BAB II

LANDASAN TEORI

2.1 Pengertian Peramalan (forecasting)

2.1.1 Hubungan Forecast dengan Rencana

Forecast adalah peramalan apa yang akan terjadi pada waktu yang
akan datang, sedang rencana merupakan penentuan apa yang akan
dilakukan pada waktu yang akan datang (Subagyo, 1986: 3). Dengan
sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast
adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa
dilaksanakan oleh perguruan tinggi atau perusahaan.

2.1.2 Definisi dan Tujuan Peramalan (forecasting)

Peramalan (forecasting) adalah suatu usaha untuk meramalkan

keadaan dimasa mendatang melalui pengujian keadaan di masa lalu
(Handoko, 1984: 260).

Dalam suatu perusahaan, peramalan digunakan untuk

merencanakan jumlah produksi yang akan datang, dengan
menggunakan data permintaan pada periode sebelumnya, untuk
meminimumkan kesalahan peramalan. Peramalan juga mempunyai
peran langsung terhadap pengambilan keputusan.

Dengan kata lain peramalan (forecasting) bertujuan mendapatkan

forecast yang bisa meminimumkan kesalahan meramal (forecast error)
yang biasanya diukur dengan Mean Squared Error, Mean
AbsoluteError, dan sebagainya (Subagyo, 1986:4).

3
 4

Ada empat kegunaan peramalan(forecasting), yakni:

1. Mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa lalu,
serta melihat sejauh mana pengaruhnya dimasa datang.
2. Dengan adanya peramalan maka dapat dipersiapkan program dan
tindakan perusahaan untuk mengantisipasi keadaan dimasa datang
sehingga resiko kegagalan bisa diminimalkan.
3. Peramalan merupakan dasar penyusunan rencana bisnis perusahaan,
sehingga dapat meningkatkan efektivitas suatu rencana bisnis.
4. Peramalan juga digunakan dalam pembuatan keputusan, karena hasil
peramalan merupakan informasi yang mendasari keputusan para manajer
perusahaan dalam berbagai tingkatan manajemen perusahaan.

Teknik peramalan dibagi menjadi dua, diantaranya adalah teknik

peramalan secara kualitatif yaitu peramalan yang melibatkan pendapat
pribadi, pendapat ahli, metode delphi, penelitian pasar dan lain lain.
Bertujuan untuk menggabungkan seluruh informasi yang diperoleh
secara logika dan sistematis yang dihubungkan dengan faktor
kepentingan si pengambil keputusan.

Sedangkan teknik peramalan kuantitatif yaitu peramalan yang

digunakan pada saat data masa lalu cukup tersedia beberapa teknik
kuantitatif yang sering dugunakan adalah metode pemulusan
eksponensial, rata rata bergerak, regresi linier, dan masih banyak
lainnya (Gaspersz, 2004).
Metode kuantitatif dapat digolongkan menjadi dua teknik:
1. Teknik Deret berkala (Time Series)
Memperlakukan sistem seperti kotak hitam dan tidak ada usaha
untuk menemukan faktor yang berpengaruh kepada perilaku sistem
tersebut. Metode ini cocok untuk peramalan jangka pendek atau
menengah
2. Teknik eksplanatoris (kausal)
 5

Mengasumsikan adanya hubungan sebab akibat diantara input dan

output suatu sistem

Metode yang paling sering digunakan dalam teknik deret berkala

adalah metode Smoothing dan metode Dekomposisi.

2.2 Metode Peramalan

2.2.1 Metode Smoothing
1. Metode Average (Rataan)
Metode ini disebut sebagai model rata rata bergerak terbobot lebih
responsif terhadap perubahan, karena data dari peride yang baru
biasanya diberi bobot lebih besar. Menurut Gaspersz (2004) suatu
model rata rata bergerak n- periode terbobot, weighted MA (n),
dinyatakan sebagai berikut:

()
( )(
= ()
....pers. 2.1

a. Rata rata (mean)

Metode rata rata secara sederhana menghitung rataan dar data
yang ada. Persamaan metode rata rata yaitu:

=1 = + 1................................................................pers.2.2

b. Single Moving Average

Istilah Moving Average menggambarkan prosedur jika ada data
baru, rata rata baru dapat dihitung dan data yang lalu dihapus.
Rata rata baru tersebut akan digunakan untuk meramal.
Persamaan Single Moving Average yaitu:
 6

1+ 2++ 1
+1 = = 1= 1.........................................pers.2.3

c. Double Moving Average

Peramalan Double Moving Average meliputi 3 aspek yaitu:
1. Menggunakan single Moving Average pada waktu t
2. Terjadi penyesuaian antara Single Moving Average dengan
double moving average (St St) pada saat t
3. Terjadi penyesuaian trend t N + 1 aspek ini dapat dilihat
pada persamaan berikut:

=+ 1+ 2+ +1 ...............................................pers.2.4

=+ 1+ 2+ +1 .............................................pers.2.5

at = St + (St St) = 2 St St............................................pers.2.6

= 2 ( St)...............................................................pers.2.7
1

Ft+m+ = at + btm.....................................................................pers.2.8

2. Metode Exponential Smoothing

a. Single Exponensial Smoothing
Persamaan single exponensial smoothing adalah:
Ft+1 = aX1 + (1-)Ft.............................................................pers. 2.9
Ft+1 = F1 + (Xt Ft)............................................................pers.2.10
Secara sederhana dapat dituliskan sebagai berikut:

Ft+1 = Ft + ( et )................................................................. pers.2.1

 7

et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan)

untuk periode t.

Beradasarkan rumus diatas peramalan single exponensial

smoothing dihitung berdasarkan hasil peramalan dan kesalahan
peramalan periode sebelumnya. Jadi kesalahan peramalan
sebelumnya digunakan untuk mengoreksi peramalan berikutnya.

b. Double Exponensial Smoothing : Browns One Parameter Linier

Linier exponensial smoothing dapat dilakukan jika tersedia 3 data
dan satu nilai . Proses perhitungannya mirip dengan linier moving
average dengan persamaan sebagai berikut:
St = Xt + (1-) St-1.............................................................pers.2.12
St = St + (1-) S t-1 ........................................................pers.2.13

at = St + (St St) = aSt St ...........................................pers.2.14

= 1 ( " )............................................................pers.2.15

Sehingga persamaan untuk menentukan peramalan menjadi :

Ft+m = at + btm ........................................................................pers.2.16
Dimana m adalah jumlah periode kemuka yang diramalkan.

c. Double Exponensial Smoothing Holts Two Parameter

Metode Holts mirip dengan metode Brown dengan perbedaan
melakukan smoothing trend secara terpisah. Pemisahan ini
menciptakan fleksibilitas dimana smoothing trend dapat dilakukan
dengan parameter yang berbeda dengan parameter yang dipakai
series asli. Persamaan holts adalah sebagai berikut:
St = Xt + (St-1 + bt-1).............................................................pers.2.17
bt = (St St-1) + (1- ) bt-1.....................................................pers.2.18
Ft+m = St + btm........................................................................pers.2.19
 8

Proses inisialisasi Holts membutuhkan dua nilai estimasi, pertama

nilai smoothing St dan berikutnya nilai trend bt.

d. Triple Exponensial Smoothing : Browns One Parameter

Quadratic
Persamaan smoothing kuadratis adalah:
St = Xt + (1-) St..............................................................pers.2.20
St = St + (1-) St-1...........................................................pers.2.21
St = St + (1-) St-1........................................................pers.2.22

Dimana:
at = 3St 3 St + St .........................................................pers.2.23

= 2(1) [(6 5) (10 8)" + (4 3)" ]..........pers.2.24

2
= 2(1) [( 2" + " )]........................................pers.2.25
1 2
+ = + 4 + ................................................pers.2.26
2

e. Triple Exponensial Smoothing : Winters Three Parameter Trend

and Seasonality
Metode Winters dapat digunakan untuk data musiman. Metode
Winters didasarkan 3 persamaan smoothing : satu untuk
kestasioneran, satu untuk trend, dan satu untuk musiman. Persamaan
winters adalah:

= + (1 )(1 + 1 )......................................pers.2.27

bt = (St St-1) + (1-) bt-1..........................................................pers.2.28

= + (1 ) ............................................................pers.2.29

Ft+m = (St + 4m) It-L=m..................................................................pers.2.30

 9

2.3 Ukuran Ukuran Kesalahan

Validasi metode peramalan terutama dengan menggunakan metode-
metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran
akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam
pengukuran akurasi peramalan, besarnya kesalahan pada periode kei (e)
dinyatakan sebagai :
e =X-F ....................................................................................................pers.2.31
dengan :
e = kesalahan pada periode ke-i
X = data aktual periode ke-i
F = nilai peramalan periode ke-i

Beberapa statistik ukuran kesalahan yang biasa dipakai :

ei
Mean ErrorME = ...................pers.2.32
=1

|ei |
Mean Absolute Error MAE = ..................pers.2.33
=1 n

Sum of Squared errorSSE = =1 e12 ......................pers.2.34

e21
Mean Squared ErrorMSE = .....................pers.2.35
=1 n

2
Standard Deviation of Error SDE = ((1)) ...................pers.2.36

Percentage ErrorPE i =( ) (100%).........pers.2.37


Mean Percentage ErrorMPE = =1 .......................pers.2.38

|PEi |
Mean Absolute Percentage ErrorMAPE= =1 ..................pers.2.39
n
 10

2.4 Pemeriksaan Dan Pengendalian Peramalan

Terdapat banyak cara yang dapat digunakan memeriksa ramalan dan

mengamati suatu perubahan dalam sistem penyebab yang mendasari
permintaan. Bentuk yang termudah dari cara pengendali adalah peta kendali
secara statistik yang digunakan dalam pengendalian kualitas.

1. Peta Rentang Bergerak

Rentang bergerak didefinisikan sebagai

MR = |( ) (1 1 )|..........................................pers.2.40

Rata-rata rentang bergerak didefinisikan sebagai

= 1..................................................................................pers.2.41

Garis tengah untuk peta rentang bergerak adalah adalah pada titik nol.
Batas-batas kontrol adalah
..........................................................................pers.2.42
UCL = +2,66
LCL = -2,66
..........................................................................pers.2.43
Perubahan atau perbedaan yang digambarkan pada rentang bergerak
adalah
= - ................................................................................pers.2.44

2.5 Software WINQSB

WinQSB adalah suatu software yang juga dapat kita manfaatkan untuk
melakukan perhitungan peramalan permintaan didalam perencanaan dan
pengendalian produksi. Tersedia 11 alogaritma utuk melakukan peramalan
permintaan dengan model peramalan time series, yaitu peraalan menggunakan
deret waktu.
Model peramalan time series yang tersedia pada softwareWinQSB adalah:
1. Perataan sederhana (Simple Average)
2. Perataan Bergerak (Moving Average)
3. Perataan Bergerak Yang Dibobotkan ( Weighted Moving Average)
 11

4. Perataan Bergerak Dengan Trend Linier (Moving Average With Linier

Trend)
5. Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing)
6. Pemulusan Eksponensial TunggalDengan Trend Linier (Single
Eksponensial Smoothing With Linier Trend)
7. Pemulusan Eksponensial Berganda (Double Eksponensial Smoothing)
8. Pemulusan Eksponensial BergandaDengan Trend Linier (Double
Eksponensial Smoothing With Linier Trend)
9. Regresi Linier (Linier Regression)
10. Alogaritma Winter Dengan Addive dari Holt (Holt-Winter Addive
Alogarithm)
11. Alogaritma Winter Dengan Multiplikative dari Holt (Holt-Winter
Multiplikative Alogarithm)

Terdapat beberapa kriteria performansi untuk membandingkan model-

model peramalantime series yang kita gunakan dengan memanfaatkan
WinQSB, antar lain: Mean Squared Error (MAD), Mean Absolute Percentage
Error(MAPE), Commulatie Forcase Error (CFE).
Disamping itu, sofware ini juga memiliki fungsi untuk melakukan
verifikasi peramalan dengan menyediakan fungsi perhitungan Tacking Signal.