuk menentukan sumber daya yang diinginkan.
Setiap orgaanisasi harus menentukan sumber daya yang dimliki 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 manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang tepat. 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 di atas dapat dikatakan Metode Peramalan sangat berguna, karena akan membantu dalam mengadakan analisis 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 Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan berdasarkan data yang relevan pada masa lalu. Metode peramalan sangat berguna untuk membantu dalam mengadakan pendekatan análisis terhadap pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pekerjaan dan pemecahan yang sistematis, serta memberikan tingkat keyakinan yang lebih luas atas ketepatan hasil ramalan yang dibuat. Berdasarkan sifatnya teknik peramalan dibagi dalam dua kategori utama, yaitu: metode peramalan kualitatif dan metode peramalan kuantitatif.
2.3.1 Metode peramalan kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya.hal ini penting Karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Metode kualitatif atau teknologis dapat dibagi menjadi metode eksploratoris dan metode normatif. 2.3.2 Metode peramalan kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa yang 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.. Peramalan kuantitatif dapat digunakan bila terjadi tiga kondisi, yaitu : 1. Adanya informasi tentang masa lalu. 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data. 3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang. Kondisi 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. Metode kuantitatif dapat dibagi dalam dua kelompok, yaitu metodemetode peramalan dengan analisis deret berkala (Time Series) dan metode kausal. Metode-metode peramalan dengan analisa deret waktu,yaitu: 1. Metode Pemulusan Eksponensial dan Rata-rata Bergerak, 2. Metode Proyeksi Trend dengan Regresi, 3. Metode Box Jenkis. Metode-metode kausal, yaitu : 1. Metode Regresi dan Korelasi. 2. Metode Ekonometri. 3. Model Input dan Output. 2.4 Pemilihan Teknik dan Metode Peramalan Hal yang penting diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya. Sehingga pola data yang tepat dengan pola data historis tersebut dapat di uji, dimana pola data pada umumnya dapat dibedakan sebagai berikut : 1. Pola Data Horizontal : Pola ini terjadi bila nilai berfluktuasi di sekitar nilai rata rata yang konstan.
y Waktu Gambar 2.1 Pola Data Horizontal 2. Pola Data Musiman (Seasonal) : Pola yang menunjukkan perubahan yang berulang ulang secara periodik dalam deret waktu. Pola 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 trend. Terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
y Waktu Gambar 2.3 Pola Data Siklis 4. Pola Data Trend : Pola data yang menunjukkan kenaikan atau penurunan jangka panjang dalam data. y Gambar 2.4 Pola Data Trend Waktu 2.5 Metode Deret Berkala (Time Series) Box-Jenkins (ARIMA) Metode peramalan yang sering digunakan adalah deret waktu (time series), dimana sejumlah observasi diambil selama beberapa periode dan digunakan sebagai dasar dalam penyusunan suatu ramalan untuk beberapa periode di masa
depan yang diinginkan. Metode Box-Jenkins adalah salah satu metode untuk menganalisis waktu. Pada dasarnya ada dua model dari metode Box-Jenkins, yaitu model linier untuk deret statis (Stasionary Series) dan model untuk deret data yang tidak statis (Non Stasionary Series). Model model linier untuk deret data yang statis menggunakan teknik penyaringan (filtering) untuk deret waktu,yaitu apa yang disebut dengan ARMA (Auto Regresive-Moving Average) untuk suatu kumpulan data. Sedangkan untuk model yang tidak statis menggunakan apa yang disebut ARIMA (Auto Regresive Integrated-Moving Average). 2.6 Metode Auto Regresive (AR) Metode Auto Regresive adalah model yang menggambarkan bahwa variabel dependen dipengaruhi oleh variabel 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 lebih.bentuk umum autoregressif dengan ordo p atau dituliskan dengan AR (p) mempunyai persamaan sebagai berikut: X t = µ + Φ1X t 1 + Φ2X t 2 +... + ΦpX t p + et Keterangan : Φ p = Parameter Auto Regresive e t = Nilai kesalahan pada t µ = Nilai konstan Persamaan umum model AR (p) dapat juga ditulis sebagai berikut :
2 p ( 1 Φ1B Φ2B... ΦpB )X t = µ + et Dalam hal ini B adalah operator mundur (Backward Shift Operator), bentuk umum operator bergerak mundur ini dapat ditulis sebagai berikut : = Y t d. Model Auto Regressive yang sering dijumpai dalam praktek adalah model AR (1) dan AR (2). Persamaan AR (1) ditulis dengan : ( 1 Φ1B)X t = µ + et Persamaan AR (2) ditulis dengan : 2 1B Φ2B )X t = µ et ( 1 Φ + B d X t 2.7 Metode Rataan Bergerak Metode rataan bergerak ( moving average ) mempunyai bentuk umum dengan ordo q atau bisa ditulis dengan MA (q) adalah sebagai berikut: X t = µ + et θ1e t 1 θ2et 2 θ qet q Keterangan: θ i X t = Parameter dari proses rataan bergerak ke-i, i=1,2,3,,q = Variabel yang diramalkan e = Nilai kesalahan pada saat t-q t q Persamaan untuk model MA (q) bila menggunakan operator penggerak mundur dapat ditulis sebagai berikut : X t 2 q = µ + (1 θ1b θ2b... θqb ) et Persamaan MA (1) dapat dituliskan dengan :
X t = µ + et θ1e t 1 = µ + ( 1 θ1b) et Persamaan MA (2) dapat dituliskan dengan : X t = µ + (1 θ 1 B θ 2 B 2 ) e t Perbedaan model moving average dan model autoregressive terletak pada jenis variabel independen pada model autoregressive adalah nilai sebelumnya (lag) dari variabel dependen ( X t ) itu sendiri, maka pada model moving average sebagai variabel independen adalah nilai residual pada periode sebelumnya. 2.8 Metode Box-Jenkins Metode 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 autoregresif (AR) dan rata bergerak (MA) untuk melihat apakah komponen-komponen tersebut secara signifikan memberikan kontribusi pada model atau salah satunya dapat dihilangkan. 3. Pengujian dan penerapan model untuk meramalkan series data beberapa periode ke 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 time series.
2.9 Peramalan Model Box-Jenkins Tujuan peramalan adalah untuk menduga nilai deret waktu masa yang akan datang. Jika model yang di tetapkan menunjukkan residual yang acakan, maka model itu dapat dipergunakan untuk maksud peramalan.