BAB II

LANDASAN TEORI

2.1 Forecasting (Peramalan)

Menurut Lusiana dan Yuliarty (2020), peramalan adalah suatu kegiatan
atau proses untuk memperkirakan atau memprediksikan tentang berapa kebutuhan
dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu
dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa
tentunya dengan bantuan penyusunan rencana terlebih dahulu, dimana rencana ini
dibuat berdasarkan kapasitas dan kemampuan permintaan/produksi yang telah
dilakukan di perusahaan.
Peramalan adalah seni dan ilmu untuk memprediksi kejadian di masa
depan dengan melibatkan pengambilan data historis dan memproyeksikannya ke
masa mendatang dengan model pendekatan sistematis. Peramalan perlu dilakukan
sebagai bentuk perencanaan dan analisa kebutuhan pasar yang tepat dan efisien
untuk mencapai keberhasilan suatu perusahaan. Peramalan merupakan salah satu
unsur statistika yang sangat penting dalam pengambilan keputusan. Salah satu
metode peramalan adalah metode deret berkala. Metode deret berkala merupakan
metode peramalan yang memperkirakan penjualan/permintaan periode yang akan
datang dengan menggunakan data histori (Indarwati, dkk, 2018).
Data deret waktu memperkirakan peristiwa masa depan berdasarkan data
sebelumnya. Time series (data deret waktu) didefinisikan dengan pengamatan
yang teratur dan berpusat pada suatu variabel tertentu selama periode waktu
tertentu. Makridakis menyatakan bahwa peramalan kuantitatif dapat digunakan
asalkan tiga persyaratan berikut terpenuhi yakni dihasilkan dalam bentuk numerik,
tdersedianya informasi tentang masa lalu (data historis), dan dapat menghasilkan
asumsi terkait pola suatu peristiwa akan berulang di masa depan (Winarsih dan
Nugroho, 2023).
Perancangan suatu metode peramalan dilakukan dengan melalui beberapa
tahapan yaitu sebagai berikut (Indarwati, 2018):
1. Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk
mendapatkan gambaran pola dari data bersangkutan.
2. Memilih metode yang akan digunakan. Terdapat bermacam-macam metode
yang tersedia dengan keperluannya. Pemilihan metode dapat mempengaruhi
hasil ramalan. Hasil ramalan diukur dengan menghitung error atau kesalahan
terkecil. Oleh karena itu, tidak ada metode peramalan yang pasti baik untuk
semua jenis data.
3. Proses transformasi dari data masa lampau dengan menggunakan metode
yang dipilih. Apabila diperlukan maka diadakan perubahan sesuai
kebutuhannya.
Berikut adalah jenis-jenis pola peramalan yang harus diperhatikan sebelum
melakukan peramalan (Lusiana dan Yuliarty, 2020):
1. Trend (T)
Pola data ini terjadi bila ada kenaikan atau penurunan dari data secara gradual
dari gerakan datanya dalam kurun waktu panjang.

Gambar 2.1 Pola Data Trend

(Sumber: Lusiana dan Yuliarty, 2020)
2. Seasonality (S)
Pola musiman terjadi bila pola datanya berulang sesudah suatu periode
tertentu: hari, mingguan, bulanan, triwulan dan tahun.

Gambar 2.2 Pola Data Seasonality

(Sumber: Lusiana dan Yuliarty, 2020)
3. Cycles (C)
 Siklus adalah suatu pola data yang terjadinya setiap beberapa tahun, biasanya
dipengaruhi oleh fluktuasi ekonomi jangka panjang berkaitan dengan siklus
bisnis.
Berikut grafik yang menggambar data pola musiman:

Gambar 2.3 Pola Data Cycles

(Sumber: Lusiana dan Yuliarty, 2020)
4. Horizontal (H) / Stasioner
Pola data ini terjadi bila nilai data berfluktuasi di sekitar nilai rata-rata yang
tetap, stabil atau disebut stasioner terhadap nilai rata-ratanya.

Gambar 2.4 Pola Data Horizontal

(Sumber: Lusiana dan Yuliarty, 2020)

2.1.1 Metode Forecasting

Proses peramalan dapat dilakukan dengan menggunakan beberapa metode.
Adapun metode yang dapat digunakan untuk menganalisis data dalam peramalan
adalah sebagai berikut:

2.1.1.1 Moving Average

Moving average atau Simple Moving Average (Rata-rata bergerak
sederhana) merupakan metode peramalan yang menggunakan rata-rata dari
sejumlah (n) data terkini untuk meramalkan periode mendatang. Simple Moving
Average adalah salah satu metode peramalandengan cara menghitung rata-rata
dengan rentang waktu tertentu ke belakangdengan tidak melakukan
pembobotan. Dengan menggunakan metode rata-rata bergerak ini (moving
aveerage), 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. Metode ini baik digunakan untuk data yang bersifat tidak stabil,
dan tidak memiliki tren. Rumus untuk menghitung nilai Simple Moving
Averageadalah sebagai berikut (Lusiana dan Yuliarty, 2020):
X t + X t-1
Forecast St+1 = …(2.1)
n

Keterangan:
St+1 = Nilai Move Average pada periode t
Xt = Jumlah data dalam Move Average
Xt-1 = Nilai ramalan periode berikutnya
n = Panjang serial waktu yang digunakan

2.1.1.2 Weight Move Average

Menurut Jay Heizer dan Barry Render metode Weighted Moving Average
merupakan hitungan bergerak dengan memberi bobot pada data sebenarnya,
pemberian bobot memberi tujuan untuk menekan data terbaru. Pada metode
Weighted Moving Average data terbaru diberikan bobot yang lebih besar.
Weighted Moving Average (WMA) adalah rata-rata bergerak yang memiliki bobot
dan mempunyai teknik pemberian bobot yang berbeda bagi setiap historis di masa
lalu untuk setiap data historis di masa lalu yang tersedia, dengan asumsi bahwa
data historis yang paling terakhir atau terbaru akan memiliki bobot lebih besar
dibandingkan dengan data historis yang lama karena data yang paling terakhir
atau terbaru merupakan data yang paling relevan untuk peramalan. Keunggulan
dari metode ini adalah pemberian nilai bobotnya dapat disesuaikan. Rumus untuk
menghitung nilai WMA adalah sebagai berikut (Nasution, 2019)

Forecast WMA =
∑ (At x Bobot) …(2.2)
n
Keterangan:
At = Permintaan pada periode t
n = Panjang serial waktu yang digunakan

2.1.1.3 Exponential Smoothing

Metode Exponential Smoothing berasal dari pembobotan (faktor
pemulusan) dari periode-periode sebelumnya yang membentuk hubungan
eksponensial, model ini didasarkan pada ide bahwa ramalan yang handal dapat
diperoleh dengan cara memodelkan pola-pola didalam data yang terlihat pada plot
time-series-nya, kemudian melakukan suatu ekstrapolasi pola-pola itu untuk
meramalkan periode setelahnya.
Metode Exponential Smoothing ini mengikutsertakan data dari semua
periode. Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai
peramalan periode setelahnya. Secara matematis rumus peramalan dengan metode
Exponential Smoothing adalah sebagai berikut (Kristanti dan Darsyah, 2018):
Ft = Ft-1 + α (At-1 - Ft-1) …(2.3)
Keterangan:
At-1 = Data permintaan untuk periode t
α = Faktor/ konstanta pemulusan
Ft-1 = Peramalan untuk periode t-1

2.1.1.4 Linear Regression

Linear Regression merupakan sebuah metode statistik yang melakukan
prediksi menggunakan pengembangan hubungan matematis antara variabel, yaitu
variabel dependen (Y) dengan variabel independen (X). Variabel dependen
merupakan variabel akibat atau variabel yang dipengaruhi, sedangkan variabel
independen merupakan variabel sebab atau variabel yang mempengaruhi. Prediksi
terhadap nilai variabel dependen dapat dilakukan jika variabel independennya
diketahui. Umumnya penjualan atau permintaan suatu produk dinyatakan sebagai
variabel dependen yang besar atau nilainya dipengaruhi oleh variabel independen
(Ayuni dan Fitrianah, 2019).
 Regresi linear menjadi salah satu metode yang dipergunakan dalam
produksi untuk melakukan peramalan atau prediksi tentang karakteristik kualitas
maupun kuantitas. Hal ini dikarenakan dengan memperkirakan berbagai
kombinasi produk, perusahaan dapat memaksimalkan keuntungan serta
memperkirakan jumlah produksi yang tepat. Rumus untuk Regresi Linear dengan
metode kuadrat terkecil atau sederhana adalah sebagai berikut (Ayuni dan
Fitrianah, 2019):
( ∑ y ) ( ∑ x 2 ) - ( ∑ x ) ( ∑ xy )
a=
n( ( ∑ x2 ) - ( ∑ x) 2
…(2.4)
( ∑ xy ) - ( ∑ x ) ( ∑ y )
b=
n( ( ∑ x ) - ( ∑ x)
2 2

…(2.5)
y = a + b. x …(2.6)
Keterangan:
a = Konstanta yang menunjukkanbesarnya nilai y
b = Besaran perubahan nilai y
x = Periode penjualan
y = Jumlah penjualan

2.1.1.5 Menentukan Metode Terpilih

Biasanya peramalan dilakukan dalam rangka mengurangi resiko dalam
kondisi ketidakpastian terhadap suatu hal yang mungkin akan terjadi di masa pada
masa depan, minimalisir dalam rangka ketidakpastia. Dalam metode kualitatif, di
telaahnya pendapat dan teori dari para ahli akan dijadikan landasan pertimbangan
dalam langkah pengambilan keputusan sebagai hasil dari peramalan dilakukan
sebelumnya. Namun, apabila data masa lalu banyak tersedia dan memenuhi
kriteria, peramalan dengan metode kuantitatif dirasa lebih efektif dalam
pengalikasiannya apabila dibandingkan dengan metode kualitatif (Ahmad, 2020).
Ketepatan akurasi hasil pengukuran dalam peramalan yang merupakan
suatu hasil kesalahan tentang besaran perbedaan antara hasil permintaan dengan
permintaan yang sebenarnya dilapangan. Beberapa pilihan metode pendekatan
telah digunakan untuk mengatahui besaran kesalahan yang timbul dalam oleh
suatu teknik peramalan tertentu. Dimana hampir keseluruhan dari ukuran tersebut
menggunakan beberapa fungsi dari nilai yang ada dengan nilai hasil perhitungan
peramalan. Perbedaan nilai ini biasanya disebut juga sebagai residual, kemudian
metode peramalam yang memiliki nilai residu resdu terkecil yang akan dipilih
(Ahmad, 2020).

2.1.1.6 Tracking Signal

Langkah penting untuk menentukan metode peramalan terbaik adalah
dengan berdasarkan tingkat akurasi dan verifikasi hasil peramalan menggunakan
grafik pengendali. Salah satu metode yang paling sering digunakan untuk
verifikasi hasil peramalan adalah menggunakan metode grafik pengendali
tracking signal. Metode tracking signal merupakan grafik pengendali yang
menunjukkan apakah hasil peramalan masih dalam batas kontrol/pengendali,
sehingga akurasi hasil peramalan dapat diterima. Tracking signal sendiri memiliki
nilai error yang relatif lebih kecil jika dibandingkan dengan metode lainnya,
sehingga metode ini lebih representatif apabila diimplementasikan dalam suatu
peramalan. (Habsari, dkk, 2020).
Nilai tracking signal yang baik akan didapat jika nilai RSFE kecil dan
Pusat atau titik tengah tracking signal mendekati nol. Sementara batas bawah dan
batas atas digunakan ± 4 MAE untuk kebutuhan besar dan ± 8 MAE untuk
kebutuhan kecil/sedikit. Tracking Signal positif artinya permintaan aktual lebih
besar dari nilai hasil peramalan, dan sebaliknya jika nilai tracking signal negatif
artinya permintaan aktual lebih kecil dari pada nilai hasil peramalan (Jaqin dan
Santa, 2020).
Tracking Signal adalah rasio antara kumulatif error (selisih nilai ramalan
dengan nilai aktual)/ RSFE (Running Sum of the Forecast Error) terhadap MAD
(Mean Absolute Deviation). Secara matematis nilai tracking signal dapat ditulis
dalam persamaan rumus sebagai berikut (Jaqin dan Santa, 2020):
RSFE
Tracking Signal = …(2.7)
MAD
2.1.2 Pengukuran Kesalahan Peramalan
Sebelum menggunakan suatu metoda peramalan terlebih dahulu harus
melalukan pemeriksaan untuk mengetahui bentuk dan jumlah data apakah
memenuhi syarat atau tidak. Uji Kesalahan Peramalan digunakan dengan
membandingkan hasil peramalan dengan data aktual. Menurut Sofyan makin kecil
nilai kesalahan maka makin tinggi tingkat ketelitian peramalan, demikian
sebaliknya. Besarnya kesalahan peramalan dapat dihitung dengan menggunakan
beberapa metode perhitungan yaitu sebagai berikut (Lusiana dan Yuliarty, 2020):

2.1.2.1 MAD (Mean Absolute Deviation)

MAD (Mean Absolute Deviation) adalah rata-rata kesalahan mutlak
selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar
atau lebih kecil dari kenyataan. MAD mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan) serta MAD
memberikan bobot yang sama pada setiap nilai selisih peramalan dan aktual dapat
dilihat pada persamaan berikut:

MAD =
∑ |(A t - Ft ) 2|
…(2.8)
n
Keterangan:
At = Demand pada periode t
Ft = Forecast pada periode t
n = Jumlah periode demand yang terlibat

2.1.2.2 MSE (Mean Square Error)

MSE menghasilkan kesalahan yang lebih baik dimana selisih kuadrat rata-
rata antara nilai yang diantisipasi dan nilai sebenarnya. MSE (Mean Square Error)
atau rata-rata kuadrat kesalahan adalah perhitungan eror ini memberikan pinalti
pada selisi yang lebih besar dibandingkan selisih yang kecil melalui perhitungan
kuadrat dapat dilihat pada persamaan berikut:

MSE =
∑ ( At - F t )2 …(2.9)
n
Keterangan:
At = Demand pada periode t
Ft = Forecast pada periode t
n = Jumlah periode demand yang terlibat

2.1.2.3 MAPE (Mean Absolute Percentage Error)

MAPE (Mean Absolute Percentage Error) mengukur perbedaan
persentase antara data aktual dan data yang diantisipasi merupakan rata-rata
kesalahan mutlak selama periode tertentu yang dikalikan 100% agar mendapatkan
hasil secara persentase dan digunakan jika ukuran variabel yang diramalkan
sangat menentukan akurasi peramalan dapat dilihat pada persamaan berikut:
|A - F t|
MAPE =
∑A t x 100%
…
t
n
(2.10)
Keterangan:
At = Demand pada periode t
Ft = Forecast pada periode t
n = Jumlah periode demand yang terlibat