BAB II

LANDASAN TEORI

2.1 Pengertian Forecasting

Forecasting atau peramalan adalah proses untuk memperkirakan
kebutuhan dimasa yang akan datang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan
barang atau jasa (Kushartini & Almahdy, 2016)
Dengan kata lain, peramalan dapat diartikan sebagai proses untuk memperkirakan
kebutuhan dimasa yang akan datang dengan menggunakan data di masa lalu yang
dapat memberikan hasil peramalan yang dipercaya ketetapannya menggunakan
metode-metode peramalan yang bertujuan untuk meminimalkan resiko kesalahan.
Manfaat utama dari forecasting adalah bisa menekan pengeluaran dan
menghindari kerugian akibat produksi berlebihan. Kapasitas produksi akan
disesuaikan dengan jumlah permintaan dari data forecasting. Dengan begitu,
jumlah produk di pasaran tidak berlebih, tidak mempengaruhi harga, dan
meminimalisir kerugian akibat barang yang tidak terjual.

2.2 Tahap-Tahap Peramalan (Forecasting)

Tahap-tahap Peramalan (Forecasting) Menurut (Sugiyono, 2016) terdapat
sembilan tahap yang harus diperhatikan untuk menjamin efektifitas dan efisiensi
dari sistem peramalan sebagai berikut :
1. Menentukan tujuan peramalan
2. Memilih item yang akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih metode peramalan
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan
6. Validasi metode peramalan
7. Membuat peramalan
8. Implementasi hasil peramalan
9. Memantau ketepatan hasil peramalan

4
 5

2.3 Tujuan Peramalan

Adapun tujuan dari peramalan adalah sebagai berikut:
1. Untuk mengevaluasi kebijakan perusahaan yang diambil saat ini atau
di masa lalu, dan melihat pengaruhnya di masa depan
2. Untuk memperhitungkan estimasi time delay atau penundaan waktu
dalam pembuatan keputusan bisnis dan waktu untuk implementasi
keputusan bisnis
3. Untuk dijadikan dasar atau alasan dalam mengambil keputusan atau
mengambil rencana. Dengan begitu, rencana bisnis dan keputusan jadi
lebih efektif.

2.4 Faktor Yang Mempengaruhi Forecasting

Beberapa faktor yang mampu mempengaruhi forecasting adalah sebagai
berikut (Nurlifa & Kusumadewi, 2017):
1. Sifat produk, yaitu jangka waktu produk yang akan diproduksi. Apakah
produksi jangka panjang atau pendek.
2. Tingkat persaingan. Bagaimana posisi perusahaan dengan pesaingnya. Apa
kekuatan, kelemahan, peluang dan tantangan yang akan dihadapi antara
perusahaan dengan pesaing.
3. Data historis. Segala data kejadian yang berhubungan dengan perusahaan
di masa lalu. Biasanya data yang diambil setidaknya merupakan data
perkembang dari lima tahun lalu.

2.5 Pola Data

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.
 6

Menurut (Widjajati & Fani, 2017), pola data dibedakan menjadi empat
jenis yaitu:
1. Pola Horizontal
Pola ini terjadi bila data berfluktuasi di sekitar rata-ratanya. Produk yang
penjualannya tidak meningkat atau menurun selama waktu tertentu
termasuk jenis ini. Struktur datanya dapat digambarkan sebagai berikut ini:

Gambar 21. Pola Musiman

2. Pola Musiman
Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu
tertentu). Struktur datanya dapat digambarkan sebagai berikut ini:

Gambar 2.2 Pola Musiman

 7

3. Pola Siklis
Pola ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis. Struktur datanya
dapat digambarkan sebagai berikut:

Gambar 2.3 Pola Siklis

4. Pola Trend
Pola Trend terjadi bila ada kenaikan atau penurunan sekuler jangka
panjang dalam data. Struktur datanya dapat digambarkan sebagai berikut:

Gambar 2.4 Pola Trend

2.6 Klasifikasi Peramalan

Metode peramalan dapat diklasifikasi atas dua kelompok besar yaitu
metode kualitatif dan kuantitatif. Kedua kelompok tersebut memberikan hasil
peramalan yang kuantitatif. Perbedaannya terletak pada cara peramalan yang
 8

dilakukan. Metode kualitatif didasarkan pada pertimbangan akal sehat (human

judgement) dan pengalaman. Metode kuantitatif adalah sebuah prosedur formal
yang menggunakan model matematik dan data masa lalu untuk memproyeksikan
kebutuhan di masa yang akan datang (Anggraini,2017).
a) Metode kualitatif
Metode kualitatif pada umumnya digunakan apabila data kuantitatif
tentang permintaan masa lalu tidak tersedia atau akurasinya tidak
memadai. Misalnya peramalan tentang permintaan produk baru yang akan
dikembangkan, jelas data masa lalu tidak tersedia. Walaupun data masa
lalu tersedia, kalau kondisi lingkungan masa yang akan datang sama sekali
sudah berbeda dengan kondisi masa lalu maka keberadaan data masa lalu
itu tidak akan menolong peramalan permintaan masa yang akan datang.
b) Metode kuantitatif
Peramalan berdasarkan metode kuantitatif (intrinsic forecasting)
mempunyai asumsi bahwa data permintaan masa lalu dari produk atau
item yang diramalkan mempunyai pola yang diperkirakan masih berlanjut
ke masa yang akan datang. Pola permintaan tersebut mungkin kurang jelas
terlihat karena faktor random yang menghasilkan fluktuasi. Peramalan
mencakup analisis data masa lalu untuk menemukan pola permintaan dan
berdasarkan pola ini diproyeksikan besarnya permintaan pada masa yang
akan datang. Karena metode peramalan intrinsik ini didasarkan pada
asumsi bahwa pola permintaan masa lalu akan terus berlanjut ke masa
yang akan datang maka metode ini tidak mampu memproyeksikan titik
belok (turning points) yaitu perubahan permintaan secara tiba-tiba. Untuk
peramalan permintaan jangka pendek masalah yang demikian tidak akan
ditemui.

2.7 Metode Time Series

Model ini didasarkan pada tahapan dari titik data yang sudah tertentu
(mingguan, bulanan, kuartalan, dan sebagainya). Peramalan model ini
memberikan implikasi bahwa nilai masa depan diprediksi hanya dari nilai masa
 9

lalu dan bahwa variabel-variabel lain tidak peduli berapa pun nilainya,
dihilangkan. Adapun metode yang digunakan pada time series adalah moving
average, simple average, single moving average, double moving average, weight
moving average, dan auto regressive moving average.

2.8 Exponential Smoothing

Apabila pola historis dari data aktual permintaan sangat bergejolak atau
tidak stabil dari waktu ke waktu maka kita memilih nilai  yang mendekati 1.
biasanya dipilih nilai  = 0,9 namun dapat juga dicoba nilai–nilai lain yang
mendekati 1 seperti  = 0,8; 0,95; 0,99 dan lain-lain, tergantung pada sejauh mana
gejolak dari data itu. semakin bergejolak maka nilai  yang dipilih harus semakin
tinggi menuju ke nilai 1. Apabila pola historis dari data aktual permintaan tidak
berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih  yang
mendekati nol. biasanya dipilih nilai  = 0,1 namun dapat juga dicoba nilai-nilai 
lain yang mendekati 0, seperti  = 0,2; 0,15; 0,01 dan lain-lain, tergantung pada
sejauh mana gejolak dari data itu. semakin tidak bergejolak maka nilai  yang
dipilih harus semakin tinggi menuju ke nilai 0. Adapun metode yang digunakan
pada exponential smoothing adalah Metode Brown’s Single Exponential
Smoothing, Metode Double Exponential Smoothing, Metode Exponential
Smoothing With Trend, Metode Triple Exponential Smoothing: Brown’s One
Parameter Quadratic, Metode Triple Exponential Smoothing: Winter’s Three
Parameter Trend and Seasonality dan Metode Dekomposisi (Mardhiyah, R 2016).

2.9 Metode Regresi/Kausal

Metode peramalan kausal mengembangkan suatu model sebab akibat
antara permintaan yang diramalkan dengan variabel-variabel lain yang dianggap
berpengaruh.
1. Metode Peramalan Regresi Linier
Yt = a + b...............................................................................................(2.1)
ΣY(t)-bΣt
a =..........................................................................................................(2.2)
n
 10

nΣty- Σ(t)Σ(y)
b= 2….......................................................................................................... (2.3)
n-Σt2-(Σt)

2. Metode Peramalan Kuadratis

Yt = a + bt +ct2.......................................................................................(2.4)
ΣY-bΣt-cΣt2
a= (2.5)
n...................................................................................................
λδ- θα
b= (2.6)
λβ- α2.......................................................................................................................
θ-bα
c= (2.7)
λ.........................................................................................................
3. Metode Eksponensial
Yt = acbt..................................................................................................(2.8)
nΣt ln Y- ΣtΣ ln Y
b= 2…...................................................................................................... (2.9)
nΣt2-(Σt)
Σ ln Y-bΣt
ln α = (2.10)
n............................................................................................
4. Metode Siklis
2 𝜋𝑡 2𝜋𝑡...................................................................
Yʹ = α + b sin (2.11)
𝑛 +c 𝑛
2𝜋 2𝜋..............................................................
Σ Y = nα + b sin + c cos (2.12)
𝑛 𝑛
2𝜋 2𝜋 2𝜏 2𝜋 2𝜋............................
Σ 𝑌 𝑠𝑖𝑛 = α Σ 𝑠𝑖𝑛 b sin 2
+ c Σ sin cos (2.13)
𝑛 𝑛 𝑛 𝑛 𝑛

2.10 Uji Kesalahan (Uji Verifikasi)

Uji kesalahan peramalan atau uji verifikasi dilakukan terhadap metode
peramalan untuk menentukan metode peramalan yang terpilih.
1. Mean Square Error (MSE)
MSE =
∑𝑛 ( 𝑇𝑡 − 𝑌ʹ 𝑡)2.......................................................... (2.14)
𝑡

2. Standart Error of Estimate (SEE)

SEE = n
∑t=1 (Tt - Yʹ t)
2

…………………………..……..……………..(2.15)
√ n-f
 11

3. Percentage Error (PE)

Tt - Yʹ t
PEt = ( ) x 100%..........................................................................(2.16)
Tt

4. Absolute Percentage Error (MAPE)

ΣPEi....................................................................................................................................
MAPE = (2.17)
n