BAB I

PENDAHULUAN
1.1 Latar Belakang
Peramalan penjualan berguna sebagai panduan keputusan yang
berhubungan dengan prediksi kapasitas masa depan, pemasaran,
perencanaan dan pengembangan. kinerja manajemen persediaan tergantung
kepada keakuratan dari peramalan. Data peramalan (forecasting) penjualan
yang akurat dapat digunakan sebagai dasar untuk perencanaan produksi agar
nantinya dalam produksi itu tidak terjadi over production atau under
production yang menyebabkan perusahaan itu kehilangan kesempatan dalam
menjual hasil produksinya. Hasil dari peramalan (forecasting) yang baik dan
akurat dapat digunakan sebagai dasar keputusan selanjutnya, seperti halnya
dalam menentukan perencanaan produksi yang optimal dalam pemenuhan
permintaan.
Pendekatan model peramalan terdiri dari dua yaitu metode kualitatif dan
kuantitatif. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data
kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung
dengan orang yang menyusunnya. Hal ini penting karena hasil peramalan
tersebut ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif,
pengetahuan, dan pengalaman. Peramalan kuantitatif, yaitu peramalan yang
didasarkan atas data kuantitatif masa lalu. Hasil peramalan yang dibuat
sangat tergantung pada metode yang dipergunakan dalam peramalan
tersebut. Kriteria peramalan yang terbaik antara lain MAD (Mean Absolut
Deviation) yang merupakan suatu ukuran perbedaan atau selisih antara
ramalan dengan permintaan aktual, berguna ketika mengukur kesalahan
ramalan dalam unit yang sama sebagai deret asli. MSE (Mean Square Error)
yang dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
pada setiap periode dan membaginya dengan jumlah periode peramalan.
MFE (Mean Forecast Error) sangat efektif untuk mengetahui suatu hasil
peramalan selama periode tertentu.

1.2 Tujuan
Tujuan dari praktikum ini yaitu diharapkan praktikan dapat memahami
pengertian, langkah, jenis, serta metode yang digunakan dalam forecasting
atau peramalan. Selain itu praktikan juga dapat mengetahui indikator
 peramalan yang baik. Peramalan cukup penting untuk dipahami oleh
praktikan.
BAB II
TINJAUAN PUSTAKA

2.1 Peramalan (Forecasting)

Forecasting is an important thing to consider in operation management
plans. This issue can be reference activities that aim to predict or predict all
matters related to the production, supply, demand, and use of technology in an
industry or business. Especially in fashion industry that should consider the
forecasting strategy to predict the uncertain demands in the future trend (Nenni et
al., 2013).
Peramalan adalah suatu hal yang penting yang harus dipertimbangkan
dalam perencanaan manajemen perusahaan. Hal ini dapat menjadi referensi
yang merujuk pada prediksi segala hal yang berkaitan dengan produksi,
persediaan, permintaan, dan penggunaan teknologi pada perusahaan bisnis.
Terutama pada industri fashion yang memiliki permintaan tidak menentu
mengikuti tren yang ada (Nenni et al., 2013).
Company success and performance can be affected by sales forecasting.
Forecasting can be the assumption to predict the procurement to avoid over
stocks inventories. The company should consider their production plans before
they face the real demands in the future. To do forecasting, the company can use
statistical techniques such as ARIMA, regression model, and etc (Kashi et al.,
2015).
Kesuksesan serta performa perusahaan dapat dipengaruhi oleh peramalan
penjualan. Peramalan dapat menjadi asumsu untuk memprediksi pengadaan
untuk menghindari stok yang berlebihan pada input produk. Perusahaan harus
memperhatikan rencana produksi sebelum menghadapi permintaan nyata di
masa yang akan datang. Untuk melakukan peramalan dapat digunakan teknik
statistik seperti ARIMA, model regresi, dan lain sebagainya (Kashi et al., 2015).

2.2 Jenis-jenis Peramalan

There are two general types of forecasting which are qualitative and
quantitative forecastng. Quantitative methods use data from the past and based
on statistical data analysis. Qualitative methods are based on intuition or
subjective data without using data that existed in the past and without numerical
data analysis (Sresta dan Arundhati, 2016).
Terdapat dua jenis peramalan secara umum yaitu kualitatif dan kuantitatif.
Peramalan kuantitatif menggunakan data dari masa lalu dan berdasarkan
analisis data statistik. Peramalan kualitatif hanya berdasarkan intuisi atau data
subjektif tanpa menggunakan data dari masa lalu dan tanpa analisis data
numerik (Sresta dan Arundhati, 2016).
Terdapat tiga jenis peramalan yang dapat digunakan perusahaan untuk
merencanakan kegiatan operasional. Peramalan yang pertama yaitu peramalan
ekonomi yang memprediksi kondisi ekonomi seperti inflasi, tingkat uang yang
beredar, dan lain-lain. Kemudian terdapat peramalan teknologi yang
mempertimbangkan kemajuan teknologi untuk pengembangan produksi. Yang
terakhir yaitu peramalan permintaan yang memberikan keputusan dalam
penentuan jumlah kapasitas produksi (Indah dan Rahmadani, 2018).

2.3 Langkah-Langkah Peramalan

Langkah pertama yang dilakukan yaitu menentukan tujuan peramalan
dilanjutkan dengan pengumpulan data-data yang dapat mendukung peramalan.
Data yang sudah terkumpul lalu diidentifikasi jenis serta polanya lalu dipilih teknik
peramalan yang sesuai dengan data yang ada serta tujuan. Selanjutnya
dilakukan perhitungan peramalan terhadap periode waktu yang telah berlalu
serta meninjau ulang keakuratan perhitungan. Setelah didapatkan tingkat
keakuratan, maka disesuaikan dengan kebutuhan. Lalu dilakukan peramalan
horizon waktu yang dikehendaki dan menambahkan informasi kualitatif untuk
memperkuat peramalan. Hasil akhir peramalan lalu dimonitor dan dijadikan
tindakan pada proses produksi (Harahap, 2016).
Terdapat tiga langkah penting yang harus dilakukan dalam peramalan. Yang
pertama yaitu menganalisa data yang ada sebelumnya untuk mengidentifikasi
pola yang pernah terjadi sebagai acuan. Kemudian menentukan jenis data yang
akan digunakan untuk mempertajam hasil peramalan. Lalu yang terakhir
melakukan proyeksi data dengan metode yang sesuai dengan
mempertimbangkan beberapa perubahan yang terjadi (Wardah dan Iskandar,
2016).

2.4 Metode Peramalan

 Metode peramalan secara umum dapat dibagi menjadi dua yaitu kualitatif
dan kuantitatif. Metode kualitatif didasarkan pada intuisi atau pendapat dari ahli.
Sedangkan metode peramalan kuantitatif menggunakan data numerik historis
masa lalu dan digunakan analisis dengan memanipulasi data historis tersebut
(Gofur dan Widianti, 2013).
Peramalan dapat dilakukan dengan dua pendekatan yaitu kualitatif dan
kuantitatif. Peramalan kualitatif didasarkan pada data kualitatif yang bergantung
pada pihak yang menyusun. Peramalan kuantitatif dilakukan dengan pengolahan
data kuantitatif masa lalu yang dipengaruhi oleh metode analisis yang digunakan.
Metode analisis yang dapat digunakan diantaranya single exponential smoothing,
double exponential smoothing, dan single moving average (Marlina et al, 2018).

2.4.1 Metode Kualitatif

Terdapat dua metode yang digunakan dalam peramalan. Metode kualitatif
didasarkan pada intuisi tanpa menggunakan data-data yang ada di masa lalu.
Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya.
Peramalan kualitatif memanfaatkan factor-faktor penting seperti intuisi, pendapat,
pengalaman pribadi, dan system nilai pengambilan keputusan (Gofur dan
Widianti, 2013).
Metode kualitatif didasarkan pada pendapat para ahli dan tanpa
menggunakan data matematik. Hal ini dilakukan jika dirasa data yang ada tidak
cukup mewakili prediksi di masa depan. Metode ini hemat biaya namun bersifat
subjektif sehingga kurang ilmiah dan kurang akurat. Salah satu metodenya yaitu
Delphi (Yulius dan Yetti, 2017).

2.4.1 Metode Kuantitatif

Metode kuantitatif menggunakan data-data di masa lalu dan didasarkan
pada analisis data statistik. Terdapat tiga syarat kondisi untuk menerapkan
metode kuantitatif diantaranya yaitu terdapat data waktu, informasi dapat
dinumerikkan, dan bisa diasumsikan bahwa aspek tertentu akan berlanjut di
masa depan. Metode kuantitatif dapat dijalankan salah satunya dengan cara
rata-rata bergerak (Gofur dan Widianti, 2013).
Metode kuantitatif menggunakan kaidah matematis dalam menentukan
peramalan. Analisis yang dilakukan disertai analisis yang berbasis statistik.
Beberapa metode analisis ini yang sering digunakan yaitu Model Regresi yang
menghubungkan variabel terikat dengan variabel bebas. Model Ekonometrik
yang menggunakan variabel tidak bebas terhadap segmen ekonomi. Model Time
Series Analysis yang menggunakan garis trend pada masa tertentu dan
diproyeksikan di masa yang akan datang (Yulius dan Yetti, 2017).

2.5 Teknik Delphi

Teknik ini merupakan salah satu teknik pada metode peramalan kualitatif.
Teknik Delphi dilakukan dengan menggabungkan pendapat beberapa ahli.
Pendapat tersebut disampaikan dalam forum yang membahas tentang
permasalahan estimasi atau peramalan di masa depan. Teknik ini bersifat
subjektif karena hanya berupa pandangan yang disampaikan oleh pakar yang
ahli pada bidangnya (Yulius dan Yetti, 2017).
Teknik delphi dilakukan dengan pengumpulan pendapat dari para ahli secara
sistematis dengan instrumen penyampaian pendapat seperti kuesioner dan
diskusi. Metode ini dikembangkan dari metode brainwritting dan survei yang
menggunakan panel komunikasi yang tertuang pada kuesioner. Kebijakan yang
dihasilkan dapat berupa pendapat, komentar, dan diskusi. Skala penilaian harus
ditentukan untuk pengambilan kebijakan seperti keyakinan, keinginan, dan
kelayakan (Zatar et al., 2016).

2.6 Time Series

Time series merupakan metode yang digunakan sebagai dasar peramalan
yang berupa deret waktu. Metode ini memerlukan data dari masa lalu yang
diinterpretasikan sebagai peramalan di masa yang akan datang. Analisis yang
dilakukan antar waktu dapat menghasilkan pandangan sebagai acuan
pengambilan keputusan di masa yang akan datang. Terdapat 4 tren pada deret
waktu yaitu, pola tren, pola siklus, pola musiman, dan pola horizontal (Kristiyanti
dan Sumarno, 2020).
Time series dilakukan dengan pengamatan terhadap waktu dengan interval
atau jarak yang sama, dapat mingguan, bulanan, atau harian. Dari data yang
didapatkan, bisa dilihat pola baik pola trend, siklis, maupun musiman. Data dari
time series dibagi menjadi dua berdasarkan pembagian daerahnya yaitu data
daerah waktu (time domain) dan data daerah frekuensi (frequency domain) yang
digunakan untuk mengetahui kondisi pada data (Al’afi et al., 2020).
2.6.1 Moving Average, Weight Moving Average
Metode moving average merupakan metode yang menggunakan proyeksi
serial data dan rata-rata bergerak. Rata-rata bergerak merupakan data periode
terlama dari nilai observasi baru dan dihitung menggunakan data terbaru. Serial
data selalu menunjukkan jumlah yang tetap pada setiap akhir periode. Semakin
panjang serial waktu maka data peramalan akan semakin halus namun semakin
kurang responsif terhadap data aktual. Perhitungannya dapat dilakukan dengan
rumus MAt = Y1 + Y2 + Y3/ n dimana MAt merupakan nilai peramalan di periode ke
t, Yt merupakan data observasi periode ke t, dan n merupakan panjang serial
waktu (Robial, 2018).
Weighted moving average merupakan metode yang memiliki perhitungan
yang lebih sederhana. Setiap data historis akan diberikan bobot yang berbeda
dengan bobot data historis terbaru lebih besar daripada data lama. Hal ini karena
data yang paling baru diasumsikan lebih relevan pada kondisi yang ada serta
menghasilkan ramalan yang lebih akurat. Rumus yang digunakan yaitu
WMA=(∑(Dt*bobot))/ (∑bobot) (Gofur dan Widianti, 2013).

2.6.2 Exponential Smoothing, Trend Analysis

Metode exponential smoothing berbeda dengan metode moving average.
Metode ini menggunakan data dari semua periode karena setiap data
mempunyai kontribusi dalam keputusan peramalan. Metode ini melakukan
pembobotan dari periode sebelumnya dan akan dihasilkan hubungan
eksponensial . Pola-pola akan didapatkan dari permodelan yang terlihat pada
plot time series. Rumus yang digunakan yaitu Ft=a.Xt+(1-a).Ft dimana Ft
merupakan peramalan periode t, a merupakan faktor pemulusan, Xt merupakan
data permintaan periode t (Robial, 2018).
Metode Trend Analysis menggunakan pola dasar yang merupakan ciri dari
data ekonomi dan bisnis dimana terdapat tiga komponen yang dipisahkan.
Komponen yang dipisahkan yaitu factor trend, siklus, dan musiman. Data
stasioner akan dicocokkan dalam suatu garis lurus dan dapat digunakan rumus
untuk meminimalkan MSE dengan mencari nilai a dan b (Wardah dan Iskandar,
2016).

2.6.3 Decomposition, ARIMA

 Metodee dekomposisi didasarkan pada empat komponen utama peramalan
yaitu trend, musiman, siklus, dan error. Digunakan asumsi yang menganggap
data yang ada bersumber dari beberapa komponen. Persamaan yang digunakan
adalah Data = Pola + error dimana pola dinyatakan sebagai
f(trend,siklus,musiman). Persamaan matematis yang digunakan yaitu Xt=f(Tt, St,
Ct, It). Terdapat model dekomposisi aditif dan multiplikati yang digunakan untuk
meramalkan trend (Yuni et al., 2015).
Metode ARIMA atau Autogressive Integrated Moving Average merupakan
metode yang digunakan pada peramalan jangka pendek karena memiliki tingkat
akurasi yang sangat tinggi. Metode ini dapat menentukan hunungan antar
variabel secara statistik dengan baik sehingga nilai peramalan yang didapat bisa
tepat. Nilai peramalan ARIMA untuk jangka panjang akan cenderung konstan
sehingga peramalannya kurang baik untuk jangka panjang. Metode ini
mengabaikan variabel independen dan menggunakan nilai masa lalu dan
sekarang dari variabel dependen (Salwa et al., 2018).

2.6.4 Winters Additive dan Simple Seasonal (Winter Multiplicative)

Metode winters additive digunakan untuk memprediksi deret berkala.
Prediksi yang dilakukan menggunakan amplitudo musiman yang bersifat konstan
karena tidak bergantung pada ukuran data. Terdapat modifikasi metode ini yaitu
holt winter additive damped yang memperbolehkan adanya efek damping trend
dengan menambahkan parameter tertentu pada data (Santosa et al., 2019).
Metode winter menggunakan tiga pembobotan yaitu α, β, dan γ dengan nilai
yang berkisar dari 0 hingga 1. Bobot α menyatakan nilai peramalan, bobot β
menyatakan pembobotan slope, dan γ menyatakan nilai musiman. Metode ini
dapat dilakukan dengan additive seasonality serta multiplicative seasonality
(Rufaidah dan Effindi, 2019).

2.7 Ketepatan Metode Peramalan

2.7.1 Mean Square Error (MSE)
Mean Square Error (MSE) digunakan untuk mengetahui error yang
digunakan dalam regresi nonparametrik. MSE selalu melekat dengan komponen
bias dan error. Kriteria MSE dicari yang paling kecil karena lebih akurat. MSE
merupakan kuadrat dari rata-rata kesalahan dibagi dengan banyaknya observasi
(Kurniasih et al., 2013).
 MSE digunakan untuk mengetahui tingkat keakuratan hasil peramalan .
Parameter ini akan menunjukkan nilai yang lebih kecil apabila hasil keakuratan
ramalan tinggi. Sebaliknya, apabila nilai MSE semakin besar maka peramalan
masih kurang akurat (Gofur dan Widianti, 2013).

2.7.2 Mean Absolute Deviation (MAD)

MAD merupakan simpangan absolut rata-rata yang digunakan untuk
mengukur akurasi peramalan. Pengukuran akurasi didasarkan pada perataan
nilai absolut kesalahan peramalan yang diukur dalam unit yang sama dengan
data absolut. Ketepatan MAD dinyatakan dalam bentuk rata-rata absolut
kesalahan dan dibandingkan dengan metode peramalan yang berbeda (Robial,
2018).
MAD menyatakan suatu unit yang sama pada data yang mewakili
penyimpangan peramalan. Hal tersebut didapatkan dari perhitungan rata-rata
nilai absolut error dari keseluruhan hasil. Nilai absolut ini bertujuan untuk
menghindari eliminasi dari nilai penyimpangan positif maupun negatif (Sungkawa
dan Megasari, 2011).

2.7.3 Mean Absolute Percentage Error (MAPE)

MAPE merupakan kesalahan absolut rata-rata yang dinyatakan dalam
persen. MAPE akan memberikan informasi tentang perbandingan kesalahan
dengan nilai yang sebenarnya sehingga dapat mengetahui ketepatan nilai
dugaan model. Penggunaan metode ini dapat diaplikasikan pada perbandingan
ketepatan ramalan suatu metode pada dua data penjualan dengan perbedaan
interval pengamatan (Robial, 2018).
Perhitungan MAPE yaitu dengan membagi kesalahan absolut tiap periode
dengan nilai observasi absolut. Setelah itu dihitung rata-rata kesalahan
persentase absolut. Hasil yang didapatkan berupa ukuran penyimpangan data
aktual dan data prediksi yang dinyatakan dalam persen. Peramalan dinyatakan
akurat apabila nilai MAPE kurang dari 10% (Santosa et al., 2019).

2.8 Penerapan Peramalan dalam Agroindustri

Salah satu penerapan peramalan adalah pada Home Industry Arwana Food
yang memproduksi kripik pisang. Peramalan dilakukan dengan metode Moving
Average, Exponential Smoothing with Trend dan metode Trend Analysis.
Kesalahan atau error dari setiap metode dibandingkan sehingga didapatkan
metode yang paling akurat yaitu Trend Analysis. Didapatkan hasil akhir
peramalan penjualan sebanyak 1122 bungkus per bulan sehingga perusahaan
harus melakukan produksi sebanyak 1122 bungkus kripik pisang untuk tiap
bulannya (Wardah dan Iskandar, 2016).
Penerapan selanjutnya yaitu pada perusahaan Srikandi yang memproduksi
keripik singkong pedas manis di Kota Langsa. Peramalan ditujukan agar tidak
terjadi kekurangan maupun kelebihan produksi sehingga keuntungan dapat
dimaksimalkan. Metode yang digunakan yaitu Single Eksponensial Smoothing
(SES). Nilai error dihitung dengan MAD, MSE, dan MAPE dan didapatkan hasil
SES memliki nilai error yang kecil dengan alpha 0,2 sebanyak 25.641 dan alpha
0,4 sebanyak 25.812 (Indah dan Rahmadani, 2018).
 DAFTAR PUSTAKA
Al’afi AM, Widiarti, Kurniasari D, Usman M. 2020. Peramalan data time series
seasonal menggunakan metode analisis spektral. Jurnal Siger
Matematika 1(1): 10-15
Ghofur AA, dan Widianti UD. 2013. Sistem peramalan untuk pengadaan
material unit injection di pt xyz. Jurnal Ilmiah Komputer dan Informatika
2(2): 13-18
Harahap Z. 2016. Penerapan metode peramalan runtut waktu dalam
menentukan target tingkat huni kamar di hotel el cavana bandung.
Tourism Scientific Journal 2(1): 27-55
Indah DR, dan Rahmadani E. 2018. Sistem forecasting perencanaan produksi
dengan metode single eksponensial smoothng pada keripik
singkong srikandi di kota langsa. Jurnal Penelitian Ekonomi Akuntansi
2(1): 10-18
Kashi SB, Karimi HR, Thoben KD, Lutjen M, Teucke M. 2015. A survey on retail
sales forecasting and prediction in fashion markets. Systems Science
& Control Engineering Vol.3: 154-161
Kristiyanti DA, dan Sumarno Y. 2020. Penerapan metode multiplicative
decomposition (seasonal) untuk peramalan persediaan barang pada
pt agrinusa jaya santosa. Jurnal Sistem Komputer dan Kecerdasan
Buatan 3(2): 45-51
Kurniasih D, Mariani S, Sugiman. Efisiensi relatif estimator fungsi kernel
gaussian terhadap estimator polinomial dalam peramalan usd
terhadap jpy. UNNES Journal of Mathematics 2(2): 79-84
Marlina WA, Susiana, Erizal N, Ahmad FA. 2018. Forecasting technique using
time sequence: model penentuan volume produksi sanjai di ukm rina
payakumbuh. Jurnal Manajemen 9(2): 187-196
Nenni ME, Giustiniano L, dan Pirolo L. 2013. Demand forecasting in the
fashion industry: a review. International Journal of Engineering
Business Management 5(37): 1-6
Robial SM. 2018. Perbandingan model statistik pada analisis metode
peramalan time series (studi kasus pt telekomunikasi indonesia tbk
kandatel sukabumi). Jurnal Ilmiah SANTIKA 8(2): 1-17
Rufaidah A, dan Effindi MA. Perbandingan peramalan dengan metode
eksponensial smoothing dan winter multiplicative seasonality pada
 data penjualan songkok nasional umkm di kabupaten gresik. Jurnal
Matematika 18(1): 1-7
Salwa N, Tatsara N, Amalia R, Zohra AF. Peramalan harga bitcoin
menggunakan metode arima. Jurnal of Data Analysis 1(1): 21-31
Santosa IMA, Kartika NLA, Sarja KY, Wiyati RK. Perbandingan metode holt
winter additive dan metode holt winter additive damped dalam
peramalan jumlah pendaftaran mahasiswa. Jurnal Ilmiah Rekayasa
dan Manajemen Sistem Informasi 5(1): 93-98
Sresta BR, dan Arundhati V. 2016. Analysis of forecasting sales by using
quantitative and qualitative methods. Journal of Engineering Research
and Application 6(9): 83-86
Sungkawa I, dan Megasari RT. 2011. Penerapan ukuran ketepatan nilai
ramalan data deret waktu dalam seleksi model peramalan volume
penjualan pt satriamandiri citramulia. ComTech 2(2): 636-645
Wardah S, dan Iskandar. 2016. Analisis peramalan penjualan produk keripik
pisang kemasan bungkus. Jurnal Teknik Industri 9(3): 135-142
Yulius H, dan Yetti I. 2017. Peramalan kebutuhan manajemen logistik pada
usaha depot air minum isi ulang al fitrah. Jurnal Edik Informatika 6: 5-
14
Yuni S, Talakua MW, Lesnussa YA. 2015. Peramalan jumlah pengunjung
perpustakaan universitas pattimura ambon menggunakan metode
dekomposisi. Jurnal Ilmu Matematika dan Terapan 9(1): 41-50
Zatar A, Katili PB, Suparno. Penentuan kriteria kualitatif penentu dalam
pemilihan objek audit internal menggunakan metode delphi. Jurnal
Ilmiah Keilmuan dan Penerapan Teknik Industri UNSAT 4(1): 1-6