2.

DASAR TEORI

2.1. Peramalan Permintaan

Peramalan merupakan suatu proses dalam memperkirakan sesuatu yang
akan terjadi di masa datang berdasarkan informasi masa lalu yang telah dimiliki.
Menurut Gasperz (2001), peramalan sendiri merupakan suatu fungsi bisnis yang
berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-
produk tersebut dapat disediakan dalam jumlah yang tepat. Peramalan tidak dapat
memberikan sebuah jawaban pasti akan apa yang terjadi pada masa mendatang.
Fungsi dari peramalan adalah memberikan efektivitas dan efisiensi terhadap
inventory dari industri manufaktur.

2.2. Pola Data

Penggunaan metode peramalan permintaan yang cocok dilakukan dengan
melihat bagaimana pola dari data permintaan yang dimiliki. Pola tersebut
kemudian disesuaikan dengan metode peramalan yang ada dan dilihat nilai error
nya. Mengidentifikasi pola data merupakan hal yang sangat penting sebelum
dilakukan peramalan. Pemilihan pola data yang tepat dalam pengujian deret
berkala (time series) akan menentukan ketepatan dalam pengujian data.

Menurut Widjajati, & Soehardjoepri (2017), pola data dibedakan menjadi

empat jenis yaitu pola data horizontal, pola data musiman, pola data trend dan
pola data siklis. Pola data horizontal terjadi apabila data berfluktuasi di sekitar
nilai rata-rata yang konstan, pola musiman terjadi apabila suatu deret dipengaruhi
oleh faktor musiman. Pola trend terjadi apabila terjadi kenaikan atau penurunan
pada jangka panjang dalam data dan pola siklis terjadi apabila datanya
dipengaruhi oleh fluktuasi ekonimi jangka panjang.

5
Universitas Kristen Petra
 Gambar 2.1. Pola data (Sumber: Widjajati & Soehardjoepri, 2017)

2.3. Metode Peramalan

Peramalan atau forecasting merupakan suatu kegiatan yang bertujuan
untuk memprediksi atau memperkirakan apa yang akan terjadi di masa
mendatang. Penggunaan berbagai model peramalan dalam tentunya akan
memberikan nilai ramalan dan nilai error yang berbeda-beda pula. Peramalan
sendiri dibagi menjadi dua macam, yaitu peramalan kualitatif dan peramalan
kuantitatif. Peramalan kualitaitf merupakan peramalan berdasarkan intuisi atau
pertimbangan orang –orang tertentu sedangkan peramalan kuantitatif merupakan
peramalan berdasarkan analisis hubungan numeric dan data ( Gasperz, 2001).

Metode peramalan kualitatif pada dasarnya ditujukan untuk peramalan

terhadap produk baru, pasar baru, proses baru dan perubahan soial dalam
masyarakat. Gasperz mengatakan peramalan kuantitatif umumnya diterapkan
dalam peramalan permintaan. Penelitian ini menggunakan metode peramalan
moving average dan exponential smoothing model yang juga turut
mempertimbangkan kondisi dari event khusus (special event)

6
Universitas Kristen Petra
• Moving Average

Metode ini merupakan metode yang menggunakan sejumlah data aktual

permintaan yang baru untuk membangkitkan nilai ramalan di masa yang akan
darang. Metode Moving Average akan efektif diterapkan apabila kita dapat
mengasumsikan bahwa permintaan pasar terhadap ptoduk akan tetap stabil
sepanjang waktu (Gasperz, 2001). Rumus moving average menggunakan
formula sebagai berikut:
∑(Permintaan dalam n−periode terdahulu)
Rata-rata bergerak n- Periode = n
(2.1)

Dengan n adalah banyaknya periode dalam rata-rata bergerak.

• Exponential Smoothing
Peramalan dengan metode Exponential Smoothing merupakan peramalan
yang digunakan untuk pola data yang tidak stabil atau perubahannya besar dan
bergejolak (Gasperz, 2001) . Peramalan ini menggunakan konstanta (∝)
pemulusan dengan nilai antara 0 hingga 1. Nilai ∝ mendekati 1 dipilih apabila
pola historis dari data aktual sangat bergejolak atau tidak stabil sedangkan ∝
mendekati 0 apabila pola data aktual stabil. Rumus dari peramalan Exponential
Smoothing adalah sebagai berikut
F t = F t-1 + ∝( A t-1 - F t-1 ) (2.2)
Dengan :
Ft = Nilai ramalan untuk periode waktu ke t
F t-1 = Nilai ramalan untuk satu periode waktu yang lalu
A t-1 = Nilai aktual untuk satu periode waktu yang lalu
∝ = Konstanta pemulusan

• Event Based

Metode peramalan event based merupakan metode pendekatan penjualan

yang berdasarkan pada special event yang terjadi pada periode-periode tertentu
(Widjajati & Soehardjoepri, 2017). Tinggi rendahnya penjualan akan berdasarkan
pada indeks yang dimiliki oleh masing-masing event. Peramalan yang

7
Universitas Kristen Petra
menggunakan Moving Average akan disebut sebagai Moving Average Event
Based (MAEB) dan peramalan yang menggunakan exponential smoothing akan
disebut Exponential Smoothing Event Based (ESEB). Persamaan dalam
penghitungan indeks special event adalah sebagai berikut:

𝑋𝑡 (2.3)
It=
𝐹𝑡

Dengan

It = Indeks pada periode t

Xt = Data aktual pada periode t

Ft = Peramalan pada periode t

Penghitungan indeks hanya dilakukan pada periode yang memiliki special

event saja. Indeks special event yang telah dihasilkan oleh persamaan 2.3
kemudian dijadikan faktor pengali untuk meramalkan permintaan pada periode
selanjutnya. Rumus untuk perkalian tersebut adalah sebagai berikut:

P t+1 = G t+1 x F t+1 (2.4)

Dengan

P t+1 = Peramalan dengan indeks pada periode t+1

G t+1 = Grup indeks special event pada periode t+1

F t+1 = Peramalan periode t +1

• Exponential Smoothing with Trend Adjustment

Exponential Smoothing with Trend Adjustment merupakan model

pemulusan exponential yang turut mempertimbangkan kecenderungan dari trend.
Metode ini merupakan pengembangan dari metode Exponential Smoothing
sederhana. Persamaan ini menggunakan konstanta pemulusan beta yang dihitung
berdasarkan formula sebagai berikut (Gasperz, 2001):

T t = ( 1 – β ) T t-1 + β ( Ft - F t-1 ) (2.5)

8
Universitas Kristen Petra
 Dengan:
Tt = Smoothed Trend untuk periode t
T t-1 = Smoothed trend untuk periode t-1
β = Konstanta dari trend- smoothing yang dipilih
Ft = Nilai ramalan berdasarkan metode exponential smoothing
untuk periode t
F t-1 = Nilai ramalan berdasarkan metode exponential smoothing
untuk periode t-1
• Winter’s Exponential

Winter’s Exponential merupakan metode peramalan yang digunakan

apabila data yang dimiliki memiliki komponen musiman. (Nurmaulidar; Rusyana
A; Maqfirah R, 2016). Metode ini didasarkan pada tiga konstanta pemulusan
yaitu linear (∝), trend (β) dan musiman (γ). Metode Winter’s model
Multiplicative digunakan untuk time series yang mengandung trend linier serta
meningkatnya variasi musiman, tingkat pertumbuhan dan pola musiman yang
mungkin bertambah ( (Nurmaulidar; Rusyana A; Maqfirah R, 2016). Persamaan
untuk Winter’s Multiplicative adalah sebagai berikut:

𝑌𝑡
Lt = ∝ 𝑆 + (1-α)(L t-1 + b t-1 ) (2.6.1)
𝑡−𝑠

B t = β(L t –L t-1 )+ (1- β) b t-1 (2.6.2)

𝑌𝑡
St = γ + ( 1- γ) ) 𝑆𝑡−𝑠 (2.6.3)
𝐿𝑡

F t+m = (L t + b t m) S t-s+m (2.6.4)

Dengan:

Yt = Nilai aktual yang meliputi musiman

Lt = Nilai pemulusan tunggal

bt = Pemulusan trend

St = Pemulusan musiman

9
Universitas Kristen Petra
S = Panjang musiman

α,β,γ = Konstanta dengan nilai antara 0 hingga 1

M = Periode masa mendatang

F t+m = Nilai ramalan

2.4. Validasi Keandalan Model Peramalan

Penelitian memerlukan data validasi untuk mengetahui apakah model
peramalan yang diusulkan lebih baik daripada metode awal atau tidak. Semakin
kecil error yang dihasilkan maka semakin baik pula peramalan yang digunakan.
Ada beberapa penghitungan yang dapat digunakan untuk menghitung error dari
peramalan yang dilakukan.

Penelitian ini menggunakan metode validasi keandalan Mean Absolute

Deviation (MAD), Mean Absolute Percentage Error (MAPE) dan Mean Square
Error (MSE). Metode ini menggunakan selisih nilai perbedaan antara nilai
forecast dengan nilai aktual. Rumus penghitungan error forecast menurut Hanke
dan Wichern ( 2009) adalah sebagai berikut:

1
MAD = ∑𝑛𝑡=1 |𝑌𝑡 − 𝑌�𝑡 | (2.7)
𝑛

1 |𝑌𝑡 −𝑌�𝑡 |
MAPE = ∑𝑛𝑡=1 (2.8)
𝑛 𝑌𝑡
1
MSE = ∑𝑛𝑡=1(𝑌𝑡 − 𝑌�𝑡 )2 (2.9
𝑛

Dengan

Yt = nilai aktual pada periode t

�t =
Y nilai forecast pada periode t

10
Universitas Kristen Petra