8

BAB 2

LANDASAN TEORI

2.1 Peramalan

Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk

melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa

faktor yang mempengaruhi peramalan antara lain:

1. Kondisi utama bisnis dan ekonomi.

2. Reaksi dan tindakan pesaing.

3. Tindakan pemerintah.

4. Kecenderungan pasar.

5. Inovasi teknologi.

2.1.1 Definisi Peramalan

Menurut Nasution (2003,p25), peramalan adalah suatu proses untuk

memperkirakan beberapa kebutuhan di masa yang akan datang yang meliputi

kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan

dalam rangka memenuhi permintaan barang maupun jasa. Secara lebih rinci

peramalan menurut Makridakis (1999,p14) adalah suatu kemampuan untuk

memperkirakan / menduga keadaan permintaan produk di masa datang yang tidak

pasti. Peramalan merupakan suatu alat bantu yang penting dalam perencanaan

produksi yang efisien dan efektif karena peramalan digunakan sebagai dasar

untuk menentukan kebijakan pengendalian dari sistem inventory (persediaan).

9

Selain itu peramalan juga digunakan untuk bagian / departemen lainnya seperti

pemasaran, produksi, pembelian, persediaan, keuangan, serta litbang

(Baroto,2002,p22).

Oleh karena itu peramalan dapat dikatakan sebagai suatu bentuk perkiraan

untuk perusahaan untuk dapat mengantisipasi permintaan dengan membuat suatu

perencanaan operasi sampai melakukan perencanaan dan pengendalian

persediaan.

Faktor-faktor yang mempengaruhi permintaan (Nasution,2003,p27):

1. 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.

2. Siklus hidup produk.

Siklus hidup suatu produk biasanya mengikuti suatu pola yang biasa

disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap

waktu, dimana siklus hidup suatu produk akan menjadi fase pengenalan,

fase pertumbuhan, fase pematangan dan akhirnya fase penurunan. Untuk

menjaga kelangsungan usaha, maka perlu dilakukan inovasi produk untuk

masa yang tepat.

3. Faktor-faktor lainnya.

Beberapa faktor lain yang mempengaruhi permintaan adalah reaksi balik

dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang

10

dilakukan sendiri oleh perusahaan seperti peningkatan kualitas, pelayanan,

anggaran periklanan, dan kebijakan pembayaran secara kredit.

Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara

umum. Karakteristik ini harus diperhatikan untuk menilai suatu proses peramalan

permintaan dengan metode yang digunakan. Karakteristik peramalan permintaan

adalah sebagai berikut (Nasution,2003,p28):

1. Akurasi.

Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan

kekonsistensian peramalan tersebut.hasil peramalan dikatakan bias bila

peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan

kenyataan yang terjadi. Hasil peramalan dikatakan konsisten apabila

besarnya kesalahan peramalan relatif kecil.

2. Biaya.

Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari

jumlah item yang diramalkan, lamanya periode peramalan dan metode

peramalan yang dipakai.

3. Kemudahan.

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

11

Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka

ada beberapa hal yang harus dipertimbangkan yaitu (Nasution,2003,p29):

1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat

menghilangkan ketidakpastian tersebut.

2. Peramalan seharusnya memberikan informasi tentang berapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka

adalah penting bagi peramal untuk menginformasikan seberapa besar

kesalahan yang mungkin terjadi.

3. Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan

jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek,

faktor-faktor yang mempengaruhi permintaan relatif masih konstan,

sedangkan semakin panjang periode peramalan, maka semakin besar pula

kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi

permintaan.

Langkah-langkah peramalan permintaan yang harus diperhatikan adalah

(Baroto,2002,p26):

1. Penentuan Tujuan. Tujuan peramalan tergantung pada kebutuhan

informasi para manajer. Analis peramalan membicarakan dengan para

“decision maker” untuk mengetahui apa kebutuhan mereka dan

selanjutnya menentukan:

Variabel apa yang diramalkan.

12

Siapa yang akan menggunakan hasil peramalan.

Untuk tujuan apa hasil peramalan digunakan.

Peramalan jangka panjang atau jangka pendek yang diperlukan.

Derajat ketepatan peramalan yang diinginkan.

Kapan peramalan diperlukan.

Bagian –bagian peramalan yang diinginkan, seperti peramalan untuk

kelompok pembeli, kelompok produk, atau daerah geografis.

2. Pengembangan model. Model merupakan cara pengelolahan dan

penyajian data agar lebih sederhana sehingga mudah untuk dianalisa.

Model adalah suatu kerangka analitik yang bila dimasukkan data input

akan menghasilkan output berupa ramalan di masa yang akan datang.

Pemilihan model yang dikembangkan bersifat krusial, setiap model

memiliki asumsi yang harus sesuai dengan tipe data input sebagai syarat

penggunaannya. Validitas dan reliabilitas ramalan sangat ditentukan oleh

model yang digunakan.

3. Pengujian model. Pengujian model dilakukan untuk melihat akurasi,

validasi, reliabilitas yang diharapkan. Nilai suatu model ditentukan oleh

derajat ketepatan hasil peramalan dengan kenyataan (actual). Bila model

telah memenuhi tingkat akurasi, validitas dan reliabilitas yang telah

ditetapkan, maka model ini dapat diterima.

4. Penerapan model. Penerapan model dengan cara memasukkan data

histori untuk menghasilkan suatu ramalan.

13

5. Revisi dan evaluasi. Hasil ramalan yang telah dibuat harus senantiasa

ditinjau ulang untuk diperbaiki. Perbaikan perlu dilakukan bila terdapat

perubahan berarti pada variabel input-an. Hasil peramalan harus

dibandingkan dengan kondisi nyata untuk menentukan apakah model

peramalan yang digunakan masih memiliki tingkat akurasi yang

ditetapkan. Bila tidak, maka model peramalan harus dikembangkan ulang.

2.1.2 Horizon Waktu

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).

Peramalan menurut horizon waktu dibagi menjadi 3 bagian yaitu

(Heizer,2001,p138-139):

1. Peramalan jangka panjang (Long Range Forecast).

Peramalan jangka panjang dapat digunakan untuk meramalkan keadaan

waktu lebih dari 3 tahun dan digunakan dalam merencanakan peluncuran

14

produk baru, penggunaan investasi, penggunaan cabang perusahaan dan

research & development.

2. Peramalan jangka menengah (Medium Range Forecast).

Peramalan jangka menengah dapat digunakan untuk meramalkan keadaan

dari 3 bulan sampai 3 tahun sehingga cocok untuk digunakan untuk

merencanakan penjualan (sales planning), merencanakan produksi beserta

anggarannya (production planning and budgeting), merencanakan

anggaran tunai (cash budgeting), dan menganalisis rencana-rencana

operasi (analyzing various operating plans).

3. Peramalan jangka pendek (Short Range Forecast).

Peramalan jangka pendek dapat dipergunakan untuk meramalkan keadaan

sampai 1 tahun, namun biasanya digunakan untuk meramalkan keadaan

sampai waktu kurang dari 3 bulan. Peramalan ini cocok untuk digunakan

untuk merencanakan pembelian (purchase planning), merencanakan

pekerjaan (job scheduling), merencanakan tingkat tenaga kerja (workforce

level), merencanakan tingkat produksi (production levels).

2.1.3 Pola Data

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

15

meningkat atau menurun selama waktu tertentu. Grafik pola horizontal

diperlihatkan pada gambar 2.1.

Pola Horizontal (H)

0

2

4

6

8

10

12

14

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

Waktu (Periode)

Per

min

taan

Permintaan

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.

16

Pola Musiman (S)

0

2

4

6

8

10

12

14

16

18

1 2 3 4 5 6 7 8 9 10 11 12

Waktu (Periode)

Per

min

taan

Permintaan

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)

0

2

4

6

8

10

12

0 2 4 6 8 10 12 14

Waktu (Periode)

Per

min

taan

Permintaan

Gambar 2.3 Pola Data Siklis (C)

17

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)

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12

Waktu (Periode)

Per

min

taan

Permintaan

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.

18

Pola Random (R)

0

1

2

3

4

5

6

7

8

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

Waktu (Periode)

Per

min

taan

Permintaan

Gambar 2.5 Pola Data Random / Acak (R)

2.1.4 Metode-Metode Peramalan

Secara umum peramalan dapat diklasifikasikan menjadi 2 macam yaitu:

1. Peramalan yang bersifat subjektif.

Peramalan subjektif adalah peramalan yang lebih menekankan pada

keputusan-keputusan hasil diskusi, pendapat pribadi seseorang, dan intuisi

yang meskipun kelihatannya kurang ilmiah tetapi dapat memberikan hasil

yang baik.

2. Peramalan yang bersifat objektif.

Peramalan objektif adalah peramalan yang mengikuti prosedur-prosedur

aturan matematis dan statistik dalam menunjukkan hubungan antara

permintaan dengan satu atau lebih variabel yang mempengaruhinya. Selain

itu, peramalan objektif juga mengasumsikan bahwa tingkat keeratan dan

macam dari hubungan antara variabel-variabel bebas dengan permintaan

yang terjadi di masa lalu akan terulang juga di masa yang akan datang.

19

Peramalan subjektif dapat dibagi menjadi beberapa metode yaitu:

1. Metode Delphi.

Metode ini merupakan cara sistematis untuk mendapatkan keputusan

bersama dari suatu grup yang terdiri dari para ahli dan berasal dari disiplin

yang berbeda, dimana grup tersebut berdiskusi secara bersama-sama

dalam suatu forum dan saling berunding.

2. Metode penelitian dasar.

Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada

bidang yang berhubungan dengan pemasaran. Salah satu tekniknya adalah

dengan melakukan survey pasar.

Peramalan objektif dapat dibagi menjadi beberapa metode yaitu:

1. Metode Intrinsik.

Metode ini membuat peramalan hanya berdasarkan pada proyeksi

permintaan historis tanpa mempertimbangkan faktor-faktor eksternal yang

mungkin mempengaruhi besarnya permintaan. Metode ini hanya cocok

digunakan untuk melakukan peramalan jangka pendek pada kegiatan

produksi. Metode ini akan diwakili dengan analisis deret waktu (Time

Series).

2. Metode ekstrinsik. Metode ini mempertimbangkan faktor-faktor eksternal

yang mungkin dapat mempengaruhi besarnya permintaan di masa datang

dalam model peramalannya. Metode ini cocok untuk melakukan

20

peramalan jangka panjang. Metode ini banyak dipakai untuk peramalan

pada tingkat agregat dan diwakili oleh metode regresi.

Berdasarkan tekniknya metode peramalan dibagi menjadi 2 yaitu

peramalan kuantitatif dan peramalan kualitatif.

1. Peramalan Kuantitatif.

Peramalan ini digunakan pabila hanya terdapat sedikit / tidak adanya data

historis perusahaan. Peramalan ini hanya didasarkan dari pemikiran

intuitif, pertimbangan, atau pengetahuan yang didapat dari para pakar.

Peramalan ini dibagi 2 metode yaitu metode eksploratoris (Deplhi, Kurva-

S, Analogi, dan penelitian morfologi) dan metode normatif (matriks

keputusan, pohon relevansi, dan anlisis sistem).

2. Peramalan Kualitatif.

Peramalan ini membutuhkan data historis untuk meramalkan permintaan

di masa datang. Peramalan ini dibagi 2 metode yaitu metode time series

(metode grafis, moving average, weight moving average, exponential

smoothing, regresi linear sederhana, interpolasi Gregory-Newton, dan

metode Winter), dan metode non-time series.

21

2.1.4.1 Metode Pemulusan (Smoothing)

Strategi untuk menilai suatu metode peramalan pemulusan terdiri dari 6

tahap, yaitu:

1. Tahap 1: pilih suatu deret berkala (kelompok data) untuk dianalisis.

Bagian data ini menjadi kelompok “inisialisasi” dan kelompok

“pengujian”.

2. Tahap 2: pilihlah suatu metode pemulusan.

3. Tahap 3: inisialisasi metode. Gunakan kelompok data inisialisasi.

4. Tahap 4: gunakan metode pemulusan untuk meramalkan seluruh

kelompok “pengujian”.

5. Tahap 5: mengoptimalkan, memodifikasi prosedur inisialisasi, melacak

nilai parameter yang optimum.

6. Tahap 6: keputusan penilaian (keuntungan dan kerugian).

2.1.4.1.1 Metode Single Exponential Smoothing

Metode single exponential smoothing satu parameter mendasarkan

pembobotan data yang terakhir dengan suatu nilai bobot α dan pembobotan

ramalan yang terakhir sebelumnya dengan nilai bobot 1-α.. Dengan

menggunakan metode single exponential smoothing satu parameter ini maka

keuntungannya adalah akan banyak mengurangi masalah penyimpanan data,

karena tidak perlu lagi menyimpan sebagian atau semua data historis dan yang

perlu disimpan hanyalah pengamatan terakhir, ramalan terakhir dan suatu nilai

α. yang dipakai (Makridakis,1999,p103).

22

Metode single exponential smoothing satu parameter digunakan pada

data stasioner. Secara matematis menurut Makridakis (1999,p103), metode

single exponential smoothing satu parameter dirumuskan sebagai berikut:

………………….....…………(2.1)

Dimana: Xt = data aktual permintaan pada periode t.

Ft = data peramalan pada periode t.

m = periode peramalan yang diinginkan.

2.1.4.1.2 Metode Double Exponential Smoothing

Metode double exponential smoothing ini digunakan untuk data yang

berpola trend. Hasil ramalan dari double exponential smoothing didapat

dengan menggunakan dua konstanta pemulusan dengan nilai antara 0 sampai

1 dan dengan menggunakan 3 persamaan yaitu:

……………………(2.2)

Dimana: St = data pemulusan pada periode t

bt = data pemulusan trend pada periode t

α = konstanta pemulusan yang bernilai antara 1 sampai 0

β = konstanta pemulusan yang bernilai antara 1 sampai 0

Xt = data aktual permintaan pada periode t

m = periode peramalan yang diinginkan

Ft + m = data peramalan pada periode t + m

23

2.1.4.1.3 Metode Triple Exponential Smoothing

Metode triple exponential smoothing digunakan pada data yang

mempunyai pola data musiman. Menurut Makridakis (1999,p95) metode

triple exponential smoothing dapat dirumuskan sebagai berikut:

…………………..(2.3)

Dimana: St = data pemulusan keseluruhan pada periode t

bt = data pemulusan trend pada periode t

It = data pemulusan musiman pada periode t

L = panjang musiman

α = konstanta pemulusan yang bernilai antara 1 sampai 0

β = konstanta trend yang bernilai antara 1 sampai 0

γ = konstanta musiman yang bernilai antara 1 sampai 0

Xt = data aktual permintaan pada periode t

m = periode peramalan yang diinginkan

Ft + m = data peramalan pada periode t + m

2.1.5 Pengukuran Kesalahan

Adanya pengaruh permintaan dari tiap konsumen selalu berbeda-beda

yang disebabkan oleh beberapa faktor, menyebabkan nilai produksi yang akan

24

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.

2.1.5.1 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:

…………………………………...(2.4)

Dimana: Xt = data aktual pada periode t

Ft = nilai peramalan pada periode t

n = jumlah data

2.1.5.2 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:

25

…………………………………...(2.5)

Dimana: Xt = data aktual pada periode t

Ft = data peramalan pada periode t

n = jumlah data

2.1.5.3 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:

………………………....(2.6)

Dimana: Xt = data aktual pada periode t

Ft = data peramalan pada periode t

n = jumlah data

26

2.2 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.

2.3 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.

27

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