LANDASAN TEORI
Menurut Yamit Zulian (2003), peramalan (forecasting) merupakan alat bantu yang
penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi.
Dalam organisasi moderen mengetahui keadaan yang akan datang tidak saja
penting untuk melihat yang baik atau buruk tetapi juga bertujuan untuk melakukan
persiapan peramalan..Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian
yang tidak pasti dimasa yang akan datang. Ketepatan secara mutlak dalam memprediksi
peristiwa dan tingkat kegiatan yang akan datang adalah tidak mungkin dicapai, oleh
karena itu ketika perusahaan tidak dapat melihat kejadian yang akan datang secara pasti,
diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki kekuatan untuk
menarik kesimpulan terhadap kejadian yang akan dating (Sahara, 2013).
Data deret waktu (time series) adalah data yang dikumpulkan dari waktu ke waktu
untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke
waktu. Analisis deret waktu memungkinkan untuk mengetahui perkembangan suatu
atau beberapa kejadian serta hubungan dengan kejadian lainnya. Metode deret waktu
(time series) merupakan peramalan kuantitatif yang didasarkan atas penggunaan analisa
pola hubungan antara variabel yang akan dicari (dependent) dengan variabel yang
mempengaruhinya (independent), yang dikaitkan dengan waktu seperti mingguan,
bulan, triwulan, catur wulan, semester atau tahun. Tujuan metode ini adalah menemukan
pola deret historis dan mengekstrapolasikan pola tersebut ke masa depan sehingga
hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang. Contoh
dari model deret berkala antara lain metode exponential smoothing dan metode ARIMA.
(Purba, 2015).
Menurut Makridakis (1999), ada beberapa pola data yang harus diperhatikan untuk
peramalan,yaitu :
1. Pola Data Horizontal
Pola ini terjadi jika terdapat data yang berfluktuasi disekitar nilai rata-rata yang
konstan. Suatu produk yang suatu produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu termasuk jenis pola ini. Pola khas dari data
horizontal atau stasioner.
2. Pola Data Musiman
Pola data ini terjadi jika terdapat suatu deret data yang dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada mingu
tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar
pemanas ruang semuanya menunjukan mjenis pola ini.
3. Pola Data Siklis
Pola data ini terjadi jika terdapat data yang dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh : penjualan
produk seperti mobil, baja, dan peralatan utama lainya.
4. Pola Data Trend
Pola data trend terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang
dalam data. Contoh : penjualan banyak perusahaan, GNP dan berbagai indikator
bisnis atau ekonomi lainnya (Andini dan Auristandi, 2016).
Metode moving average memang mudah menghitungnya akan tetapi metode ini
memberikan bobot yang sama pada setiap data. Untuk mengatasi hal ini maka
digunakan metode single exponential smoothing. Pada metode single exponential
smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data
yang terbaru, α(1-α) untuk data yang lama, α(1-α)2 untuk data yang lebih lama, dan
seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data
terbaru lebih diperhatikan. Secara matematis besarnya peramalan adalah :
Dengan demikian dapat dikatakan bahwa peramalan pada periode yang akan datang
adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan
periode sebelumnya. Dalam melakukan peramalan dengan menggunakan metode
single exponential smoothing (SES), besarnya α (alpha) ditentukan secara trial dan
error sampai ditemukan α (alpha) yang menghasilkan forecast error terkecil. Metode
ini lebih cocok digunakan untuk meramal data-data yang fluktuatif secara random
(tidak teratur) (Sahara,2013).
...................................................................(2.3)
......................................................................(2.4)
..................................................................................(2.5)
Menurut Makridakis (1999), single exponetial smoothing dengan tingkat respon yang
adaptif memiliki kelebihan yang nyata dalam hal nilai α yang dapat berubah-ubah sesuai
dengan perubahan dalam pola datanya. Karakteristik adaptive exponential smoothing ini
nampaknya menarik jika terdapat beberapa ratus atau ribuan data yang perlu
diramalkan. Adaptive exponential smoothing bersifat adaptive karena nilai α dapat
berubah secara otomatis bilamana terdapat perubahan pola datanya (Raihan, dkk, 2016).