BAB 2 LANDASAN TEORI -...
Transcript of BAB 2 LANDASAN TEORI -...
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