BAB II

TINJAUAN PUSTAKA
2.1 Definisi Peramalan

Forecasting atau peramalan adalah aktivitas yang pertama kali dilakukan

dalam memenuhi jadwal produksi di masa depan. Peramalan didasarkan pada
penentuan (prediksi) jumlah permintaan (demand) sebuah produk yang
kemudian akan dijadikan sebagai target produksi. Berikut ini merupakan
definisi peramalan menurut beberapa ahli, yaitu:
a. Menurut John E. Biegel (1999): “Peramalan adalah kegiatan
memperkirakan tingkat permintaan produk yang diharapkan untuk suatu
produk atau beberapa produk dalam periode waktu tertentu dimasa yang
akan datang”.
b. Menurut Bufa S. Elwood (1996): “Peramalan atau forecasting diartikan
sebagai penggunaan teknik – teknik statistik dalam bentuk gambaran masa
depan berdasarkan pengolahan angka – angka historis”.
c. Menurut Makridakis (1988): “Peramalan merupakan bagian integral dari
kegiatan pengambilan keputusan manajemen”.
d. Menurut Manahan P. Tampubolon (2004:40): “Peramalan atau forecasting
adalah penggunaan data untuk menguraikan kejadian yang akan datang di
dalam menentukan saran yang di kehendaki”.
e. Menurut Kostas (1981): “Peramalan merupakan suatu dugaan terhadap
permintaan yang akan datang berdasarkan kuantitas, waktu, kualitas, dan
lokasi terhadap produk atau layanan yang diinginkan”.
Berdasarkan beberapa pengertian diatas, dapat disimpulkan bahwa
forecasting merupakan salah satu teknik dalam sistem perencanaan yang
berfungsi untuk menentukan aktivitas produksi yang akan terjadi dimasa yang
akan datang berdasarkan data historis masa lalu guna memperoleh suatu
sistem dan kebijakan yang lebih baik dan menguntungkan bagi perusahaan
atau organisasi yang terkait. (Yulisa Gardenia, 2012)

2.2 Tahapan Peramalan

 Terdapat beberapa langkah penting dalam tahap-tahap forecasting yaitu:
1. Ploting data harus dilakukan sebelum melakukan metode peramalan
untuk menentukan pola data yang terjadi, dengan data yang ada
diperoleh diagram pencarnya.
2. Memilih alternatif metode yang sesuai dengan pola data masa
lalu.Dengan asumsi, pola akan berulang pada periode yang akan datang.
3. Melakukan uji verifikasi dengan menghitung error dari metode –
metode yang digunakan.
4. Memilih metode yang terbaik, yang dipilih adalah 2 metode yang
memiliki error terkecil.
5. Melakukan uji validasi metode terpilih dengan menggunakan peta
Moving Range. (Sri Hartini,2010).

2.3 Fungsi Peramalan

Fungsi peramalan adalah memperkirakan apa yang akan terjadi dimasa
datang berdasarkan variabel atau kemungkinan yang ada. Potensi dan
kelemahan perusahaan diperhatikan dengan seksama.Peramaln dilakukan
sebelum perencanaan dibuat.Hasil dari peramalan ini menjadi dasar dalam
pembuatan rencana dan diproyeksikan untuk menjadi bahan penjabaran
rencana.
Menurut pandangan Jay Heizer dan Barry Render (2006):
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa
lalu serta melihat sejauh mana pengaruh dimasa datang.
2. Peramalan diperlukan karena adanya time Lag atau Delay antara saat suatu
kebijakan perusahaan ditetapkan dengan saat impementasi.
3. Peramalan merupakan dasar penyusunan bisnis pada suatu perusahaan
sehingga dapat meningkatkan efektifitas suatu rencana bisnis.
Adapun fungsi lain yang bisa mengarah pada peramalan yaitu:
1. Untuk atau mengkaji kebijakan perusahaan yang berlaku saat ini dan
dimasa lalu, serta melihat sejauh mana pengaruhnya dimasa datang.
2. Peramalan diperlukan karena adanya time lag antara saat suatu kebijakan
peruasahaan di tetapkan dengan saat implementasi.
 3. Dengan adanya peramalan, maka dapat dipersiapkan program dan tindakan
perusahaan untuk mengantisipasi keadaan dimasa datang sehingga resiko
kegagalan bisa diminimalkan.

2.4 Macam Peramalan

Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian
yaitu:
a. Peramalan Kualitatif
Adalah teknik peramalan yang digunakan apabila data masa lalu tidak
tersedia atau tersedia namun jumlahnya yang tidak banyak. Teknik ini
mengkombinasikan informasi dengan pengalaman, penilaian dan intuisi
untuk menghasilkan pola-pola dan hubungan yang mungkin dapat
diterapkan dalam memprediksi masa yang akan datang. Teknik – teknik
kualitatif didasarkan atas pendekatan akal sehat dalam menyaring
informasi kedalam bentuk yang bermanfaat.Beberapa metode yang
tercakup dalam teknik – teknik kualitatif antara lain visionary, panel
consesus, brainstorming, antypatory survey, role playing, dan lain
sebagainya.
b. Peramalan Kuantitatif
Adalah teknik peramalan dimana pola historis dat digunakan untuk
meramalkan keadaan dimasa yang akan datang. Menurut Makridakis,
Wheelwright dan McGee (1999,p20), tiga kondisi penerapan dari
penerapan peramalan ini, yaitu : tersedianya informasi tentang masa lalu,
informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dan
dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut ke masa mendatang. Terdapat dua teknik kuantitatif yang utama,
yakni analisis deret waktu (time series analysis) dan model struktural
(structural model) atau model kausal.
a. Time Series adalah analisis deret waktu yang didasarkan pada deret
yang menggambarkan pola – pola bervariasi sepanjang waktu, dan
dapat di modelkan untuk menentukan pola yang akan terjadi di masa
depan.
b. Causal Model adalah model yang terdiri dari teknik – teknik peramalan
yang menggunakan informasi atas satu atau beberapa faktor (variable)
untuk memprediksi faktor lainnya dengan memanfaatkan pengetahuan
atas hubungan antara variabel – variabel tersebut.
c. Other Quantitative adalah metode peramalan jenis kuantitatif yang
menggunakan teknik peramalan market research, management science,
expert system, artifical dan lain – lain.
Berikut ini merupakan tahapan dalam penyusunan peramalan
dengan menggunakan peramalan kuantitatif, yaitu:
1. Tentukan tujuan peramalan.
2. Pembuatan diagram pencar.
3. Pilih minimal dua metode peramalan yang dianggap sesuai.
4. Hitung parameter – parameter fungsi peramalan.
5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki
kesalahan terkecil.
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.
7. Lakukan verifikasi peramalan.
Berdasarkan sifat penyusunannya, maka peramalan dibedakan
menjadi dua macam, yaitu:
a. Peramalan yang subjektif, adalah peramalan yang didasarkan atas
perasaan atau intuisi dari penyusunannya.
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data
yang relevan pada masa lalu, dengan menggunakan teknik – teknik dan
metode – metode dalam penganalisaane data tersebut.
Sedangkan, berdasarkan jangka waktu ramalan yang disusun, maka
peramalan dibedakan atas:
a. Peramalan jangka panjang, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu
setengah tahun.
b. Peramalan jangka pendek, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
setengah tahun. Sehingga peramalan jangka pendek menggunakan
 teknik analisa hubungan dimana satu – satunya variabel yang
mempengaruhi adalaha waktu. (Assauri, 1984).

2.5 Pola Data untuk Time Series

Menurut Australia Bureau of Statistics, data time series adalah
sekumpulan data pengamatan yang diperoleh dari perhitungan dari waktu ke
waktu. Pada umumnya pengumpulan dan pencatatan itu dilakukan dalam
jangka waktu tertentu misalnya tiap bulan, tiap akhir tahun, sepuluh tahun dan
sebagainya. Contoh data time series adalah pertumbuhan ekonomi suatu
negara pertahun, jumlah produksi minyak perbulan, indeks harga saham
perhari.
Hal yang perlu diperhatikan pada peramalan data time series adalah galat
(error), dimana merupakan bagian yang tidak terpisahkan dalam metode
peramalan. Hasil dari prediksi sangatlah jarang yang sama dengan data
sesungguhnya, maka seorang peramal hanya bisa berusaha untuk membuat
galatnya menjadi seminimal mungkin. Untuk meramalkan data time
series dibutuhkan teknik peramalan yang baik. Teknik peramalan dapat
bermacam-macam tergantung pada pola data yang ada. Menurut Hanke dan
Wichern (2005:58), ada empat macam tipe pola data yaitu:
1. Pola Data Horizontal
Pola data horizontal terjadi saat data observasi berfluktuasi di
sekitaran suatu nilai konstan atau mean yang membentuk garis horizontal.
Data ini disebut juga dengan data stasioner. Contoh plot data horizontal
adalah pada gambar 2.6 yaitu berupa plot data penjualan. Jumlah penjualan
selalu meningkat atau menurun pada suatu nilai konstan secara konsisten
dari waktu ke waktu.

Gambar 2.1 Contoh Pola Data Horizontal

2. Pola Data Trend
Pola data trend terjadi bila mana data pengamatan mengalami
kenaikan atau penurunan selama periode jangka panjang. Suatu data
pengamatan yang mempunyai trend disebut data nonstasioner.

Gambar 2.2 Contoh Pola Data Trend Naik

3. Pola Data Musiman

Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman. Pola data musiman dapat mempunyai pola musim yang
berulang dari periode ke periode berikutnya.Misalnya pola yang berulang
setiap bulan tertentu, tahun tertentu atau pada minggu tertentu.

Gambar 2.3 Contoh Pola Data Musiman

4. Pola Data Siklis

Pola data siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Di bawah ini adalah contoh plot pola data siklis.

Gambar 2.4 Contoh Pola Data Siklis

2.6 Metode Deret Waktu (Time Series)
Data time series merupakan data yang dikumpulkan, dicatat atau
diobservasi sepanjang waktu secara berurutan. Periode waktu observasi dapat
berbentuk tahun, kuartal, bulan, minggu dan dibeberapa kasus dapat juga hari
atau jam. time series dianalisis untuk menemukan pola variasi masa lalu yang
dapat dipergunakan untuk memperkirakan nilai masa depan dan membantu
dalam manajemen operasi serta membuat perencanaan. Menganalisis time
series berarti membagi data masa lalu menjadi komponen-komponen dan
kemudian memproyeksikannya ke masa depan Analisis time series dipelajari
karena dengan mengamati data time series akan terlihat empat komponen
yang mempengaruhi suatu pola data masa lalu dan sekarang, yang cenderung
berulang dimasa mendatang.
1. Simple Average (SA)
Metode Simple Average (rata-rata sederhana) adalah metode
peramalan yang menghitung rata-rata seluruh data masa lalu untuk
mendapatkan hasil peramalan masa depan.

X t  X t 1  ....  X t n1
St 
n
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Jika kita akan meramal jumlah order garmen pabrik pada tahun ke-
10, maka: Ilustrasi peramalan pada tabel yang dimulai dari tahun ke-2
adalah sebagai berikut:
 Tabel 2.1 Contoh Perhitungan Metode Simple Average

Tahun Order (At) Perhitungan Peramalan (Ft)

1 100 …

2 200 100

3 300 150

4 200 100 + 200 + 300 / 3 = 200

5 150 100 + 200 + 300 + 200 / 4 = 200

6 250 100 + 200 + 300 + 200 + 150 / 5 = 190

7 100 1.200 / 6 = 200

8 250 1.300 / 7 = 186

9 300 1.550 / 8 = 194

10 100 + 200 + 300 / 3 = 200

2. Single Moving Average (SMA)

Metode rata-rata bergerak tunggal menggunakan sejumlah data
aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan
apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap
produk akan tetap stabil sepanjang waktu (Gaspersz, 2005:87). Metode ini
mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan
data historis dalam jangka waktu tertentu, semakin panjang moving
averages akan menghasilkan moving averages yang semakin halus, secara
sistematis moving averages adalah

X t  X t 1  ....  X t n1
St 
n
Dimana:
St+1= Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Contoh perhitungan dengan t=4
𝑋12 + 𝑋13 + 𝑋14 + 𝑋15
𝐹16 =
4
 14213 + 16027 + 14858 + 15212
𝐹16 =
4
𝐹16 = 15078

3. Weighted Moving Average (WMA)

Weight Moving Average (WMA) merupakan model rata-rata
begerak terbobot yang lebih responsif terhadap perubahan, karena data dari
periode yang baru biasanya diberi bobot lebih besar, aplikasi ini dapat
membantu pihak perusahaan dalam mengetahui peramalan penjualan yang
akan terjadi pada bulan berikutnya berdasarkan data penjualan aktual.
Dengan formulasi:

Contoh perhitungan dengan t=4 dan bobot yang sudah ditentukan

sebelumnya

(𝑋12 𝑥 𝑏1 ) + (𝑋13 𝑥 𝑏2 ) + (𝑋14 𝑥 𝑏3 ) + (𝑋15 𝑥𝑏4 )

𝐹16 =
10

(14213 𝑥 1,5) + (16027 𝑥 2,0) + (14858 𝑥 3,0) + (15212𝑥3,5)

𝐹16 =
10

𝐹16 = 15119

4. Centered Moving Average (CMA)

Perhitungan yang digunakan pada metode ini sama dengan metode
moving average. Hanya saja hasil perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya.
Berikut adalah Formulasinya:
Yt  Yt 1  Yt 2  ....  Yt n1
MA =
n
Contoh Perhitungan
9955+9910+9757
F2= = 9874
3
 Tabel 2.4 Perhitungan Metode Centered Moving Average

t X(t) F(t) Error Abs Error Error^2 PE Abs PE

1 9955

2 9910 9874 36 36 1296 3,63269E-05 3,63E-05

3 9757 9884,667 -127,667 127,6667 16298,78 -0,000130846 0,000131

4 9987 9849,333 137,6667 137,6667 18952,11 0,000137846 0,000138

5 9804 9927,333 -123,333 123,3333 15211,11 -0,000125799 0,000126

6 9991 9835,333 155,6667 155,6667 24232,11 0,000155807 0,000156

7 9711 9835 -124 124 15376 -0,00012769 0,000128

8 9803 9799 4 4 16 4,08038E-06 4,08E-06

9 9883 9880,333 2,666667 2,666667 7,111111 2,69824E-06 2,7E-06

10 9955 9847,667 107,3333 107,3333 11520,44 0,000107819 0,000108

11 9705 9839 -134 134 17956 -0,000138073 0,000138

12 9857 9906 -49 49 2401 -4,97109E-05 4,97E-05

13 10156 9963 193 193 37249 0,000190035 0,00019

14 9876 9989,667 -113,667 113,6667 12920,11 -0,000115094 0,000115

15 9937 9914,667 22,33333 22,33333 498,7778 2,24749E-05 2,25E-05

16 9931 9935,667 -4,66667 4,666667 21,77778 -4,69909E-06 4,7E-06

17 9939 9915 24 24 576 2,41473E-05 2,41E-05

5. Single Exponential Smoothing (SES)

Digunakan untuk data runtut waktu yang mengikuti pola stasioner.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
Yˆt 1  Yt  (1   )Yˆt
Dimana:
Yˆt 1 = nilai ramalan untuk periode berikutnya

 = konstanta pemulusan
Yt = data baru atau nilai Y yg sebenarnya pada periode t
Yˆt = nilai pemulusan yang lama atau rata-rata pemulusan
hingga periode t-1
 Contoh:
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,042 x 9955 + (0,958) 9955) = 9,955

Tabel 2.5 Perhitungan Metode Single Exponential Smoothing

t X(t) F(t) Error Abs Error Error^2 PE Abs PE PEMBILANG PENYEBUT Abs Gal.R

1 9955 9955

2 9910 9955 -45,00 45,00 2025,00 -0,00005 0,00005 0,00039 0,0002 0,0045

3 9757 9953,11 -196,11 196,11 38459,13 -0,00020 0,00020 0,00002 0,0006 0,0154

4 9987 9944,873 42,13 42,13 1774,65 0,00004 0,00004 0,00020 0,0003 0,0236

5 9804 9946,643 -142,64 142,64 20346,94 -0,00015 0,00015 0,00003 0,0004 0,0183

6 9991 9940,652 50,35 50,35 2534,95 0,00005 0,00005 0,00054 0,0008 0,0191

7 9711 9942,766 -231,77 231,77 53715,63 -0,00024 0,00024 0,00018 0,0001 0,0280

8 9803 9933,032 -130,03 130,03 16908,36 -0,00013 0,00013 0,00002 0,0001 0,0095

9 9883 9927,571 -44,57 44,57 1986,56 -0,00005 0,00005 0,00001 0,0001 0,0082

10 9955 9925,699 29,30 29,30 858,56 0,00003 0,00003 0,00050 0,0006 0,0073

11 9705 9926,929 -221,93 221,93 49252,69 -0,00023 0,00023 0,00004 0,0002 0,0251

12 9857 9917,608 -60,61 60,61 3673,38 -0,00006 0,00006 0,00060 0,0009 0,0157

13 10156 9915,063 240,94 240,94 58050,70 0,00024 0,00024 0,00002 0,0008 0,0303

14 9876 9925,182 -49,18 49,18 2418,89 -0,00005 0,00005 0,00000 0,0000 0,0276

15 9937 9923,117 13,88 13,88 192,75 0,00001 0,00001 0,00000 0,0000 0,0062

6. Double Exponential Smoothing (DES)

Metode double exponential smoothing biasanya lebih tepat
digunakan untuk maramalkan data yang mengalami kecenderungan trend
naik. (Pengestu Subagyo, 2004;8). Dalam metode ini dilakukan proses
smoothing dua kali, adapun prosedur untuk membuat forecast dengan
double exponential smoothing adalah sebagai berikut:
1) Menentukan smoothing pertama
S’t = αXt + (1 - α)S’t-1
2) Menentukan smoothing kedua
 S”t = αS’t + (1 - α)S”t-1
3) Menentukan konstanta
at = 2S’t – S”t
4) Menentukan slope
bt = 𝛼⁄1 − 𝛼 (𝑆 ′ 𝑡 − 𝑆"𝑡)
5) Menentukan forecast
Ft+m = at + btm
m adalah jangka waktu forecast kedepan

Contoh Perhitungan manual :

𝑆5′ = (∝ 𝑥 𝑋5 ) + (1 − ∝) 𝑥 𝑆5−1
′
)
𝑆5′ = (0,4 𝑥 15541) + ((0,6) 𝑥 14884) = 15147
𝑆5" = (∝ 𝑥 𝑆5′ ) + ((1 − ∝) 𝑥 𝑆5−1
"
)
𝑆5" = (0,4 𝑥 15147) + ((0,6) 𝑥 14279) = 14626
𝑎5 = (2 𝑥 𝑆5′ ) − 𝑆5"
𝑎5 = (2 𝑥 15147) − 14626 = 15667
∝
𝑏5 = ( ) 𝑥(𝑆5′ − 𝑆5" )
1−∝
0,4
𝑏5 = ( ) 𝑥(15147 − 14626) = 347
0,6
𝐹5 = 𝑎5 + 𝑏5
𝐹5 = 15667 + 347 = 16014

7. Linear Regresi
Ada 2 pendekatan dalam melakukan peramalan berdasarkan
menggunakan analisis deret waktu engan metode regresi sederhana, yaitu:
1. Analisis deret waktu untuk regresi sederhana linier
2. Analisis deret waktu untuk regresi sederhana yang non linier
Dalam analisis deret waktu yang linier adalah analisis pola
hubungan yang dicari dengan satu variabel yang mempengaruhinya :
waktu. Sedangkan analisis deret waktu yang non linier, merupakan analisis
 hubungan antara variabel yang dicari dengan hanya satu (1) yang
mempengaruhinya, yaitu variabel waktu.
Untuk menjelaskan hubungan kedua metode ini kita gunakan
notasi matematis seperti:
Y = F (x)
Dimana :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)
Notasi regresi sederhana dengan menggunakan regresi linier (garis
lurus) dapat digunakan sebagai berikut :
Y = a + b X.......
Dimana a dan b adalah merupakan parameter (koefisien regresi)
yang harus dicari. Untuk mencari nilai a dapat digunakan dengan
menggunakan rumus :

a=
Y  b  X
n n
atau :
 
a= Y -b X
kemudian nilai b dapat dicari dengan rumus :
n XY   X  Y
b=
n X 2  ( X ) 2

Perhitungan manual:
(24 𝑥 4509303) − (300 𝑥 359365))
𝑏= = 14,99
(24 𝑥 4900) − 90000
359365 − (14,99 𝑥 300)
𝑎= = 14786,16
24
𝐹5 = (14786,16) + ( 14,99𝑥 4) = 14846

2.7 Model – Model Kausal

Model kausal terdiri atas teknik-teknik peramalan yang
menggunakaninformasi atas satu atau beberapa faktor (variable) untuk
 memprediksi faktor lainnya dengan memanfaatkan pengetahuan atas
hubungan antara variabel – variabel tersebut.Teknik utama dalam model –
model kausal ini adalah Ekonometri, Regresi & Korelasi, dan Input Output.
1. Ekonometri
Metode ini berdasarkan persamaan regresi yang di dekati secara
simultan.Metode ini banyak digunakan untuk perencanaan ekonomi
suatu negara baik jangka pendek maupun jangka panjang.
2. Regresi & Korelasi
Metode ini menggunakan teknik kuadrat terkecil (least square).Banyak
digunakan untuk prediksi dalam jangka yang pendek.
3. Input Output
Biasa digunakan untuk perencanaan ekonomi dengan jangka waktu yang
panjang.Banyak digunakan untuk peramalan penjualan perusahaan,
penjualan sektor industri dan sub sektor industri, produksi dari sektorda
sub sektor industri.
2.8 Pemilihan dan Evaluasi Metode-Metode Peramalan
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan,
yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk
suatu kumpulan data yang diberikan.Ketepatan dipandang sebagai kriteria
penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret
berkala ( time series ) dari data masa laludapat diramalkan situasi yang akan
terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini
digunakan ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan
antara lain:
1. Nilai Tengah Galat ( Mean Error )

2. Nilai Tengah Galat Kuadrat ( Mean Square Error )

 3. Nilai Tengah Galat Absolut ( Mean Absolute Error )

4. Nilai Tengah Galat Persentase Absolut ( Mean Absolute Percentage

Error )

5. Nilai Tengah Galat Persentase ( Mean Percentage Error )

6. Jumlah Kuadrat Galat ( Sum Square Error )

7. Deviasi Standar Galat ( Standart Deviation of Error )

Dimana:
E= Xt− Ft (kesalahan pada periode ke – t)
X = data aktual pada periode ke – t
F = nilai ramalan pada periode ke – t
n = banyak periode waktu

Metode peramalan yang dipilih adalah metode peramalan yang

memberikan nilai error yang terkecil.
Menurut Lerbin R. Aritonang R. (2002:32) ada beberapa teknik
peramalanuntuk menggunakannya didasarkan pada kondisi data tertentu,
berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik
peramalan:

1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
 2. Pendekatan Ukuran Simpangan PeramalanPemilihan teknik peramalan
juga didasarkan pada error (e) yang merupakan selisih nilai data yang
ada dengan nilai proyeksinya pada setiap periode peramalan. Errorr
yang digunakan sebagai ukuran simpangan peramalan berupa MSE
(Mean Square Errorr). Secara sederhana dapat diketahui bahwa besar
MSE berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
Menurut Hanke dan Reitsch (1995:117) selain berdasarkan hasil analisis
otokorelasi dan ukuran simpangan peramalan, teknik peramalan juga
dapat dipilih berdasarkan horizon waktu peramalannya.
- Fungsi Regresi
Digunakan untuk peramalan jangka pendek, menengah maupun
jangka panjang dan peramalannya bersifat kontinyu dengan asumsi
permintaan yang akandatang sama dengan permintaan yang lalu.
Fungsi regresi berupa fungsi konstan, fungsi linier dan fungsi
kuadratik.
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)
Langkah penting setelah peramalan dilakukan adalah verifikasi peramalan
sedemikian rupa sehingga mencerminkan data masa lalu dan sistem penyebab
yang mendasari permintaan tersebut.Sepanjang representasi peramalan
tersebut dapat dipercaya, hasil peramalan dapat terus digunakan. Jika selama
proses verifikasi tersebut ditemukan keraguan validitas metode peramalan
yang digunakan, harus dicari metode lainnya yang lebih cocok. Validitas
tersebut harus ditentukan dengan uji statistis yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu
dibuat suatu metode peramalan baru .Peramalan harus selalu dibandingkan
dengan permintaan aktual secara teratur.Pada suatu saat harus diambil
tindakan revisi peramalan apabila ditemukan bukti adanya perubahan pola
permintaan yang meyakinkan.Selain itu, penyebab perubahan pola
permintaan harus diketahui.Penyesuaian metode peramalan dilakukan segera
setelah perubahan pola permintaan diketahui.Terdapat banyak perkakas yang
dapat digunakan untuk memverifikasi peramalan dan mendeteksi perubahan
sistem penyebab yang melatarbelakangi perubahan pola permintaan.Bentuk
yang paling sederhana adalah peta kendali peramalan, mirip dengan peta
kendali kualitas.Peta kendali ini dapat dibuat dengan ketersediaan data yang
minim.
Adapun beberapa parameter analisis yang harus dipertimbangkan dalam
verifikasi metode analisis:
 Akurasi
Akurasi atau kecermatan adalah ukuran yang menunjukan derajat
kedekatan hasil analis dengan kadar analit yang sebenarnya. Terkadang
masalah dalam menentukan akurasi adalah ketidaktahuan terhadap nilai
yang sebenarnya. Dalam beberapa tipe sampel kita dapat menggunakan
sampel yang telah diketahui nilainya dan mengecek metode
pengukuran kita gunakan untuk menganalisis sampel itu sehingga kita
mengetahui akurasi dari prosedur yang diujikan, metode ini disebut
dengan CRM (Certified Reference Method). Pendekatan lain adalah
dengan membandingkan hasilnya dengan hasil yang dilakukan oleh
laboratorium lain atau dengan menggunakan metode referen. Akurasi
juga dapat diketahui dengan melakukan uji peoleahan
kembali (recovery).Hasil uji ini akurasi dapat dinyatakan sebagai persen
perolehan kembali (recovery) analit yang ditambahkan pada
sampel. Rentang nilai penerimaan kecermatan suatu metode akan
bervariasi sesuai kebutuhannya.
 Presisi
Presisi adalah ukuran yang menunjukkan derajat kesesuaian antara
hasil uji individual, diukur melalui penyebaran hasil individual dari rata-
rata jika prosedur diterapkan secara berulang pada sampel-sampel yang
diambil dari campuran yang homogen (Harmita, 2004).Presisi dapat
dibagi dalam dua kategori yaitu keterulangan atau ripitabilitas
(repeatability) dan ketertiruan (reproducibility). Ripitabilitas adalah nilai
presisi yang diperoleh jika seluruh pengukuran dihasilkan oleh satu
 orang analis dalam satu periode tertentu, menggunakan pereaksi dan
peralatan yang sama dalam laboratorium yang sama. Ketertiruan adalah
nilai presisi yang dihasilkan pada kondisi yang berbeda, termasuk analis
yang berbeda, atau periode dan laboratorium yang berbeda dengan analis
yang sama.
Karena ketertiruan dapat memperbanyak sumber variasi, ketertiruan
dari analisis tidak akan lebih baik hasilnya dari nilai keterulangan.
Presisi dalam hal ripitabilitas diukur dengan menghitung relative
standarddeviation atau simpangan baku relatif (RSD) dari beberapa
ulangan dan dari nilai simpangan baku tersebut dapat dihitung nilai
koefisien varian (KV). Dari nilai KV yang diperoleh dibandingkan
dengan KV Horwitz yaitu suatu kurva berbentuk terompet yang
menghubungkan reproducibilitas (presisi yang dinyatakan sebagai
%KV) dengan konsentrasi analit.(Harvey, 2000).
 Linieritas
Linieritas metode analisis menunjukkan kemampuan suatu metode
untuk memperoleh hasil uji, yang baik langsung maupun dengan definisi
transformasi matematis yang baik, proporsional dengan konsentrasi
analat dalam sampel pada range tertentu (Leyva, 2008). Linieritas dapat
diuji secara informal dengan membuat plot residual yang dihasilkan oleh
regresi linier pada respon konsentrasi dalam satu seri kalibrasi
(Thompson, 2002). Linieritas harus dievaluasi dengan pemeriksaan
visual terhadap plot absorbansi yang merupakan fungsi dari konsentrasi
analat.Jika hubungannya linier, hasil uji dievaluasi lebih lanjut secara
statistik dengan perhitungan garis regresi. Dalam penentuan linieritas,
sebaiknya menggunakan minimum lima konsentrasi. Rentang
penerimaan linieritas tergantung dari tujuan pengujian. Pada kondisi
yang umum, nilai koefisien regresi (r2) ≥ 0,99 (EMA, 1995).Sebagai
parameter adanya hubungan linier digunakan koefisien korelasi r pada
analisis regresi linier Y= aX+b. Hubungan linier yang ideal dicapai jika
nilai a=0 dan r=+1 atau -1 bergantung pada arah garis. Sedangkan b
menunjukan kepekaan analisis terutama instrumen yang digunakan.
 Nilai koefisien korelasi yang memenuhi persyaratan adalah sebesar ≥
0,99970 (ICH, 1995), ≥ 97 (SNI) atau ≥ 0,9980(AOAC).
 Limit Deteksi dan Limit Kuantitasi
Limit deteksi atau Limit of Detection (LOD) suatu metode analisis
adalah jumlah terkecil dari analit yang dapat dideteksi namun jumlah ini
belum tentu dapat dikuantisasi dengan presisi yang baik oleh metode
tersebut. Limit kuantitasi atauLimit of Quantitation (LOQ) yang disebut
juga limit determinasi adalah konsentrasi terendah dari analat yang dapat
ditentukan secara kuantitatif dengan presisi dan akurasi yang dapat
diterima. Giese dengan menentukan kurva kalibrasi menggunakan
sepuluh level konsentrasi, atau melakukan analisis blanko
berulang.Tetapi ada masalah dalam pendekatan menggunakan blanko
karena seringkali sulit diukur dan variasinya sangat tinggi.Lebih lanjut,
nilai yang didapat dengan pendekatan seperti ini tidak bergantung dari
analit. Limit deteksi hanya berguna untuk mengontrol ketidakmurnian
yang tidak diinginkan yang konsentrasinya harus tidak lebih dari level
tertentu dan mengontrol kontaminan dengan konsentrasi rendah,
sedangkan materi yang bermanfaat harus ada pada konsentrasi yang
cukup tinggi agar dapat menjadi fungsional. Limit deteksi dan kuantitasi
seringkali bergantung pada kemampuan instrumen (AOAC, 2002).
Limit deteksi dan limit kuantisasi, limit deteksi (LOD) adalah
konsentrasi terendah yang masih dapat terdeteksi oleh suatu alat. Besar
limit deteksi biasanya dinyatakan dengan nilai rata-rata blangko + 3 S,
dimana S adalah standar deviasi (simpangan baku) dari blangko.
Sedangkan limit kuantitasi adalah konsentrasi terendah yang dapat
ditentukan dengan besar presisi dan akurasi ynag dapat diterima. Besar
limit kuantitasi biasanya dinnyuatakan dengan nilai rata-rata blanko
+10 S. Cara lain untuk menentukan batas deteksi dan kuantitasi adalah
melalui penentuan rasio S/N (signal to noise ratio). Nilai simpangan
baku blanko ditentukan dengan cara menghitung tinggi derau pada
pengukuran blanko sebanyak 20 kali pada analit yang memberikan
respon (Harmita, 2004).
 Uji t dan F
Uji signifikansi meliputi uji t-student dan uji F.Uji tmembandingkan
rata-rata ulangan yang dilakukan oleh dua metode dan membuat asumsi
dasar atau hipotesis nol, bahwa tidak ada perbedaan yang signifikan
antara nilai rata-rata dari dua set data (James, 1999). Uji t memberikan
jawaban ya atau tidak terhadap pembenaran dari hipotesis nol dengan
keyakinan yang pasti, seperti 95% atau bahkan 99%.Nilai kritik untuk t
didapat dari tabel pada derajat bebas yang tepat.Jika nilai t hitung lebih
besar dari nilai t tabel maka hipotesis nol dapat ditolak yang berarti
terdapat perbedaan yang signifikan antara dua metode.
Uji F atau uji rasio-varian digunakan untuk membandingkan antara
dua standar deviasi, yang berarti membandingkan pula ketelitian antara
dua metode.Asumsi dasar atau hipotesis nol dari uji ini adalah bahwa
tidak ada perbedaan yang signifikan antara dua standar deviasi.Hipotesis
nol ditolak jika nilai F hitung lebih besar dari nilai F tabel yang berarti
bahwa terdapat perbedaan yang signifikan antara ketelitian dua metode.
 Anova
Selain uji t dan F juga digunakan uji One Way Anova untuk
menguji apakah rata-rata lebih dari dua sampel berbeda secara signifikan
atau tidak.Hipotesis nol (H0) yaitu rata-rata populasi adalah identik,
sedangkan hipotesis tandingannya (H1) yaitu rata-rata populasi tidak
identik.H0 diterima jika nilai probabilitas > 0.05 dan H0 ditolak jika
probabilitas < 0.05 (Santoso 2000).
 Bahan Acuan
Bahan acuan memainkan peranan penting untuk mengeahui akurasi
dalam melakukan validasi atau verifkasi.Bahan acuan disini dapat
diartikan sebaga bahan atau zat yang memiliki sifat-sifat tertentu yang
cukup homogen dan stabil yang telah ditetapkan untuk dapat digunakan
dalam pengukuran atau dalam pengujian suatu contoh.Bahan acuan
dapat digunakan untuk mengontrol presisi pengukuran walaupun bahan
acuan tidak memiliki nilai acuan (assigned value), sedangkan untuk
kalibrasi atau untuk mengontrol kebenaran pengukuran hanya bahan
acauan yang memiliki nilai acuan yang dapat digunakan (Dara,
2010).Kalibrasi dan pengontrolan analisis sangat penting, karena
menyangkut kehandalan hasil pengujian.Untuk pengambilan keputusan
yang krusial diperlukan hasil pengujian yang dapat dipercaya (Nuryatini
2010).
Bahan acuan dapat dibagi menjadi dua yaitu Certified Reference
Material (CRM) dan Standard Reference Material (SRM). CRM dapat
ditelusur hingga standar internasional dengan ketidakpastian yang telah
diketahui dan oleh karena itu dapat digunakan untuk mengukur semua
aspek bias secara bersamaan, dengan asumsi bahwa tidak ada
ketidaksesuaian matriks. Perlu dipastikan bahwa nilai ketidakpastian
yang dimiliki cukup kecil sehingga dapat mendeteksi bias pada kisaran
tertentu. Tetapi jika nilainya tidak cukup kecil, penggunaan CRM masih
dianjurkan, tetapi dengan disertai dengan pengujian tambahan.Jika
diperlukan dan dapat dilakukan, sejumlah CRM yang sesuai dengan
matriks dan konsentrasi analit sebaiknya diujikan.
SRM dapat digunakan jika tidak ada CRM.SRM adalah material
yang telah dikarakterisasi dengan baik untuk tujuan validasi. Hal yang
perlu diperhatikan adalah jika nilai bias tidak signifikan, hal ini bukan
berarti merupakan bukti bahwa tidak adanya bias sama sekali. Akan
tetap jika terdapat bias yang signifikan, hal ini menandakan perlunya
investigasi lebih lanjut. SRM dapat berupa material yang telah
dikarakterisasi oleh produsen CRM tetapi tidak dilengkapi dokumen
mengenai nilai ketidakpastiannya atau material yang telah terkualifikasi
oleh sebuah manufakturer; materials yang dikarakterisasi dalam
laboratorium sebagai reference material, dan material yang
didistribusikan dalamproficiency test. Meskipun ketertelusuran dari
material tersebut dipertanyakan, jauh lebih baik untuk menggunakan
material tersebut dibandingkan tidak melakukan pengukuran terhadap
bias sama sekali. Material dapat digunakan dengan cara yang sama
seperti CRM, sekalipun tidak ada nilai ketidakpastian yang tercantum,
 seluruh pengujian yang signifikan bergantung seluruhnya pada presisi
yang dapat diamati dari hasil (Thompson, 2002).

2.10 Uji Validasi

Validitas berasal dari kata validity yang mempunyai arti sejauh mana
ketepatan dan kecermatan suatu alat ukur dalam melakukam fungsi
ukurannya (Azwar 1986).Selain itu validitas adalah suatu ukuran yang
menunjukkan bahwa variabel yang diukur memang benar-benar variabel
yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef,
2006).Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas
berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur.
Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian
terhadap isi sebenarnya yang diukur. Uji validitas adalah uji yang digunakan
untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu
mengukur apa yang diukur. Ghozali (2009) menyatakan bahwa uji validitas
digunakan untuk mengukur sah, atau valid tidaknya suatu kuesioner. Suatu
kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes tersebut
menjalankan fungsi ukurnya, atau memberikan hasil ukur yang tepat dan
akurat sesuai dengan maksud dikenakannya tes tersebut. Suatu tes
menghasilkan data yang tidak relevan dengan tujuan diadakannya
pengukuran dikatakan sebagai tes yang memiliki validitas rendah.Sisi lain
dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat
ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga
memiliki kecermatan tinggi.Arti kecermatan disini adalah dapat mendeteksi
perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu
validitas faktor dan validitas item. Validitas faktor diukur bila item yang
disusun menggunakan lebih dari satu faktor (antara faktor satu dengan yang
lain ada kesamaan). Pengukuran validitas faktor ini dengan cara
mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor)
dengan skor total faktor (total keseluruhan faktor).Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor
total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item
dengan skor total item. Bila kita menggunakan lebih dari satu faktor berarti
pengujian validitas item dengan cara mengkorelasikan antara skor item
dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item
dengan skor total faktor (penjumlahan dari beberapa faktor).
Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang
digunakan untuk mengukur tingkat validitas suatu item dan untuk
menentukan apakah suatu item layak digunakan atau tidak. Dalam
penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya
dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05,
artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor
total.Untuk melakukan uji validitas ini menggunakan program
SPSS. Teknik pengujian yang sering digunakan para peneliti untuk uji
validitas adalah menggunakan korelasi Bivariate Pearson(Produk Momen
Pearson). Analisis ini dengan cara mengkorelasikan masing-masing skor
item dengan skor total. Skor total adalah penjumlahan dari keseluruhan
item. Item-item pertanyaan yang berkorelasi signifikan dengan skor total
menunjukkan item-item tersebut mampu memberikan dukungan dalam
mengungkap apa yang ingin diungkap à Valid. Jika r hitung ≥ r tabel (uji 2
sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan berkorelasi
signifikan terhadap skor total (dinyatakan valid).