BAB II

LANDASAN TEORI
2.1 Peramalan
Peramalan adalah data di masa lalu yang digunakan untuk keperluan
estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian
terpenting bagi setiap perusahaan ataupun organisasi bisnis dalam setiap
pengambilan keputusan manajemen. Peramalan itu sendiri bisa menjadi dasar bagi
perencanaan jangka pendek, menengah maupun jangka panjang suatu perusahaan.
Peramalan berasal dari kata ramalan yang artinya adalah suatu situasi
atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang.
Sedangkan peramalan adalah bentuk kegiatannya. Ramalan tersebut dapat
didasarkan atas bermacam-macam cara yaitu metode single exponential
smoothing, metode double exponential smoothing dan metode triple exponential
smoothing. Semua itu dikenal dengan metode peramalan. 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 (Makridakis, 1999).
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 bersifat objektif. Di samping
itu metode peramalan memberikan urutan pengerjaan dan pemecahan atas
pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan
yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan, akan dapat
dasar pemikiran dan pemecahan yang sama.
Baik tidaknya suatu peramalan yang disusun selain ditentukan oleh
metode yang digunakan, juga ditentukan oleh baik tidaknya informasi yang
digunakan. Selama informasi yang digunakan tidak dapat menyakinkan untuk
mendapat hasil yang bagus, hasil peramalan yang disusun juga akan sukar
dipercaya ketepatannya. Keberhasilan dari suatu peramalan sangat ditentukan
oleh:
a. Pengetahuan teknik tentang pengumpulan informasi (data) masa lalu,
dapat ataupun informasi tersebut bersifat kuantitatif.
b. Teknik dan metode yang tepat dan sesuai dengan pola data yang
dikumpulkan.
Gambaran perkembangan pada masa lalu yang akan datang diperoleh
dari hasil analisa data yang didapat dari penelitian yang dilakukan. Perkembangan
pada masa depan merupakan perkiraan apa yang akan terjadi, sehingga dapat
dikatan bahwa peramalan selalu diperlukan dalam penelitian. Ketepatan penelitian
merupakan hal yang penting, walaupun demikian perlu diketahui bahwa sesuatu
ramalan selalu ada unsur kesalahannya, sehingga yang perlu diperhatikan adalah
usaha untuk memperkecil kesalahan dari ramalan tersebut.
Kegunaan peramalan terlihat pada saat pengambilan keputusan-
keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas
pertimbangan-pertimbangan yang akan terjadi pada waktu keputusan itu
dilaksanakan.
Jangka waktu ke depan (time horizon) merupakan faktor yang paling
penting yang harus diperhatikan dalam pemilihan teknik peramalan. Untuk
peramalan jangka pendek dan jangka menengah, beberapa teknik tersebut yang
kurang tepat untuk diterapkan.
Perusahaan dapat melakukan peramalan dengan berpaling pada para
pakar. Pakar dalam konteks ini ialah perwakilan penjualan (dealer), distributor,
pemasok, konsultan pemasaran dan kelompok dagang. Perusahaan menanyai para
dealernya tentang peramalan jangka pendek mereka secara periodik. Perkiraan
para perwakilan penjualan lebih memiliki kekurangan dan kelebihan yang sama
dengan perkiraan para salesman.
Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian yang
tidak pasti dimasa yang akan datang. Peramalan merupakan prediksi nilai-nilai
sebuah variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut
atau variabel yang berhubungan. Banyak juga perusahaan yang membeli
peramalan ekonomi dan industri dari perusahaanperusahaan peramalan ekonomi
terkemuka. Spesialis peramalan ini memilikiposisi yang ebih baik di bandingkan
perusahaan itu sendiri karena mereka memiliki data yang lebih banyak dan ahli
peramalan secara khusus. Selain itu biasanya perusahaan tersebut juga
menugaskan satu kelompok khusus untuk membuat ramalan tertentu.
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan
data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu
bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat
subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Setelah mengenai beberapa teknik peramalan di bab ini, Anda akan
melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yang
berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin
bisa menjadi bencana bagi organisasi lain, atau bahkan pada departemen yang
berbeda di perusahaan yang sama. Sebagai tambahan, Anda akan melihat
keterbatasan dari apa yang dapat diharapkan dari'suatu peramalan. Sangat jarang
peramalan memberikan hasil yang sempurna. Peramalan juga menghabiskan
banyak biaya dan waktu untuk persiapan dan pengawasan.
Forecasting adalah memprediksikan dari beberapa peristiwa atau banyak
peristiwa yang akan datang. Sepertinya yang dikatakan oleh Neils Bohr yang
dikutip oleh Montogmery, Jennings, dan Kulhaci (2015), membuat prediksi yang
bagus tidak selalu mudah. Dalam bidang bisnis, forecasting termasuk hal penting
yang dapat mempengaruhi pengambilan keputusan. Forecasting dapat menjadi
dasar dalam perencanaan jangka panjang pada proses bisnis. Misalkan pada
bagian keuangan, dengan adanya forecasting bagian keuangan dapat
merencanakan biaya yang harus dikeluarkan untuk masa yang akan datang. Pada
bidang pemasaran, Forecasting biasanya diklasifikasikan menjadi forecasting
jangka pendek, jangaka menengah, dan jangka panjang. Forecasting jangka
pendek memprediksi dengan menggunakan periode waktu (harian, mingguan,
bulanan) ke masa depan. Forecasting jangka menengah, menggunakan waktu dari
satu tahun sampai dua tahun ke masa depan dan forecasting jangka panjang dari
beberapa tahun. Kebanyakan forecasting menggunakan metode deret waktu atau
time series yang menggunakan data masa lalu (history) berdasarkan
kecendurungan datanya dan memprediksikan data tersebut untuk masa dating.
Peramalan (forecasting) merupakan prediksi nilai-nilai sebuah peubah
kepada nilai yang diketahui dari peubah tersebut atau peubah yang berhubungan.
Meramal juga dapat didasarkan pada keahlian penilaian, yang pada gilirannya
didasarkan pada data historis dan pengalaman (Makridakis et al. 1999). Peramalan
juga merupakan perkiraan terbaik untuk menentukan arah, volume dan harga pasar
yang diperlukan untuk mengambil keputusan pada bisnis apapun (Zylstra, 2005).
Menurut Heizer et al. (2001) forecasting atau peramalan adalah seni dan ilmu
dalam memprediksi peristiwa-peristiwa masa depan. Kegiatan ini meliputi
pengambilan data historis dan memproyeksikan data tersebut ke masa depan
dengan menggunakan beberapa model matematika. Peramalan dibutuhkan karena
semua organisasi beroperasi dalam lingkungan yang tidak jelas tetapi keputusan
yang dibuat hari ini akan mempengaruhi masa depan organisasi. Peramalan yang
efektif sangat dibutuhkan untuk mencapai tujuan strategis dan operasional dari
semua organisasi.Untuk perusahaan, peramalan mengendalikan sistem kendali
informasi pemasaran, keuangan, dan produksi. Untuk sektor publik, peramalan
merupakan bagian yang tidak terpisahkan dari perancangan kebijakan dan
program, baik dalam bidang kesehatan masyarakat dan pendidikan (Charles,
2007).

Menurut Heizer dan Render (2006) peramalan (forecasting) adalah seni

dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan
dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa
yang akan dating dengan suatu bentuk model matematis. Bisa juga merupakan
prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan
kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari
seorang manajer.
Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih
bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan
ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara
logis yang dihasilkan dari kejadian-kejadian masa lalu. Penggunaan teknik
peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna
mengembangkan model yang sesuai dengan pola data itu dengan menggunakan
asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang
akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan
untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan.
Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana
pendapat pribadi (judgement) manajemen yang harus diambil. Tujuan ini
mengarah kepada dua aturan utama yang harus diperhatikan pada proses
peramalan:
1. Peramalan harus secara teknik benar dan menghasilkan peramalan
cukup akurat dalam memenuhi kebutuhan perusahaan.
2. Prosedur peramalan dan hasilnya harus secara efektif disajikan
kepada manajemen sehingga peramalan dapat dipakai dalam proses
pengambilan keputusan demi keuntungan perusahaan dan hasilnya
juga harus dijustifikasi berbasis biaya manfaat.
Pertimbangan yang terakhir seringkali disalah-artikan dan dapat
membuat frustasi forecaster (peramal) professional. Namun jika ramalan akan
digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai
wewenang harus memanfaatkannya.
Makridarkis, et al (1999), menyatakan bahwa terdapat beberapa faktor
penting yang harus dipertimbangkan dalam peramalan mencangkup:
1. Jarak ke masa depan yang harus diramal.
2. Tenggang waktu yang tersedia untuk mengambil keputusan.
3. Tingkat akurasi yang diperlukan.
4. Kualitas data yang tersedia untuk analisis.
5. Sifat hubungan yang tercangkup dalam masalah peramalan.
6. Biaya dan keuntungan yang berkaitan dengan masalah peramalan.

2.1.1 Tahapan Peramalan

Menurut Hanke et, al. (2003), semua prosedur formal peramalan
melibatkan penarikan pengalaman masa lalu kedalam ketidak-pastian masa depan.
Jadi, semua prosedur menggunakan asumsi bahwa kondisi dimana hasil dari data
masa lalu tidak berbeda dengan kondisi masa depan, kecuali pada variabel-
variabel yang secara eksplisit dikenali oleh model peramalan.
Pengenalan terhadap operasi teknik peramalan pada data menghasilkan
kejadian historis mengarah ke identifikasi lima tahapan proses peramalan sebagai
berikut:
1. Pengumpulan data.
2. Pemadatan atau pengurangan data.
3. Penyusunan model dan evaluasi.
4. Ekstrapolasi model (peramalan aktual).
5. Evaluasi peramalan.
Tahap 1, pengumpulan data, menyarankan pentingnya perolehan data
yang sesuai dan meyakinkan peramalannya. Tahap ini sering kali merupakan
bagian paling menantang dari keseluruhan proses peramalan dan paling sulit
untuk dimonitor karena serangkaian tahapan dapat dilakukan pada data dalam
menentukan kesesuaiannya dengan masalah. Koleksi dan masalah pengendalian
mutu biasanya dipenuhi kalau diperlukan untuk mendapatkan data terkait didalam
suatu organisasi.
Tahap 2, pemadatan dan pengurangan data, seringkali diperlukan karena
mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya
terlalu sedikit. Beberapa data mungkin tidak relevan dengan masalah dan dapat
mengurangi keakuratan peramalan.
Tahap 3, penyusunan dan evaluasi model, meliputi pencocokan data
terkumpul kedalam model yang sesuai dalam hal meminimasi kesalahan
peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal
diterimanya proses peramalan oleh manajer yang harus membuat keputusan
perusahaan. Seringkali harus diseimbangkan antara pendekatan peramalan
canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang
lebih mudah dipahami serta mendapatkan dukungan dan tentunya secara aktif
digunakan oleh pengambil keputusan perusahaan. Jelasnya, pendapat pribadi
dilibatkan dalam proses pemilihan.
Tahap 4, ekstrapolasi model (peramalan aktual), terdiri dari model
peramalan aktual yang dihasilkan begitu data yang sesuai telah terkumpul dan
kemungkinan dikurangi dan model peramalan yang sesuai juga sudah dipilih.
Seringkali peramalan untuk periode yang baru lewat dibandingkan dengan nilai
historis aktual telah diketahui digunakan untuk memeriksa keakuratan proses
peramalan.
Tahap 5, evaluasi peramalan, melibatkan membandingkan nilai peramalan
dengan nilai historis aktual. Dalam proses ini beberapa nilai data terkini kemudian
diambilkan dari himpunan data yang sedang dianalisa. Setelah model peramalan
selesai, peramalan dilakukan untuk beberapa periode tersebut dan dibandingkan
dengan nilai-nilai historis yang diketahui. Beberapa prosedur peramalan
menjumlahkan nilai absolut dari kesalahan dan hasil penjumlahannya dilaporkan,
atau dibagi dengan jumlah perlakuan peramalan sehingga menghasilkan rata-rata
kesalahan peramalan.

2.1.2 Pendekatan Dalam Peramalan

Menurut Heizer dan Render (2006), terdapat pendekatan umum
peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif
(quantitative forecast) menggunakan model matematis yang beragam dengan data
masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan
subjektif atau kualitatif (qualitative forecast) menggabungkan faktor seperti
intuisi, emosi, pengalaman pribadi dan sistem nilai pengambil keputusan untuk
meramal.

2.1.3 Jenis-jenis Peramalan

Jenis-jenis peramalan menurut Assauri (1984), apabila dilihat dari sifat
penyusunannya dapat dibedakan atas dua macam:
a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas
perasaan atau intuisi dari orang yang menyusunnya.
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas
data yang relevan pada masa lalu, dengan menggunakan teknikteknik
dan metode-metode dalam penganalisaan data tersebut.
 Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan
dapat dibedakan atas tiga macam:
a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari tiga tahun
atau lebih.
b. Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya mencakup hitungan
bulanan hingga tiga tahun.
c. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
tahun tetapi umumnya kurang dari tiga periode.
Metode peramalan kuantitatif dibagi ke dalam dua kategori, yaitu:
a. Metode peramalan yang didasarkan atas penggunaan analisis pola
hubungan antara variabel yang akan diperkirakan dengan variabel
waktu disebut metode deret waktu atau time series, seperti dengan
menggunakan pendekatan naif, rata-rata bergerak, penghalusan
eksponensial dan proyeksi tren.
b. Metode peramalan yang didasarkan atas penggunaan analisis pola
hubungan antara variabel yang akan digunakan dengan variabel lain
yang mempengaruhinya, yang bukan waktu, disebut metode korelasi
atau sebab akibat causal methods (Assauri, 1984), seperti dengan
menggunakan regresi linear.

2.1.4 Peramalan Time Series (Runtut Waktu)

Peramalan time series (runtut waktu) menggunakan data runtut waktu
yaitu data yang dikumpulkan dari suatu waktu ke waktu berikutnya selama jangka
waktu tertentu, seperti jam, hari, minggu, periode, tahun dan lainnya. Data yang
diperlukan untuk peramalan time series adalah nilai masa lalu dari suatu produk
dianalisis pola data tersebut apakah berpola trend, musiman, atau siklus.
Meramalkan berdasarkan data time series berarti nilai masa depan yang
diperkirakan hanya dari nilai masa lalu dan bahwa peubah lain diabaikan,
walaupun peubah-peubah lain tersebut mungkin sangat bermanfaat pada analisis.
 Data deret waktu dapat dibedakan menjadi data deret waktu yang bersifat
stasioner dan tidak stasioner. Data stasioner memiliki nilai ratarata dan variansi
yang relatif konstan dari waktu ke waktu, sedangkan data yang tidak stasioner
relatif bervariansi dari waktu ke waktu (Aritonang, 2002). Data time series dapat
juga dibedakan menjadi empat komponen, yaitu trend, musim, siklus dan variasi
acak atau random variation.

2.2 Pola Diagram Pencar

Ada beberapa bola data yang harus diperhatikan untuk peramalan, yaitu:
a. Pola Data Horizontal Pola ini terjadi jika terdapat data yang
berfluktuasi disekitar nilai rata-rata yang konstan. (Makridakis,
1999) 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, seperti pada
Gambar 1:

Gambar 2.1 Pola Horizontal

b. 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. Terlihat pada Gambar
2:

Gambar 2.2 Pola Musiman

c. Pola Data Siklus 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. Jenis pola ini dapat dilihat
pada Gambar 3:

Gambar 2.3 Pola Siklus

d. 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. Jenis pola ini dapat dilihat pada Gambar 4:

Gambar 2.4 Pola Trend

2.3 Metode-metode Dalam Peramalan

Dalam melakukan peramalan terdapat berbagai cara. Apabila dilihat
berdasarkan sifat-sifat peramalan, maka peramalan dibedakan atas dua macam
(Makridakis et al. 1999):
2.3.1 Metode Kuantitatif
Peramalan kuantitatif menggunakan model matematik yang beragam
dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan.
Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu
data dan pemilihan metode yang cocok akan menentukan kualitas hasil
peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi
(Makridarkis, et al. dalam Wisastri, 2006) berikut:
a. Terdapat informasi masa lalu.
b. Informasi tersebut bias dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa
mendatang.
 Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode
peramalan kuantitatif, sedangkan asumsi ketiga merupakan syarat kecukupan,
artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih dapat
digunakan. Hanya hal ini akan memberikan kesalahan peramalan yang relatif
besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi
secara sistematis.
Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi
dua bagian, yaitu metode deret waktu (time series), yaitu model yang membuat
prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan
menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret
waktu peramal hanya berusaha mencari pola-pola dari data suatu data, tanpa
berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola
data masa lalu tidak sama lagi dengan masa depan, karena faktor-faktor yang
mempengaruhinya sudah berubah. Metode peramalan kedua adalah metode
peramalan asosiatif atau metode peramalan kausal (metode peramalan
eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor
yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas)
terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif
juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab
akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2006).
Model kuantitatif intrinsik sering disebut sebagai model-model deret
waktu (Time Series model). Model deret waktu yang populer dan umum
diterapkan dalam peramalan permintaan adalah rata-rata bergerak (Moving
Averages), pemulusan eksponensial (Exponential Smoothing), dan proyeksi
kecenderungan (Trend Projection). Model kuantitatif ekstrinsik sering disebut
juga sebagai model kausal, dan yang umum digunakan adalah model regresi
(Regression Causal model) (Gaspersz, 1998).
Yaitu metode yang menggunakan model matematis yang beragam
dengan berdasarkan data masa lalu untuk meramalkan permintaan di masa yang
akan datang. Menurut Santoso (2009) peramalan kuantitatif memiliki dua jenis
data, yaitu:
 1. Data time series adalah data yang ditampilkan berdasarkan waktu,
seperti data bulanan, data harian, data mingguan atau jenis waktu
lainnya.
2. Data cross section adalah data yang tidak berdasarkan waktu
tertentu, namun data pada satu (titik) waktu tertentu.
Tipe data time series menurut Arsyad (2011) terbagi atas beberapa jenis,
antara lain:
1. Siklus Pola siklus adalah suatu seri perubahan naik atau turun,
sehingga pola siklus ini berubah dan bervariasi dari satu siklus ke
siklus berikutnya. Pola siklus dan pola tak beraturan didapatkan
dengan menghilangkan pola kecenderungan dan pola musiman jika
data yang digunakan berbentuk mingguan, bulanan, atau kuartalan.
Jika data yang digunakan adalah data tahunan maka yang
harus dihilangkan adalah pola kecenderungan saja.
2. Random Pola yang acak yang tidak teratur, sehingga tidak dapat
digambarkan. Pola acak ini disebabkan oleh peristiwa yang tak
terduga seperti perang, bencana alam, kerusuhan, dan lain-lain.
Karena bentuknya tak beraturan atau tidak selalu terjadi dan tidak
bisa diramalkan maka pola variasi acak ini dalam analisanya diwakili
dengan indeks 100% atau sama dengan 1.
3. Trend atau kecenderungan adalah komponen jangka
panjang mempunyai kecenderungan tertentu dalam pola data,
baik yang arahnya meningkat ataupun menurun dari waktu ke
waktu, sehingga pola kecenderungan dalam jangka panjang jarang
sekali menunjukkan suatu pola yang konstan. Teknik yang sering
digunakan untuk mendapatkan trend suatu data deret waktu
adalah rata-rata bergerak linier, pemulusan eksponensial, model
Gompertz, dimana teknik-teknik tersebut hanya menggunakan data
masa lalu untuk mendapatkan pola kecenderungannya dan tidak
memperhitungkan faktorfaktor lain yang mempengaruhi permintaan
produk.
 4. Musiman Pola musiman menunjukkan suatu gerakan yang berulang
dari satu periode ke periode berikutnya secara teratur. Pola musiman
ini dapat ditunjukkan oleh data-data yang dikelompokkan secara
mingguan, bulanan, atau kuartalan, tetapi untuk data yang berbentuk
data tahunan tidak terdapat pola musimannya. Pola musiman ini
harus dihitung setiap minggu, bulan, atau kuartalan tergantung pada
data yang digunakan untuk setiap tahunnya, dan pola musiman ini
dinyatakan dalam bentuk angka. Teknik yang digunakan untuk
menentukan nilai pola musiman adalah metode rata-rata
bergerak, pemulusan eksponensial dari Winter, dekomposisi klasik.
Teknik peramalan time series terdiri atas:
1. Moving average.
2. Exponential smoothing.
3. Regresi.
Metode peramalan secara kuantitatif menurut Heizer et al. (2009)
meliputi:
a. Metode Moving Average (MA) Model rata-rata bergerak
menggunakan sejumlah data aktual permintaan yang baru untuk
membangkitkan nilai ramalan untuk permintaan di masa yang
akan datang. Metode rata-rata bergerak akan efektif diterapkan
apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap
produk akan tetap stabil sepanjang waktu.

Keterangan:
Ft = Peramalan permintaan periode t
n = Jumlah periode moving average
t = Periode terbaru
b. Metode Exponential Smoothing (ES) Metode peramalan dengan
pemulusan eksponensial biasanya digunakan untuk pola data yang
tidak stabil atau perubahannya besar dan bergejolak. Metode
permalan ini bekerja hampir serupa dengan alat thermostat. Apabila
 galat ramalan (forecast error) adalah positif, yang berarti nilai aktual
permintaan lebih tinggi daripada nilai ramalan (A– F>0), maka
model pemulusan eksponensial akan secara otomatis meningkatkan
nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error)
adalah negatif, yang berarti nilai aktual permintaan lebih rendah
daripada nilai ramalan (A – F < 0), maka metode pemulusan
eksponensial akan secara otomatis menurunkan nilai ramalan.

Keterangan:
Ft = Peramalan permintaan periode t
α = Konstanta pemulusan (0 ≤ α ≤ 1)
Ft-1 = Peramalan permintaan satu periode yang lalu (t – 1)
At-1 = Permintaan aktual satu periode yang lalu (t – 1)
c. Metode Winter Metode winter’s merupakan suatu pendekatan
pemulusan eksponensial (eksponensial smoothing) yang dapat
menangani data musiman. Pendekatan dari metode tersebut adalah
anggapan terhadap data yang memiliki trend linear dan variasi
sehingga dalam penerapan metode winter’s memerlukan tiga
parameter untuk memuluskan unsurunsur yang berkaitan dengan
pola data, yaitu unsur stasioner, unsur trend (kecendrungan), dan
unsur musiman.

Keterangan:
St = Nilai pemulusan peramalan untuk periode t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
 Ŷt+m = Peramalan untuk m periode ke depan dari t
m = Jumlah periode yang akan di-forecast ke depan
α = Parameter penghalusan untuk data (0 < α < 1)
β = Parameter penghalusan untuk trend (0 < β < 1)
γ = Parameter penghalusan untuk seasonal (0 < γ < 1)
L = Panjang seasonal
2.3.2 Metode Kualitatif
Peramalan kuantitatif menggunakan model matematik yang beragam
dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan.
Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu
data dan pemilihan metode yang cocok akan menentukan kualitas hasil
peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi
(Makridarkis, et al. dalam Wisastri, 2006) berikut:
a. Terdapat informasi masa lalu.
b. Informasi tersebut bias dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa
mendatang.
Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode
peramalan kuantitatif, sedangkan asumsi ketiga merupakan syarat kecukupan,
artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih dapat
digunakan. Hanya hal ini akan memberikan kesalahan peramalan yang relatif
besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi
secara sistematis. Berdasarkan data masa lalu, metode peramalan kuantitatif
dibagi menjadi dua bagian, yaitu metode deret waktu (time series), yaitu model
yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi
masa lalu, dengan menggunakan data masa lalu dapat melakukan peramalan.
Dalam metode deret waktu peramal hanya berusaha mencari pola-pola
dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya
demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan,
karena faktor-faktor yang mempengaruhinya sudah berubah. Metode peramalan
kedua adalah metode peramalan asosiatif atau metode peramalan kausal (metode
peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah
atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah
bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan
kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau
hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan
Render, 2006).
Metode ini digunakan dimana tidak ada model matematik, biasanya
dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang
akan datang (long termforecasting). Peramalan kualitatif menggunakan
pertimbangan pendapat-pendapat para pakar yang ahli atau expert di bidangnya.
Adapun kelebihan dari metode ini adalah biaya yangdikeluarkan sangat murah
(tanpa data) dan cepat diperoleh.
Terdapat empat teknik peramalan yang berbeda:
1. Keputusan dari pendapat juri eksekutif (jury of executive opinion).
Dalam metode ini, pendapat sekumpulan kesil manajer atau pakar
tinggi, sering dikombinasikan dengan model statistic, dikumpulkan
untuk mendapatkan prediksi permintaan kelompok.
2. Metode Delphi (Delphi method). Ada tiga jenis peserta dalam
metode Delphi: pengambil keputusan, karyawan, dan responden.
Pengambilan keputusan biasanya terdiri dari 5 hingga 10 orang pakar
yang akan melakukan peramalan. Karyawan membantu pengambil
keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta
meringkas sejumlah kuesioner dan hasil survey. Responden adalah
sekelompok orang yang biasanya ditempatkan di tempat yang
berbeda, di mana penilaian dilakukan. Kelompok ini memberikan
input pada pengambil keputusan sebelum peramalan dibuat.
3. Gabungan dari tenaga penjualan (sales force composite). Dalam
pendekatan ini, setiap tenaga penjualan memperkirakan berapa
penjualan yang bias ia lakukan dalam wilayahnya. Peramalan ini
kemudian dikaji untuk memastikan apakah peramalan cukup
realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah
dan nasional untuk mendapatkan peramalan secara keseluruhan.
4. Survei pasar konsumen (consumer market survey). Metode ini
meminta input dari konsumen mengenai rencana pembelian mereka
 dimasa depan. Hal ini membantu tidak hanya dalam menyiapkan
peramalan tetapi juga memperbaiki desain produk dan perencanaan
produk baru.
Metode kualitatif adalah metode yang dilakukan berdasarkan pendapat
dari pihak yang melakukan peramalan. Metode kualitatif ditujukan untuk
peramalan terhadap produk baru, pasar baru, perubahan sosial dari masyarakat,
perubahan teknologi, atau penyesuaian terhadap forecast berdasarkan metode
kuantitatif. Beberapa model peramalan produksi yang digolongkan sebagai model
kualitatif adalah:
a. Dugaan Manajemen (Manajemen Estimate)
Dugaan manajemen adalah metode dimana peramalan semata-mata
berdasarkan pertimbangan manajemen. Metode ini akan cocok
dalam situasi yang sangat sensitif terhadap intuisi dari satu kelompok
kecil berdasarkan pengalaman dengan opini yang kritis dan relevan.
Bagaimanapun, metode ini mempunyai banyak keterbatasan
sehingga perlu dikombinasikan dengan metode peramalan yang lain.
b. Riset Pasar (Market Research)
Riset pasar merupakan metode peramalan berdasarkan hasil-hasil
dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk
atau yang mewakilinya. Metode ini tidak hanya akan membantu
peramalan, tetapi juga untuk meningkatkan desain dan perencanaan
produk baru.
c. Metode Kelompok Terstruktur (Structured Group Methods)
Metode kelompok terstruktur merupakan teknik peramalan
berdasarkan pada proses konvergensi dari opini beberapa orang atau
ahli secara iteraktif tanpa menyebutkan identitasnya. Peranan
fasilitator sangat diharapkan untuk memperoleh atau menyimpulkan
hasil-hasil peramalan.
d. Analogi Historis (Historical Analogy)
Analogi historis merupakan teknik peramalan berdasarkan pola data
masa lalu dari produk-produk yang dapat disamakan secara analogi.
 Metode ini cenderung akan menjadi metode terbaik untuk
penggantian produk di pasar.

2.4 Teknik Peramalan

Purwanto (2007) menyatakan untuk memperoleh ramalan yang akurat,
maka diperlukan alat bantu sehingga mendapatkan informasi ramalan yang benar-
benar sahih dan andal. Untuk itu, ada suatu teknik ramalan yang dikelompokkan
pada dua kategori, yaitu peramalan kuantitatif dan peramalan kualitatif. Peramalan
kuantitatif digunakan untuk menerangkan serangkaian kaidah matematis pada
serangkaian data masa lalu untuk meramalkan hasil masa depan. Sedangkan
peramalan kualitatif penggunaannya didasarkan pada pertimbangan individu-
individu yang ahli atau berpengalaman untuk meramalkan hasil di masa depan.
Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode
peramalan (Pinem,2012) yaitu:
1. Horizon Waktu Ada dua aspek dari horizon Waktu yang
berhubungan dengan masing-masing metode peramalan. Pertama
adalah cakupan waktu dimasa yang akan datang, kedua adalah
jumlah periode untuk peramalan yang diinginkan.
2. Pola Data Dasar utama dari metode peramalan adalah anggapan
bahwa macam-macam dari pola yang didapati didalam data yang
diramalkan akan berkelanjutan.
3. Jenis dari Model Model-model merupakan suatu deret dimana waktu
digambarkan sebagai unsur yang penting untuk menentukan
perubahanperubahan dalam pola. Model-model perlu diperhatikan
karena masing-masing model mempunyai kemampuan yang berbeda
dalam analisis keadaan untuk pengambilan keputusan.
4. Biaya Umumnya ada 4 (empat) unsur biaya yang tercakup didalam
penggunaan suatu prosedur peramalan, yaitu biaya-biaya
pengembangan, penyimpanan (Storage) data, operasi pelaksanaan
dan kesempatan dalam penggunaan teknik-teknik lainnya.
5. Ketepatan metode peramalan
Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan
tingkat perincian yang dibutuhkan ddalam suatu peramalan.
 6. Kemudahan dalam penerapan
Metode-metode yang dapat dimengerti dan mudah diaplikasikan
sudah merupakan suatu prinsip umum bagi pengambilan keputusan.
Selain itu ada beberapa teknik peramalan yang dapat digunakan
(Anonim, 2011):
1. Teknik peramalan untuk data stationer
Data stationer merupakan data yang tidak berubah dari waktu ke
waktu dan bersifat stabil untuk nilai rata-ratanya. Seperti situasi yang
berkembang ketika ada peningkatan pola data yang
mempengaruhinya maka teknik ini akan relatif stabil.
2. Teknik peramalan untuk data trend Untuk teknik peramalan data
trend digunakan jika data yang nilai rata-ratanya berubah ubah dari
waktu ke waktu. Seperti dalam daya produksi teknologi yang
meningkat mendorong perubahan gaya hidup misalnya menurunnya
penjualan buku dikarenakan semua bisa di akses melalui internet.
3. Teknik peramalan untuk data musiman
Rangkaian musiman didefinisikan sebelumnya sebagai runtun waktu
dengan pola pergantian yang berulang dari tahun ke tahun. Satu cara
untuk mengembangkan peramalan musiman melibatkan pemilihan
metode dekomposisi perkalianatau pembagian dan kemudian
mengestimasi indeks musiman dari sejarah / histori rangkaian.
Indeks ini kemudiandigunakan untuk memasukkan musiman pada
ramalan atau menghilangkan efek dari nilai yang diobservasi. Proses
terakhir diarahkan sebagai pengaturan data musiman.
4. Teknik peramalan untuk data siklis
Efek siklis didefinisikan sebelumnya sebagai fluktuasi bergelombang
disekitar Trend. Pola siklis sulit untuk dimodelkan karena pola
mereka secara tipikal tidak stabil/ tetap. Fluktuasi seperti gelombang
yang naik–turun disekitar Trend jarang terulang di interval waktu
yang tetap dan besarnya fluktuasi cenderung bervariasi. Metode
 dekomposisi dapat diperluas untuk menganalisis data siklis. Akan
tetapi, karena sifat yang tidak teratur dari siklus, penganalisaan
komponen siklis dari rangkaian sering memerlukan penemuan
kejadian yang kebetulan atau kepemimpinan indikator ekonomi.

2.5 Metode Exponential Smoothing

Exponential smoothing adalah suatu teknik peramalan rata-rata bergerak
yang melakukan penimbangan terhadap data masa lau dengan cara exponential,
sehingga data paling akhir mempunyai bobot atau timbangan paling/lebih besar
dalam rata-rata bergerak. Metode exponential smoothing adalah suatu prosedur
yang secara terus menerus memperbaiki peramalan dengan merata-rata
(menghaluskan = smoothing) nilai masa lalu dari suatu data runtut waktu dengan
cara menurun (exponential). Analisis exponential smoothing merupakan salah satu
analisis deret waktu, dan merupakan metode peramalan dengan memberi nilai
pembobot pada serangkaian pengamatan sebelumnya untuk memprediksi nilai
masa depan.
Ada empat model dari metode exponential smoothing yang
mengakomodasi asumsi mengenai trend dan musiman:
1. Simpel (tunggal), model ini mengasumsikan bahwa seri pengamatan
tidak memiliki trend dan variasi musiman.
2. Holt, model ini mengasumsikan bahwa seri pengamatan memiliki
trend linier namun tidak memiliki variasi musiman.
3. Winters, model ini mengasumsikan bahwa seri pengamatan memiliki
trend linier dan variasi musiman.
4. Custom, model ini memungkinkan untuk melakukan penetapan
komponen trend dan variasi musiman.
Ada tiga parameter yang perlu penetapan, tergantung dari komponen
trend dan variasi musiman:
1. Alpha (α ) merupakan parameter yang mengontrol pembobotan relatif
pada pengamatan yang baru dilakukan. Jika alpha bernilai 1 maka
hanya pengamatan terbaru yang digunakan secara eksklusif.
Sebaliknya bila alpha bernilai 0 maka pengamatan yang lalu dihitung
 dengan bobot sepadan dengan yang terbaru. Parameter alpha
digunakan pada semua model.
2. Beta (β ) merupakan parameter yang mengontrol pembobotan relatif
pada pengamatan yang baru dilakukan untuk mengestimasi
kemunculan trend seri. Nilai beta berkisar dari 0 sampai 1. Nilai
semakin besar menujukkan pemberian bobot yang semakin besar
pada pengamatan terbaru. Parameter beta digunakan pada model yang
memiliki komponen trend linier atau eksponensial dengan tidak
memiliki variasi musiman.
3. Gamma (γ ) merupakan parameter yang mengontrol pembobotan
relatif pada pengamatan yang baru dilakukan untuk mengestimasi
kemunculan variasi musiman. Nilai gamma berkisar dari 0 sampai 1.
Nilai semakin besar menunjukkan pemberian bobot yang semakin
besar pada pengamatan terbaru. Parameter gamma digunakan pada
model yang memiliki variasi musiman.