BAB II

TINJAUAN PUSTAKA

2.1 Pengertian Peramalan

Peramalan merupakan usaha untuk melihat situasi dan kondisi pada masa
yang akan datang dengan cara memperkirakan pengaruh situasi dan kondisi pada
masa yang akan datang terhadap perkembangan di masa yang akan datang
(Ginting, 2007). Peramalan penjualan merupakan proses kegiatan memperkirakan
produk yang akan dijual pada waktu yang akan datang dalam keadaan tertentu dan
dibuat berdasarkan data yang pernah terjadi dan atau mungkin akan terjadi.
(Nafarin, 2000)
Peramalan menurut Nasution dan Prasetyawan (2008) adalah proses untuk
memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang ataupun jasa. Maka dapat disimpulkan peramalan
adalah suatu perhitungan yang dilakukan untuk memperkirakan kejadian dimasa
depan dengan menggunakan referensi data-data dimasa lalu. (Etwin, 2015)
Metode peramalan akan membantu dalam mengadakan pendekatan analisa
terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan
cara pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta
memberikan tingkat keyakinan yang lebih atas ketepatan hasil ramalan yang
dibuat.

2.2 Jenis - Jenis Peramalan

Untuk melakukan peramalan diperlukan metode, metode yang digunakan
tergantung dari data dan informasi yang akan diramal serta tujuan yang hendak
dicapai. Menurut (Render dan Heizer, 2004) pada jenis peramalan dapat
dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan,
maka peramalan dibagi menjadi 3 macam yaitu:
1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan

II-1
 II-2

memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan

untuk membangun perumahan dan indikator perencanaan lainnya.
2. Peramalan teknologi (technological forecast) memperhatikan tingkat
kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik,
yang membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) adalah prediksi dari proyeksi
permintaan untuk produk atau layanan suatu perusahaan.
Jenis peramalan dapat dibedakan menjadi beberapa tipe, berdasarkan horizon
waktu masa depan yang dicakupnya. Menurut Nasution dan Prasetyawan
(2008) Peramalan berdasarkan jangka waktu dapat dibedakan menjadi 3 macam,
yaitu: (Etwin, 2015)
1 Peramalan jangka pendek, yaitu umumnya 1 sampai 5 minggu. Peramalan
ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya
lembur, penjadwalan kerja, dan lain-lain keputusan control jangka pendek.
2 Peramalan jangka menengah, yaitu umumnya 1 sampai 24 bulan.
Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka
panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan
produksi, dan penentuan anggaran.
3 Peramalan jangka panjang, yaitu yaitu umumnya 2 sampai 10 tahun.
Peramalan ini digunakan untuk perencanaan produk dan perencanaan
sumber daya.

2.3 Langkah – Langkah Peramalan

Secara umum untuk memastikan bahwa peramalan yang dilakukan dapat
tepat guna serta memenuhi ketepatan yang optimal, maka terdapat beberapa
langkah yang harus dilakukan dalam melakukan peramalan yaitu: (Render dan
Heizer, 2004)
1. Menentukan penggunaan dari peramalan.
2. Memilih barang yang akan diramalkan.
3. Menentukan horizon waktu dari peramalan (jangka pendek, menengah,
dan panjang).
 II-3

4. Memilih model peramalan.

5. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
6. Membuat peramalan.
7. Memvalidasi dan mengimplementasikan hasilnya

2.4 Faktor – Faktor Yang Mempengaruhi Peramalan

Permintaan akan suatu produk pada suatu perusahaan merupakan resultan
dari berbagai faktor yang saling berinteraksi dalam pasar. Faktor- faktor ini
hampir selalu merupakan kekuatan yang berada diluar kendali perusahaan.
Berbagai faktor antara lain : (Hartanto, 2012)
• Siklus Bisnis
Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut,
dan permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang
membentuk siklus bisnis dengan fase-fase, inflasi resesi, depresi, dan masa
pemulihan.
• Siklus Hidup Produk
Siklus hidup suatu produk biasanya mengikuti pola yang biasa disebut kurva
S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus
hidup suatu produk yang dibagi menjadi fase pengenalan, fase pertumbuhan, fase
kematangan, dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha,
maka perlu dilakukan inovasi produk pada saat yang tepat.

2.5 Jenis – Jenis Pola Tren

Pola permintaan data dimulai dengan memplot data pada suatu skala
waktu (membuat diagram pencar atau scatter diagram) kemudian mempelajari
alur plot permintaan data tersebut untuk mengetahui alur permintaan konsumen.
Pola data terdiri dari empat jenis yaitu sebagai berikut (Hartanto, 2012).
1. Pola Data Horizontal (H)
Terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata yang konstan.
Deret seperti itu stasioner terhadap nilai rata-ratanya. Suatu produk yang
 II-4

penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis
ini.

Gambar 2.1 Pola Data Horizontal, 2012

2. Pola Data Musiman (S)
Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya
kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan
dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruangan
semuanya menunjukan pola jenis ini.

Gambar 2.2 Pola Data Musiman, 2012

3. Pola Data Siklus (C)

Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti
mobil, baja, dan peralatan utama lainnya menunjukkan jenis pola data ini.
 II-5

Gambar 2.3 Pola Data Siklus, 2012

4. Pola Data Trend (T)
Terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang
dalam data. Penjualan banyak perusahaan, produk bruto nasional atau GNP dan
berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola data trend
selama perubahannya sepanjang waktu.

Gambar 2.4 Pola Data Trend, 2012

2.6 Ukuran Akurasi Peramalan

Model-model peramalan yang dilakukan kemudian divalidasi
menggunakan sejumlah indikator. Indikator-indikator yang umum digunakan
adalah rata-rata penyimpangan absolut (Mean Absolute Deviation), rata-rata
kuadrat terkecil (Mean Square Error), rata-rata persentase kesalahan absolut
(Mean Absolute Percentage Error), dan pengujian kestabilan (Moving Range).
Berikut ini adalah pengertian dari indikator yaitu : (Kusuma, 2013)
1. Mean Absolute Deviation atau MAD merupakan perhitungan yang
 II-6

digunakan untuk menghitung rata-rata kesalahan mutlak. MAD digunakan

untuk mengukur galat ramalan dalam unit yang sama dengan deret asli,.
Berikut adalah rumus untuk akurasi ketepatan Mean Absolute Deviation
atau MAD adalah sebagai berikut.

Rumus 2.1 Mean Absolute Deviation, 2013

2. Mean squared error atau MSE merupakan metode rata-rata kesalahan
kuadrat yang digunakan untuk memperkuat pengaruh angka-angka
kesalahan besar, tetapi memperkecil angka kesalahan peramalan yang
kecil. Berikut ini adalah rumus dari Mean Squared Error atau MSE.

Rumus 2.2 Mean Squared Error, 2013

3. Means absolute percentage error atau MAPE meupakan pengukuran
ketelitian dengan cara rata-rata presentase kesalahan absolut, dimana pada
MAPE menunjukan rata-rata kesalahan absolut peramalandalam bentuk
presentasenya terhadap data aktual. Berikut ini adalah rumus dari means
absolute percentage error atau MAPE .

Rumus 2.3 Mean Absolute Percentage Error, 2013

4. Moving Range atau MR dirancang untuk membandingkan nilai permintaan

aktual dengan nilai peramalan. Data permintaan aktual dibandingkan
dengan nilai peramalan pada periode yang sama. Peta tersebut
dikembangkan ke periode yang akan datang hingga dapat dibandingkan
data peramalan dengan permintaan aktual. Peta Moving Range digunakan
untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi
permintaan.
 II-7

2.7 Metode Time Series Peramalan

Metode time series berhubungan dengan nilai-nilai suatu variabel yang
diatur secara priodik sepanjang waktu dimana perkiraan permintaan
diproyeksikan, misalnya mingguan, bulanan, kuartalan dan tahunan.
Metode time series dibagi menjadi 5 metode yaitu (Lusiana,2020) :
1. Metode Smoothing, digunakan untuk mengatur data masa lalu sesuai
dengan musiman data yang terjadi, dengan cara merata-ratakan sederetan
data hingga memiliki jarak dan jumlah data yang cenderung/ hampir
seimbang.
A. Moving Average, terdiri dari:
a) Simple Moving Average (Rata-rata Bergerak Sederhana).
Merupakan metode peramalan yang menggunakan rata-rata dari
sejmlah (n) data terkini untuk meramalkan periode mendatang.
Dengan menggunakan metode rata- rata bergerak ini, deret berkala
dari data asli diubah menjadi deret data rata-rata bergerak yang lebih
mulus dan tidak terlalau tergantung pada osilasi sehingga lebih
memungkinkan untuk menunjukkan trend dasar atau siklus dalam pola
data sepanjang waktu. Berikut adalah Model dari rata- rata bergerak
sederhana antara lain dapat dilihat pada persamaan berikut.

Rumus 2.4 Simpling Moving Average, 2020

Keterangan :
Mt = Rata-rata bergerak pada periode t
Yt+1= Nilai ramalan perode berikutnya
Yt= Jumlah data dalam rata-rata bergerak

b) Weighted Moving Average (Rata-rata Bergerak Tertimbang)

Metode perhitungannya sama dengan rata-rata bergerak sederhana
hanya diberi koefisien penimbang. Penetapan besar koefisien
penimbang dapat dilakukan secara sembarang, tetapi pada ummnya
 II-8

besaran koefisien dua kali dari pada koefisien penimbang periode

sebelumnya. Berikut adalah Model dari rata- rata bergerak tertimbang
menurut Sofyan adalah sebagai berikut:
𝑌′𝑡 = 𝑊1𝐴𝑡−1 + 𝑊2𝐴𝑡−2 + ⋯
+ 𝑊𝑛 𝐴𝑡−𝑛
Keterangan :
A= Permintaan aktual pada periode t
W1= Bobot (0 ≤ Wt ≤1) yang diberikan pada periode t-1 dsb
n= Jumlah periode
B. Exponential Smoothing
a) Single Exponential Smoothing digunakan untuk jarak pendek
perkiraan. Model mengasumsikan bahwa data berfluktuasi sekitar
rata-rata yang cukup stabil (Rosdiani, 2018). Berikut adalah Model
dari single exponential smopthing menurut Sofyan (2013) adalah
sebagai berikut.
𝑌′𝑡+1 = 𝛼 . 𝑇𝑡 + (1 − 𝛼). 𝑌′𝑡
Keterangan :
Tt= data permintaan pada periode t
α = faktor/ konstanta pemulusan Y’t+1= peramalan untuk periode t
b) Double Exponential Smoothing
Menurut Sofyan (2013), Double Exponential Smoothing dibagi
menjadi dua yaitu dengan Satu parameter dan Dua parameter, seperti
berikut:
• Satu Parmeter (Brown’s linear method), merupakan metode yang
hampir sama dengan metode linear moving average dan sesuaikan
yaitu dengan menambahkan satu parameter.
𝑆′𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆′𝑡−1
𝑆”𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆”𝑡−1
Keterangan :
S’t merupakan Single exponential smoothing
S”t merupakan Double exponential smoothing
 II-9

𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆”𝑡)

𝑎𝑡 = 2𝑆′𝑡 − 𝑆”𝑡
• Dua Parameter (Holt’s methode), merupakan metode double
exponential smoothing untuk time series dengan trend linier. Terdapat
konstanta yaitu α dan β.
𝑆𝑡 = 𝛼 𝐷𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝐺𝑡−1)
𝐺𝑡 = 𝛽(𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽)𝐺𝑡−1
𝑌′𝑡+𝑚 = 𝑆𝑡 . 𝐺𝑡 . 𝑚
Keterangan :
St = intercept pada waktu t
Gt = Slope pada waktu t
Y’t+m = Ramalan untuk m periode kedepan