BAB II

LANDASAN TEORI

2.1 Time Series and Forecasting

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).

Menurut Makridakis (1999), peramalan adalah memperkirakan keadaan dimasa yang

akan datang melalui pengujian keadaan dimasa lalu. Dalam kehidupan sosial segala
sesuatu itu serba tidak pasti dan sukar diperkirakan secara tepat, sehingga diperlukan
peramalan. Peramalan yang dibuat selalu diupayakan agar dapat meminimumkan
pengaruh ketiadakpastian ini terhadap sebuah masalah. Dengan kata lain peramalan
bertujuan mendapatkan peramalan yang bisa meminimumkan kesalahan meramal
(forecast error) yang biasanya diukur dengan mean square error, mean absoulute errror,
dan sebagainya (Andini dan Auristandi, 2016).

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).

2.1.1 Penentuan Pola Data

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).

2.1.2 Metode Peramalan

Berikut ini memperlihatkan empat dasar metode peramalan, yaitu analisis runtun waktu
(time series), indikator ekonomi, model ekonometri, dan pengumpulan pendapat seperti
pada Gambar 2.1 (Sahara, 2013).

Gambar 2.1 Dasae Metode Peramalan

2.1.3 Exponent Smoothing

Menurut Uci Supriana (2010), metode exponential smoothing merupakan

pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan
dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru.
Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Dua metode
dalam exponential smoothing diantaranya single exponential smoothing dan double
exponential smoothing (Sahara, 2010).
1. Single exponential smoothing
Metode ini adalah pengembangan dari metode moving average (MA) menggunakan
rumus sebagai berikut.

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

Keterangan : Ft+1 : Ramalan untuk periode ke t + 1

XT : Nilai riil periode ke t
 T : Jangka waktu rata – rata bergerak

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 :

Ft+1 = ................................................................................................. (2.2)

Keteranagn : Ft+1 = Ramalan untuk periode ke t+1

Xt = Nilai riil periode ke t
Ft = Ramalan untuk periode ke t

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. Double exponential smoothing

Dasar pemikiran dari metode exponential smoothing tunggal maupun ganda adalah
bahwa nilai pemulusan akan terdapat pada waktu sebelum data sebenarnya apabila
pada data tersebut terdapat komponen trend. Oleh karena itu untuk nilai-nilai
pemulusan tunggal perlu ditambahkan nilai pemulusan ganda untuk menyesuaikan
trend. Metode exponential smoothing ganda yang dapat digunakan untuk
menyelesaikan trend linier adalah metode dua parameter dari Holt. Pada metode Holt
nilai trend tidak dimuluskan dengan pemulusan ganda secara langsung, tetapi proses
pemulusan trend dilakukan dengan menggunakan parameter yang berbeda dengan
parameter yang digunakan pada pemulusan data asli. Metode Double Exponential
 Smoothing digunakan ketika data menunjukkan adanya trend. Rumus Double
Exponential Smoothing sebagai berikut.

...................................................................(2.3)

......................................................................(2.4)

..................................................................................(2.5)

Dimana : St = Nilai pemulusan tunggal

Xt = Data sebenarnya pada waktu ke-t
Tt = Pemulusan trend
F(t+m) = Nilai ramalan
m = Periode masa mendatang
α , β = Konstanta dengan nilai antara 0 dan 1

2.1.4 Adaptive Exponential Smoothing

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).

2.1.5 Ukuran Ketepatan Peramalan

Menurut Bowerman dan O’Connell (1987), dalam semua situasi peramalan

mengandung derajat ketidakpastian. Kita mengenali fakta ini dengan memasukkan
unsur kesalahan (error) dalam perumusan sebuah peramalan deret waktu. Sumber
penyimpangan dalam peramalan bukan hanya disebabkan oleh unsur error , tetapi
ketidakmampuan suatu model peramalan mengenali unsur yang lain dalam deret data
juga mempengaruhi besarnya penyimpangan dalam peramalan. Jadi besarnya
penyimpangan hasil peramalan bisa disebabkan oleh besarnya faktor yang tidak diduga
(outliers) dimana tidak ada metode peramalan yang mampu menghasilkan peramalan
yang akurat, atau bisa juga disebabkan metode peramalan yang digunakan tidak dapat
memprediksi dengan tepat komponen trend, komponen musiman, atau komponen siklus
yang mungkin terdapat dalam deret data, yang berarti metode yang digunakan tidak
tepat. Ada pula ukuran-ukuran ketepatan lain yang sering digunakan untuk mengetahui
ketepatan suatu metode peramalan dalam memodelkan data deret waktu, yaitu nilai
MAPE (Mean Absolute Percentage Error), MSD (MeanN Squared Deviation), dan
MAD (Mean Absolute Deviation) (Sungkawa dan Megasari,2011).