BAB II

LANDASAN TEORI

2.1. Peramalan (Forecasting)

Definisi Peramalan (Forecasting)
Peramalan (Dalam Bahasa Inggris = Forecasting) adalah suatu teknik analisa
perhitungan yang dilakukan dengan pendekatan kualitatif maupun kuantitatif untuk
memperkirakan kejadian dimasa depan dengan menggunakan referensi data-data di masa
lalu. Peramalan bertujuan untuk memperkirakan prospek ekonomi dan kegiatan usaha serta
pengaruh lingkungan terhadap prospek tersebut.

Berikut ini merupakan definisi peramalan menurut beberapa para ahli, yaitu :
1. Menurut Nasution dan Prasetyawan (2008:29), peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa.
2. Menurut Sumayang (2003:24), peramalan adalah perhitungan yang objektif dan dengan
menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan
datang. 
3. Menurut Supranto (2000), ramalan merupakan dugaan atau perkiraan mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa
bersifat kualitatif, artinya tidak berbentuk angka dan bisa bersifat kuantitatif, artinya
berbentuk angka, dinyatakan dalam bilangan. 
4. Menurut Heizer dan Render (2009:162), peramalan (forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan
melibatkan pengambilan data historis dan memproyeksikannya ke masa mendatang
dengan suatu bentuk model matematis. Selain itu, bisa juga merupakan prediksi intuisi
yang bersifat subjektif. Atau dapat juga dilakukan dengan menggunakan kombinasi
model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer.
5. Menurut Murahartawaty (2009:41), peramalan adalah penggunaan data masa lalu dari
sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan
datang. Jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat
 mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di
masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang
setidaknya dalam masa mendatang yang relatif dekat.

II-1

2.1.2 Macam-Macam ataupun Jenis-Jenis Peramalan (Forecasting)

1. Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tiga jenis,
yaitu (Herjanto,2008:78) :
a. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18
bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman
modal, perencanaan fasilitas dan perencanaan untuk kegiatan litbang.
b. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.
c. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material,
penjadwalan kerja dan penugasan karyawan.
2. Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan atau forecasting
dibagi menjadi tiga jenis, yaitu (Heizer dan Render, 2009:47):
a. Peramalan ekonomi (economic forecast), peramalan ini menjelaskan siklus
bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya. 
b. Peramalan teknologi (technological forecast), peramalan ini memperhatikan
tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik,
yang membutuhkan pabrik dan peralatan yang baru. 
c. Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk
produk atau layanan perusahaan. Proyeksi permintaan untuk produk atau layanan
suatu perusahaan. Peramalan ini juga disebut peramalan penjualan yang
mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input
bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.
3. Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis,
yaitu (Saputro dan Asri, 2000:148) :
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hasil ramalan yang dibuat sangat tergantung pada orang yang
menyusunnya. Hal ini penting karena peramalan tersebut ditentukan berdasarkan
pemikiran yang bersifat intuisi, pendapat, dan pengetahuan serta pengalaman dari
penyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil
penyelidikan, seperti pendapat salesman, pendapat sales manajer pendapat para
ahli dan survey konsumen. 
b. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data penjualan pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut. Penggunaan metode yang berbeda akan
diperoleh hasil yang berbeda pula.
4. Berdasarkan sifat penyusunannya, peramalan dibagi menjadi dua jenis, yaitu (Ginting,
2007)
a. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi
dari orang yang menyusunnya. 
b. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi
dari orang yang menyusunnya. 
c. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada
masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
2.1.3 Faktor yang mempengaruhi Peramalan (Forecasting)

Terdapat beberapa faktor yamg mempengaruhi peramalan :

1. Kondisi umum bisnis dan ekonomi, yang berkaitan dengan perkembangan bisnis
dan ekonomi secara global.
2. Reaksi dan tindakan pesaing yang dapat kita perhatikan segala reaksi dan
tindakan pesaing kita agar pola peramalan yang ditetapkan dapat mengimbangi
pesaing tersebut.
3. Tindakan pemerintah secara makro ekonomi mengakibatkan pola peramalan
dapat berubah (Makridakis dkk, 2003, hlm. 24).
2.1.4 Tahapan dalam Peramalan (Forecasting)
Menurut Sofyan (2013) dalam melakukan perhitungan terhadap metode kuantitatif
dibutuhkan langkah-langkah peramalan, yaitu:
1. Definisikan tujuan peramalan.
2. Pembuatan diagram pencar (scatter diagram).
3. Pemilihan minimal dua metode peramalan yang dianggap sesuai.
4. Perhitungan terhadap parameter-parameter fungsi peramalan.
5. Perhitungan kesalahan setiap metode peramalan.
6. Pemilihan metode yang terbaik dengan cara melihat hasil perhitungan metode
dengan kesalahan terkecil.
7. Melakukan verifikasi peramalan.
2.1.5 Metode Peramalan
Berikut beberapa metode peramalan yang sering digunakan :
1. Time Series
Metode time series atau deret waktu merupakan metode peramalan yang
menghubungkan keterkaitan antara variabel dependen (variabel yang dicari) dengan
variabel independen atau variabel yang mempengaruhinya kemudian dihubungkan
dengan waktu, mingguan, bulan atau tahun.
Jadi di dalam metode deret waktu, variabel yang dicari berupa waktu.
Untuk menggunakan metode peramalan ini, Anda  dapat menghitungnya
menggunakan metode smoothing, metode box jenkins, atau metode proyeksi trend
dengan regresi.
2. Metode Kasual (Sebab Akibat)
a. Metode peramalan kuantitatif yang kedua yaitu metode kasual (casual methods)
atau metode sebab akibat.
Metode ini didasarkan pada keterkaitan antara variabel yang diperkirakan dengan
variabel lain yang mempengaruhinya. Namun, variabel nya bukan dalam bentuk
waktu.
Untuk menghitung atau meramalnya, Anda dapat menggunakan metode regresi
dan korelase, metode input output, atau metode ekonometri
b. Metode peramalan kualitatif ini sifatnya lebih subjektif dibandingkan dengan
kuantitatif.
Peramalan kualitatif dipengaruhi oleh emosi, pendidikan, intuisi, pengalaman si
peramalan sehingga hasil setiap orang akan berbeda.
Meskipun begitu metode kualitatif mendekati tingkat akurasi data aktual jika
dibandingkan dengan metode lain :
Adapun teknik atau metode peramalan kualitatif sebagai berikut:
1. Survei pasar
Metode ini dilakukan dengan cara mencari masukan atau pendapat dari
konsumen yang berpengaruh terhadap rencana pembelian pada saat periode
pengamatan.
Survei dapat dilakukan dengan menyebar kuesioner, wawancara langsung
atau telepon.
2. Juri dari opini eksekutif
Untuk melakukan metode ini caranya dengan meminta opini atau pendapat
dari kelompok kecil yang terdiri atas manajer pemasaran, manajer produksi,
manajer teknik, manajer keuangan dan manajer logistik dan hasilnya
kemudian digabungkan dengan model statistik.
3. Gabungan tenaga penjualan
Seperti namanya metode ini menggabungkan setiap penjual kemudian
mereka meramalkan tingkat penjualan di daerah masing-masing yang pada
akhirnya digabungkan di tingkat provinsi dan nasional.
4. Metode Delphi
Metode delphi sebenarnya mirip dengan metode kuisioner, untuk melakukan
metode ini Anda perlu menyebar kuesioner tetapi jawaban dari kuesioner
yang terkumpul disederhanakan terlebih dahulu sebelum diberikan kepada
ahli untuk peramalannya.
Kelebihan dari metode ini adalah hasilnya yang akurat dan profesional,
sedangkan kelemahannya adalah membutuhkan waktu yang cukup banyak
karena harus membuat kuesioner sampai merangkum hasilnya.
Itulah beberapa metode forecasting yang dapat Anda pakai. Forecasting atau
peramalan sangat penting untuk merencanakan dan mengawasi kegiatan
produksi baik produk maupun jasa.
2.2 Tujuan Peramalan
Tujuan dari peramalan adalah untuk mengetahui dan melihat serta memperkirakan

prospek ekonomi atau kegiatan usaha dan pengaruh lingkungan terhadap prospek tersebut,

sehingga dapat diperoleh informasi mengenai:

1. Kebutuhan suatu kegiatan usaha di masa yang akan datang.

2. Waktu untuk mengambil keputusan yang berkaitan dengan skala produk pemasaran

serta target usaha.

3. Perencanaan skala produksi, pemasaran, anggaran, biaya produk dan arus keuangan

(cash flow).

2.3 Pola Data Peramalan

Pola data dapat dibedakan menjadi 4 jenis yaitu:

1. Pola Horizontal (H).

Pola horizontal terjadi apabila nilai data berfluktuasi di sekitar rata-rata yang

konstan. Hal ini terjadi pada suatu produk yang penjualannya tidak
 meningkat atau menurun selama waktu tertentu. Grafik pola horizontal diperlihatkan

pada gambar 2.1.

Pola Horizontal (H)

14

12

10
Permintaan

8
Permintaan
6

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Waktu (Periode)

Gambar 2.1 Pola Data Horizontal (H)

2. Pola Musiman (S).

Pola musiman terjadi apabila data terlihat berfluktuasi, namun fluktuasi tersebut

terlihat berulang dalan suatu interval tertentu. Hal ini terjadi karena dipengaruhi oleh

faktor musiman seperti faktor cuaca, musim libur panjang, hari raya keagamaan

yang akan berulang secara periodik setiap tahunnya. Grafik disajikan pada gambar

2.2.
 Pola Musiman (S)

18
16
14
12

Permintaan
10
Permintaan
8
6
4
2
0
123456789101112
Waktu (Periode)

Gambar 2.2 Pola Data Musiman (S)

3. Pola Siklis (C).

Pola siklis terjadi apabila fluktuasi permintaan jangka panjang membentuk pola

sinusoid atau gelombang / siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.

Grafik disajikan pada gambar 2.3.

Pola Siklis (C)

12

10

8
Permintaan

6 Permintaan

0 2 4 6 8 10 12 14
Waktu (Periode)

Gambar 2.3 Pola Data Siklis (C)

4. Pola Trend (T).

Pola trend terjadi apabila data permintaan menunjukkan pola kecenderungan naik

atau turun atau bahkan konstan untuk jangka waktu yang panjang. Grafik pola pada

gambar 2.4.

Pola Trend (T)

30

25

20
Permintaan

15 Permintaan

10

123456789101112
Waktu (Periode)

Gambar 2.4 Pola Data Trend (T)

5. Pola Random / Acak (R).

Pola random /acak terjadi apabila fluktuasi data permintaan dalam jangka panjang

tidak dapat digambarkan dalam keempat pola lainnya. Faktor- faktor yang dapat

menyebabkan terjadinya pola ini karena adanya bencana alam, bangkrutnya

perusahaan pesaing, promosi khusus, dan kejadian- kejadian lainnya yang tidak

mempunyai pola tertentu. Grafik pola disajikan pada gambar 2.5.

 Pola Random (R)

8
7
6
5

Permintaan
4 Permintaan

3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Waktu (Periode)

Gambar 2.5 Pola Data Random / Acak (R)

2.4 Kesalahan Peramalan
Kesalahan peramalan mengatakan seberapa baik kinerja suatu model dibandingkan
dengan model itu sendiri dengan menggunakan data masa lalu. Merupakan rata-rata
diferensiasi absolut antara nilai peramalan dan aktual, yang dinyatakan sebagai
presentase nilai aktual.
2.4.1 Pengukuran Kesalahan Peramalan (Forecasting)
Adanya pengaruh permintaan dari tiap konsumen selalu berbeda-beda yang disebabkan

oleh beberapa faktor, menyebabkan nilai produksi yang akan

 datang tidak dapat dipastikan dengan pasti sehingga dengan melakukan perhitungan

peramalan maka akan lebih mendekati nilai yang sebenarnya walaupun nilai yang

akan didapat tidak akan tepat dengan nilai yang sebenarnya. Perhitungan rata-rata

kesalahan yang dibuat oleh suatu model peramalan setiap waktu menyediakan ukuran

seberapa tepat metode peramalan yang digunakan. Terdapat beberapa metode

pengukuran kesalahan yang sering digunakan.

2.4.1 Mean Absolute Deviation (MAD)

Pengukuran kesalahan peramalan yang umum digunakan adalah MAD (Mean

Absolute Deviation). MAD adalah rata-rata kesalahan yang dibuat dari sekumpulan

peramalan dari periode tertentu. Menurut Makridakis (1999,p47) MAD dirumuskan

sebagai berikut:

Dimana: Xt = data aktual pada periode t

Ft = nilai peramalan pada periode t n = jumlah data

2.4.2 Mean Square Error (MSE)

Mean Square Error (MSE) merupakan pengukuran kesalahan peramalan yang

dihitung dengan menjumlahkan kesalahan kuadrat dan membaginya dengan jumlah

observasi. MSE dapat dirumuskan sebagai berikut:

 Dimana: Xt = data aktual pada periode t

Ft = data peramalan pada periode t n = jumlah

data

2.4.3 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) merupakan pengukuran kesalahan

yang menghitung ukuran presentase penyimpangan antara data aktual dengan data

peramalan. Menurut Makridakis (1999,p61) dapat dirumuskan sebagai berikut:

Dimana: Xt = data aktual pada periode t

Ft = data peramalan pada periode t n = jumlah data

2.5 Pseudocode

Pseudocode berasal dari kata pseudo dan code, adalah deskripsi yang informal

dan padat dari sebuah algoritma pemrograman komputer yang menggunakan aturan

struktural dari bahasa pemrograman, tetapi menghilangkan detail-detail seperti

subrutin, deklarasi variabel atau syntax bahasa pemrograman tertentu.

Bahasa pemrograman dalam hal ini digabungkan dengan penjelasan detail

dalam bahasa natural agar terlihat lebih umum. Pseudocode bukanlah skeleton

programs atau dummy code yang madih bisa di-compile tanpa error. Flowchart dapat

juga dianggap sebagai salah satu bentuk pseudocode.

2.6 Waterfall Method

Metode Waterfall adalah sebuah model perancangan software secara

sekuensial, dimana proses perancangan tersebut mengalir secara teratur kebawah

sehingga terlihat seperti air terjun. Proses ini melalui fase-fase seperti, analisis

kebutuhan, desain, implementasi, pengetesan atau validasi, integrasi dan perawatan.

Asal kata waterfall sering dikutip dari artikel yang dipublikasikan pada tahun 1970

oleh W. W. Royce, ironisnya, Royce sendiri tidak menggunakan kata tersebut,

sebaliknya memakai kata pendekatan iteratif dalam perancangan software. Pada

awalnya Royce menggambarkan metode Waterfall adalah contoh metode yang

beresiko dan rawan terhadap kegagalan. Tetapi walapun begitu, penggunaan metode

ini tetap populer di dalam perancangan program.

 Gambar 2.6 Metode Waterfall

Seperti yang terlihat pada Gambar 2.6, proses perancangan program bergerak

dari atas ke bawah seperti air terjun. Di dalam model Waterfall yang dinyatakan oleh

Royce, fase-fasenya adalah sebagai berikut :

o Spesifikasi Kebutuhan System

o Spesifikasi Kebutuhan Software

o Analisis Permasalahan

o Mendesain Program

o Melakukan Coding

o Melakukan Pengujian

o Operasi