Upload
lynhi
View
214
Download
0
Embed Size (px)
Citation preview
5
Bab II
LANDASAN TEORI
2.1 Pengertian Peramalan
Menurut Sofjan Assauri (1984, p1), kegiatan untuk memperkirakan apa yang
akan terjadi pada masa yang akan datang, kita kenal dengan apa yang disebut peramalan
(forecasting).
Menurut Sri Mulyono (2000, p1), peramalan adalah suatu proses memperkirakan
secara sistematik tentang apa yang paling mungkin terjadi di masa depan berdasarkan
informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara apa
yang terjadi dengan hasil perkiraan) dapat diperkecil. Peramalan juga dapat diartikan
sebagai usaha memperkirakan perubahan. Agar tidak disalahpahami bahwa peramalan
tidak memberi jawaban pasti tentang apa yang akan terjadi, melainkan berusaha mencari
yang sedekat mungkin dengan yang akan terjadi. Dengan demikian tugas ini masih
dalam kapasitas pikiran manusia. Saat ini hampir semua organisasi memerlukan
perkiraan masa depan untuk membantu menentukan keputusan terbaik.
2.1.1 Kegunaan dan Peran Peramalan
Gambaran perkembangan pada masa depan diperoleh dari hasil analisa
data yang didapat dari penelitian yang telah dilakukan. Perkembangan pada masa
depan merupakan perkiraan apa yang akan terjadi, sehingga dapatlah dikatakan
bahwa peramalan selalu diperlukan di dalam penelitian. Baik tidaknya hasil suatu
penelitian sangat ditentukan oleh ketepatan ramalan yang dibuat. Demikian pula,
6
baik tidaknya rencana yang disusun juga sangat ditentukan oleh ketepatan
ramalan yang dibuat. Oleh karena itu, ketepatan dari ramalan tersebut merupakan
hal yang sangat penting.
Walaupun demikian perlu disadari bahwa suatu ramalan adalah tetap
ramalan, dimana selalu ada unsur kesalahannya. Sehingga yang penting
diperhatikan adalah usaha untuk memperkecil kemungkinan kesalahan tersebut.
2.1.2 Jenis-jenis Peramalan
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung
dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan
dapat dibedakan atas dua macam, yaitu :
a. Peramalan yang subyektif, yaitu peramalan yang didasarkan atas
perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini
pandangan atau “judgement” dari orang yang menyusunnya sangat
menentukan baik tidaknya hasil ramalan tersebut.
b. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data
yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan
metode-metode dalam penganalisaan data tersebut.
Disamping itu, jika dilihat dari jangka waktu ramalan yang disusun, maka
peramalan dapat dibedakan atas dua macam pola, yaitu :
a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu
setengah tahun atau tiga semester. Peramalan seperti ini misalnya
7
diperlukan dalam penyusunan rencana pembangunan suatu negara
atau daerah, coorporate planning, rencana investasi atau rencana
ekspansi dari suatu perusahaan.
b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
setengah tahun, atau tiga semester. Peramalan seperti ini diperlukan
dalam penyusunan rencana tahunan, rencana kerja operasional, dan
anggaran, contohnya penyusunan rencana produksi, rencana
penjualan, rencana pengadaan, rencana persediaan, anggaran
produksi, anggaran pemasaran, dan anggaran perusahaan.
Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat
dibedakan atas dua macam , yaitu :
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data
kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat
tergantung pada orang yang menyusunnya. Hal ini penting karena
hasil peramalan tersebut ditentukan berdasarkan pemikiran yang
bersifat intuisi, judgement atau pendapat, dan pengetahuan serta
pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif
ini didasarkan atas hasil penelitian, seperti Delphi, S-curve, analogies
dan penelitian bentuk atau morphological research, atau didasarkan
atas ciri-ciri normatif seperti decision matrices atau decision trees.
b. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data
kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat
8
tergantung pada metode yang dipergunakan dalam peramalan
tersebut. Dengan metode yang berbeda akan diperoleh hasil
peramalan yang berbeda, adapun yang perlu diperhatikan dari
penggunaan metode-metode tersebut, adalah baik tidaknya metode
yang dipergunakan, sangat ditentukan oleh perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi.
Metode yang baik adalah metode yang memberikan nilai-nilai
perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif
hanya dapat digunakan apabila terdapat tiga kondisi :
1.) Adanya informasi tentang keadaan yang lain.
2.) Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
3.) Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan
pada masa yang akan datang.
2.1.3 Langkah-langkah Peramalan
Kualitas atau mutu dari hasil peramalan yang disusun, sangat ditentukan
oleh proses pelaksanaan penyusunannya. Peramalan yang baik adalah peramalan
yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan
yang baik. Pada dasarnya ada tiga langkah peramalan yang penting, yaitu :
1.) Menganalisa data yang lalu, tahap ini berguna untuk pola yang
terjadi pada masa lalu. Analisa ini dilakukan dengan cara
membuat tabulasi dari data yang lalu. Dengan tabulasi data,
maka dapat diketahui pola dari data tersebut.
9
2.) Menentukan metode yang dipergunakan. Masing-masing
metode akan memberikan hasil peramalan yang berbeda.
Seperti telah diutarakan sebelumnya bahwa, metode
peramalan yang baik adalah metode yang memberikan hasil
ramalan yang tidak jauh berbeda dengan kenyataan yang
terjadi. Dengan perkataan lain, metode peramalan yang baik
adalah metode yang menghasilkan penyimpangan antara hasil
peramalan dengan nilai kenyataan yang sekecil mungkin.
3.) Memproyeksikan data yang lalu dengan menggunakan metode
yang dipergunakan, dan mempertimbangkan adanya beberapa
faktor perubahan. Faktor-faktor perubahan tersebut antara lain
terdiri dari perubahan kebijakan-kebijakan yang mungkin
terjadi, termasuk perubahan kebijakan pemerintah,
perkembangan potensi masyarakat, perkembangan teknologi
dan penemuan-penemuan baru, dan perbedaan antara hasil
ramalan yang ada dengan kenyataan. Dengan memperhatikan
faktor-faktor tersebut, maka akan dapat ditentukan hasil
ramalan yang terakhir. Hasil inilah yang dipergunakan sebagai
dasar untuk perencanaan dan pengambilan keputusan.
2.2 Pengertian Metode Peramalan
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan
terjadi pada masa depan berdasarkan data yang relevan pada masa lalu. Oleh karena
metode peramalan didasarkan atas data yang relevan pada masa lalu, maka metode
10
peramalan ini dipergunakan dalam peramalan yang obyektif. Disamping itu, metode
peramalan juga merupakan cara memperkirakan secara kuantitatif, maka oleh karena itu
metode peramalan termasuk dalam kegiatan peramalan kuantitatif.
2.2.1 Kegunaan Metode Peramalan
Sebagaimana diketahui bahwa metode merupakan cara berpikir yang
sistematis dan pragmatis atas pemecahan suatu masalah. Dengan dasar ini, maka
metode peramalan merupakan cara memperkirakan apa yang akan terjadi pada
masa depan secara sistematis dan pragmatis ; sehingga metode peramalan sangat
berguna untuk dapat memperkirakan secara sistematis dan pragmatis atas dasar
data yang relevan pada masa lalu, dengan demikian metode peramalan
diharapkan dapat memberikan objektivitas yang lebih besar. Disamping itu,
metode peramalan juga memberikan urutan pengerjaan dan pemecahan atas
pendekatan suatu masalah dalam peramalan ; sehingga bila digunakan
pendekatan yang sama atas permasalahan dalam suatu kegiatan peramalan, maka
akan didapat dasar pemikiran dan pemecahan yang sama atas suatu masalah
dalam peramalan, maka akan didapatkan dasar pemikiran dan pemecahan yang
sama, karena argumentasinya sama. Selain itu, metode peramalan memberikan
cara pengerjaan yang teratur dan terarah, sehingga dengan demikian dapat
dimungkinkannya penggunaan teknik-teknik penganalisaan yang lebih maju.
Dengan penggunaan teknik-teknik tersebut, maka diharapkan dapat memberikan
tingkat kepercayaan atau keyakinan yang lebih besar, karena dapat diuji dan
dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.
11
Dari uraian ini, dapatlah disimpulkan bahwa metode peramalan sangat
berguna, karena akan membantu dalam mengadakan pendekatan analisa terhadap
tingkah laku, atau pola dari data yang lalu ; sehingga dapat memberikan cara
pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta
memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan
yang dibuat atau disusun.
2.2.2 Jenis-jenis Metode Peramalan
Dari uraian sebelumnya telah dibatasi bahwa metode peramalan yang
akan dibahas adalah cara memperkirakan sesuatu yang akan terjadi pada masa
depan secara kuantitatif. Oleh karena itu, dalam pembahasan selanjutnya akan
ditekankan pada peramalan kuantitatif. Pada dasarnya metode peramalan
kuantitatif ini dapat dibedakan atas :
a. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang
merupakan deret waktu, atau time series.
b. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktu, yang disebut metode korelasi atau sebab
akibat (causal method).
2.2.2.1 Metode Rata-Rata bergerak (Moving Average)
Metode ini menggunakan pendekatan atau analisanya pada seluruh data
masa lalu yang dijadikan dasar dalam penyusunan ramalan pada masa yang akan
12
datang. Jadi seluruh data masa lalu mempengaruhi nilai ramalan pada masa yang
akan datang.
Tujuan utama dari penggunaan rata-rata bergerak adalah untuk
menghilangkan atau mengurangi acakan (randomness) dalam deret waktu.
Tujuan ini dapat dicapai dengan merata-ratakan beberapa nilai data bersama-
sama, dengan cara mana kesalahan-kesalahan positif dan negatif yang mungkin
terjadi dapat dikeluarkan atau dihilangkan.
Teknik rata-rata bergerak dalam deret waktu terdiri dari pengambilan
suatu kumpulan nilai-nilai yang diobservasi, mendapatkan rata-rata dari nilai ini,
dan kemudian menggunakan nilai rata-rata tersebut sebagai ramalan untuk
periode yang akan datang. Angka realisasi dari observasi yang lalu termasuk
dalam nilai rata-rata yang harus dispesifikasikan pada saat permulaan ramalan
dilakukan. Istilah rata-rata bergerak dipergunakan karena begitu setiap observasi
baru dalam deret tersedia, maka observasi yang paling terdahulu dikeluarkan dan
kemudian suatu nilai rata-rata yang baru dihitung.
Hasil perhitungan rata-rata bergerak atas seluruh kumpulan angka atau
nilai data adalah suatu deret baru dari angka dengan sedikit atau hampir tidak ada
ketidakaturan atau acakan (randomness). Kemampuan rata-rata bergerak untuk
menghilangkan ketidakaturan atau acakan dapat dipergunakan dalam deret waktu
adalah untuk dua tujuan, yaitu untuk menghilangkan trend dan untuk
menghilangkan musiman (seasonality). Jadi metode ini dapat dipergunakan
sebagai alat peramalan bila data yang diobservasi adalah statis atau tidak banyak
perubahannya.
13
Secara aljabar , teknik peramalan dengan metode rata-rata bergerak dapat
dinyatakan dengan formula yang sederhana sebagai berikut :
( )
NXXX
F Ntttt
111
... +−−+
+++= Persamaan (2.1)
Atau
∑+−=
+ =t
Ntiit X
NF
11
1 Persamaan (2.2)
Atau
( )N
YYYYkMA kttt
t11
1... +−−
+
+++== Persamaan (2.3)
Dimana t adalah nilai yang paling akhir dan t + 1 adalah periode
berikutnya, untuk periode mana suatu ramalan dibuat.
Ft+1 = Yt+1 = nilai ramalan untuk periode yang berikut, t +1.
Xt, t-1, t-2,… = nilai observasi / sebenarnya dari variable itu pada periode t,
t-1, t-2, …
Yt = nilai aktual pada periode t
N = K = jumlah observasi yang dipergunakan dalam menghitung rata-
rata bergerak.
Ada dua ciri utama dari formula tersebut, yang merupakan pembatasan
dari teknik ramalan dengan rata-rata bergerak. Pertama, rata-rata yang dihasilkan
dengan timbangan rata-rata untuk setiap N observasi. Kedua, suatu observasi
untuk periode t-N+1 telah diketahui sebelumnya bersama-sama dengan ramalan.
14
2.2.2.2 Metode Exponential Smoothing
Metode ini hanya membutuhkan dua titik atau butir data guna
meramalkan nilai yang akan terjadi pada masa yang akan datang. Dengan
rumusan sebagai berikut :
( ) ( ) ttt FNXNF 1111 −+=+ Persamaan(2.4)
Dari persamaan (2.4) dapat diketahui, bahwa ramalan yang dibuat
didasarkan atas timbangan atau bobot yang digunakan untuk nilai observasi yang
paling akhir adalah sebesar 1/N, dan timbangan untuk nilai ramalan utnuk
observasi pada periode tersebut adalah sebesar 1 - 1/N. Jika N adalah suatu
angka positif yang nilainya lebih besar dari nol, maka nilai 1/N akan merupakan
suatu konstanta, yang nilainya berkisar diantara nol (bila N = ½) dan satu (bila N
=1). Bila α disubstitusikan atas 1/N, maka persamaan (2.4) diatas menjadi :
( ) ttt FXF αα −+=+ 11 Persamaan(2.5)
Atau
( ) perkiraanYYperkiraanY ttt αα −+=+ 11 Persamaan(2.6)
Atau
( )perkiraanYYperkiraanYperkiraanY tttt −+=+ α1 Persamaan(2.7)
Dimana :
Yt+1perkiraan = Nilai pemulusan baru atau nilai ramalan periode berikut
α = Konstanta pemulusan (0 < α < 1)
Yt = Pengamatan baru atau nilai aktual dari deret pada periode t
Yt perkiraan = Nilai pemulusan baru atau nilai ramalan periode t
15
Exponential smoothing hanya membutuhkan data dan perhitungan yang
tidak terlalu banyak. Oleh karena itu metode ini sangat menarik bagi penyusunan
ramalan untuk sejumlah besar item. Perlu diperhatikan dalam penggunaan
metode ini bahwa periode pertama dari peramalan ini adalah bila tidak tersedia
atau tidak terdapat hasil atau nilai ramalan pada periode sebelumnya. Pemecahan
masalah ini dapat dilakukan dengan menggunakan nilai observasi yang pertama
sebagai ramalan pertama.
2.2.2.3 Metode Linear Moving Average
Sekarang akan ditunjukkan cara meramal data yang punya trend dengan
variasi model moving average, yaitu dengan linear moving average. Inti metode
ini adalah menghitung double moving average. Sesuai dengan namanya, ia
berarti suatu moving average dari moving average, dengan prosedur perhitungan
seperti berikut (Sri Mulyono, p129) :
Pertama, hitung moving average,
( ) ( )121 ...1+−−− ++++= nttttt YYYYnnMA Persamaan (2.8)
Kedua, hitung moving average kedua,
( ) ( ) ( ) ( )( )11 ...1+−− +++=′ ntttt nMAnMAnMAnnAM Persamaan(2.9)
Ketiga, hitung nilai moving average yang telah disesuaikan, yaitu :
( ) ( ) ( )( ) ( ) tnAMnMAnAMnMAnMAa ttttt )(2 ′−=′−+= Persamaan(2.10)
Keempat, hitung komponen trend yang serupa dengan slope, namun
dapat berubah dari waktu ke waktu, adalah :
16
( ) ( ) ( )( )ttt nAMnMAnb ′−−= 12 Persamaan(2.11)
Kelima, buat persamaan untuk meramal m periode kedepan dengan linear
moving average model, seperti berikut :
mbaY ttmt +=+ˆ Persamaan(2.12)
m = jumlah periode kedepan yang akan diramalkan
2.2.2.4 Metode Linear Exponential Smoothing
Peramalan dengan menggunakan metode linear exponential smoothing
dapat dilakukan dengan perhitungan yang hanya membutuhkan tiga buah nilai
data dan satu nilai α. Pendekatan ini juga memberikan timbangan (bobot) yang
menurun untuk data atau observasi yang lebih lama.
Dasar pemikiran dari metode linear exponential smoothing ini adalah,
baik nilai pelicin (smoothing value) tunggal maupun ganda terdapat pada waktu
sebelum data sebenarnya, bila pada data itu ada trend. Disamping itu untuk
menyesuaikan trend, maka nilai-nilai pelicin tunggal (smoothing value)
ditambahkan nilai-nilai pelicin ganda (double smoothing value). Persamaan-
persamaan yang digunakan dalam penerapan metode ini dikenal dengan nama
Brown’s one parameter linear exponential smoothing. Pada dasarnya formula
yang digunakan adalah :
mbaF ttmt +=+ Persamaan(2.13)
Sedangkan :
( ) tttttt SSSSSa ′′−′=′′−′+′= 2 Persamaan(2.14)
17
( )ttt SSb ′′−′−
=α
α1
Persamaan(2.15)
( ) 11 −′−+=′ ttt SXS αα Persamaan(2.16)
( ) 11 −′′−+′=′′ ttt SSS αα Persamaan(2.17)
Dimana :
m = jumlah periode di masa datang yang akan diramalkan
tS ′ = nilai exponential smoothing tunggal.
tS ′′ = nilai exponential smoothing ganda.
2.2.2.5 Metode Dekomposisi
Metode dekomposisi merupakan salah satu metode peramalan tertua yang
biasanya digunakan, dimana bagian penting dari metode ini yaitu dengan
memasukkan konsep indeks musiman. Konsep ini penting sebab kebanyakan
data deret waktu pada dunia usaha dan ekonomi mengandung unsur musiman
(Delurgio, 1998, p175)
Dalam rangka penyusunan ramalan jangka pendek dan sedang, perlu
diperhatikan adanya pengaruh variasi musim. Yang dimaksudkan dengan variasi
musim adalah fluktuasi di sekitar garis trend yang berulang secara teratur dalam
periode yang sama pada setiap tahun. Dalam hal ini metode variasi musim
termasuk ke dalam metode deret waktu. Teknik peramalan yang menggunakan
metode ini didasarkan pada penganalisaan pola dari data pada masa lalu dan
mengekstrapolasikan pola tersebut untuk masa yang akan datang. Teknik
peramalan ini membutuhkan pembedaan dan pengisolasian pola variasi musim
18
dengan unsur acakan (random) dan variasi lainnya (variasi siklus). Dalam
beberapa data deret waktu, mungkin dapat dilakukan pemecahan pola data
tersebut dikenal dengan teknik dekomposisi. Selanjutnya peramalan dapat
dilakukan atas dasar teknik dekomposisi tersebut.
Metode dekomposisi mendasarkan penganalisaan untuk
mengidentifikasikan tiga faktor utama yang terdapat dalam suatu deret waktu,
yaitu : faktor trend, faktor musim, dan faktor siklus.
Faktor Trend : menggambarkan perilaku data dalam jangka panjang, yang
dapat bersifat menaik, menurun, atau tidak berubah. Misalnya: data peningkatan
mengenai penjualan perumahan yang (sebagian) terjadi karena adanya
pertumbuhan penduduk jangka panjang.
Faktor Musim : berkaitan erat dengan fluktuasi periodic yang relatif
konstan di sekitar garis trend yang berulang secara teratur dalam periode yang
sama pada setiap tahun. Misalnya : volume penjualan pohon natal yang tinggi
pada bulan Desember dalam setiap tahun, atau volume penjualan buku pelajaran
pada awal-awal tiap tahun ajaran baru. Variasi datanya dapat terjadi dalam
satuan hari, minggu, bulan, dan tahun.
Faktor Siklus : merupakan suatu pola data berkala dalam deret waktu
yang terjadi dan berulang kembali setelah suatu masa dalam beberapa tahun dan
biasanya dengan waktu yang tidak sama. Oleh karena itulah factor siklis ini
sangat sulit untuk diramalkan. Misalnya : resesi, depresi, dan kondisi
perekonomian lainnya.
Perbedaan antara faktor siklus dan faktor musim adalah “musim” selalu
berulang pada interval waktu yang tetap sepanjang tahun, dalam arti musim akan
19
berulang setiap tahunnya atau kurang dari satu tahun, sedangkan “siklus” akan
berulang kembali setelah lebih dari satu tahun, bahkan ada kemungkinan tidak
akan berulang kembali.
Model dekomposisi mendasarkan asumsi bahwa data yang ada
merupakan gabungan dari komponen-komponen,
Data = pola + kesalahan atau error
= f (trend, siklus, musim) + error
Dalam hal ini terlihat adanya unsur tambahan dari pola, yaitu : unsur
error atau randomness (irregular), yang diasumsikan sebagai perbedaan dari
kombinasi hasil dari ketiga komponen (trend, siklus, dan musiman) dari deret
data dengan data yang sebenarnya (actual).
Ada beberapa pendekatan alternatif untuk mendekomposisi suatu deret
waktu (time series), dengan tujuan untuk mengisolasikan masing-masing
komponen dari deret itu setepat mungkin. Konsep dasar dari metode dekomposisi
adalah memisahkan secara empiris pengaruh dari faktor musim, pengaruh trend
dan pengaruh siklus. Faktor galat yang tidak lain adalah sisaan (selisih antara
data aktual dan model) tidak dapat diperkirakan tetapi dapat diidentifikasikan. Di
dalam beberapa hal, peramal hanya mendasarkan penyusunannya pada dua faktor
yang penting, yaitu : trend dan musiman.
Bentuk model dekomposisi, adalah sebagai berikut :
Xt = f (Tt, St, Ct, It) Persamaan(2.18)
Dimana :
Xt = nilai deret waktu (actual data) pada periode t
Tt = komponen trend pada periode t
20
St = komponen musiman (atau Index) pada periode t
Ct = komponen siklus pada periode t
It = komponen irregular atau error pada periode t.
Untuk menyatakan bentuk model ini dapat dilakukan dengan bentuk
perkalian atau pertambahan. Dalam bentuk perkalian, formula tersebut umumnya
dinyatakan sebagai :
Xt = Tt . St . Ct, . It Persamaan(2.19)
Model perkalian ini merupakan suatu model yang sering digunakan dan
dalam model ini komponen faktor musim dan siklus dinyatakan dalam bentuk
index. Unsur atau komponen acakan atau irregular merupakan sisa pelengkap,
yang mungkin pula dipergunakan dalam perkalian seperti pada bentuk diatas.
Disamping model perkalian terdapat pula model pertambahan atau
penjumlahan. Dalam model ini, komponen atau faktor-faktor baik trend maupun
musim dan siklus dinyatakan dalam nilai absolut. Model penjumlahan ternyata
lebih sulit apabila dibandingkan dengan model perkalian didalam cara
pengerjaannya, disebabkan karena masing-masing faktor atau komponen berdiri
sendiri, sehingga trend tidak mempunyai pengaruh atas faktor musim. Oleh
karena itu pada umumnya model ini tidak banyak dipergunakan, kecuali untuk
waktu yang sangat pendek, sehingga hampir seluruh pemakai analisa
dekomposisi menggunakan metode perkalian.
Teknik dekomposisi suatu deret waktu (time series) :
1.) Untuk deret data yang sebenarnya, Xt dihitung rata-rata
bergerak (moving average) yang mempunyai panjang
21
massanya N, yang sama dengan panjang atau lamanya
musiman. Maksud dari rata-rata bergerak ini adalah untuk
menghilangkan musiman dan acakan (randomness) dalam
data. Pengrata-rataan sepanjang periode selama pola musim
(yaitu 12 bulan, 4 triwulan atau 7 hari) akan menghilangkan
musiman. Sedangkan kesalahan acakan (random) tidak
mempunyai pola yang sistematis, sehingga dengan pengrata-
rataan akan mengurangi terdapatnya acakan (randomness)
deret.
2.) Memisahkan hasil rata-rata bergerak dengan N periode pada
butir satu di atas, dari deret asalnya, untuk dapat diperoleh
trend dan siklus.
3.) Memisahkan faktor atau komponen musim dengan merata-
ratakannya untuk setiap periode untuk dapat membuat panjang
yang tepat dari musiman.
4.) Mengidentifikasikan bentuk yang tepat dari trend (linear,
exponential, s-curve dan sebagainya) dan menghitung nilai-
nilai pada periode Tt .
5.) Memisahkan hasil yang diperoleh pada butir atau tahap kedua
dari yang keempat (nilai kombinasi trend dan siklus) untuk
dapat memperoleh faktor siklus.
6.) Memisahkan faktor musiman, trend dan siklus dari deret data
asal untuk meperoleh faktor acakan yang tersisa It .
22
Langkah pertama yang harus dilakukan dalam penganalisaan,
adalah menghitung index musim. Index musim ini diperoleh dengan
persamaan,
index musim = TxC
TxSxC , untuk masing-masing periode
Persamaan (2.20) Atau
Jika terdapat unsur random atau irregular dalam data, maka nilai
index musim digabungkan dengan unsur irregular tersebut, sebagai
berikut :
index musim + I = TxC
TxSxCxI , jika termasuk random
Persamaan (2.21)
Metode ini dipergunakan dengan menghitung rata-rata bergerak
dan dipergunakan sebagai nilai pembagi atau penyebut atas nilai untuk
masing-masing periode tertentu, (dalam hal ini bulanan), Xt. Persamaan
yang menghasilkan index musim bulanan tersebut adalah :
Xt index musim = _____________________________________ rata-rata bergerak di tengah-tengah atas Xt
Persamaan(2.22)
dimana t = bulan yang ke t
Atau angka index musim suatu periode, diperoleh dengan
membagi data sebenarnya pada periode itu dengan angka rata-rata per
periode sebagai angka dasar, kemudian dikalikan dengan seratus. Jadi :
23
data sebenarnya index musim = ______________ x 100 Persamaan(2.23) angka dasar
dimana : angka dasar = angka rata-rata per periode
Langkah berikutnya dari prosedur ini adalah menghitung faktor
trend. Ini dikerjakan dengan perhitungan persamaan regresi linear
sederhana untuk data rata-rata bergerak, pertama-tama dihitung
kemiringan garis trend, dengan persamaan :
( ) ( )( )( ) ( )22 XXN
YXXYNbΣ−Σ
ΣΣ−Σ= Persamaan (2.24)
Kemudian dihitung nilai intersep , sebagai berikut :
NXb
NYa Σ−
Σ= Persamaan (2.25)
Kemudian dihitung persamaan untuk mendapatkan faktor trend,
sebagai berikut :
Y = a + b X Persamaan (2.26)
Dimana Y = nilai sebenarnya
X = periode waktu
N = banyaknya data
Langkah berikutnya menghitung faktor siklus, faktor ini
diestimasi dengan merubah faktor musim dan kemudian faktor trend.
Faktor siklus diubah dengan mengambil rata-rata bergerak dari data,
sebagai berikut :
24
moving average Siklus x unsur acakan = _______________ Persamaan(2.27) Trend Jika faktor siklus sulit diidentifikasi, maka hanya akan dipakai
faktor musim dan trend saja, sehingga nilai ramalannya menjadi :
Nilai ramalan = faktor trend x indeks musiman Persamaan(2.28)
Atau mengembalikan angka indeks proyeksi kedalam nilai
sebenarnya yang menjadi angka ramalan, sebagai berikut :
indeks musim proyeksi x angka dasar Angka ramalan = ______________________________ 100
Persamaan (2.29)
2.2.3 Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama-tama kita perlu
mengetahui ciri-ciri yang penting yang perlu diperhatikan bagi pengambilan
keputusan dan analisa keadaan, dalam mempersiapkan peramalan.
Ada enam ciri utama yang perlu diperhatikan (Steven, 1980), yaitu :
1.) Horizon waktu (time horizon).
2.) Tingkat Perincian (level of detail)
3.) Jumlah Produk
4.) Pengawasan versus Perencanaan
5.) Stabilitas
6.) Prosedur Perencanaan yang ada.
Adapun enam faktor utama yang dapat diidentifikasikan sebagai teknik
dan metode peramalan, yaitu :
25
1.) Horizon waktu (time horizon).
2.) Pola dari data
3.) Jenis dari model
4.) Biaya
5.) Ketepatan (accuracy)
6.) Mudah tidaknya penggunaan atau aplikasinya.
Lalu untuk mengetahui metode peramalan terbaik yang dapat digunakan
dari data yang ada, akan dilakukan diagnostic checking yang terbaik dari model
itu adalah model dengan koefisien lebih sedikit (prinsip parsimony). Jika
penerapan prinsip ini masih menyisakan lebih dari satu model, maka yang dipilih
adalah model yang memberikan Mean Square Error (MSE) terkecil, yang bisa
dilihat dengan rumus :
( )
nYY
MSE tt∑ −=
2ˆ Persamaan (2.27)
dimana : tY = nilai ramalan model Yt = nilai sebenarnya
n = jumlah peramalan data yang dilakukan, misalnya :
jumlah data hasil ramalan = 6, sedangkan data sebenarnya 10,
maka n = 6.
26
2.3 Konsep Dasar Rekayasa Piranti Lunak
2.3.1 Pengertian Rekayasa Piranti Lunak
Pengertian rekayasa piranti lunak pertama kali diperkenalkan oleh Fritz
Bauer sebagai penetapan dan penggunaan prinsip-prinsip rekayasa dalam usaha
mendapatkan piranti lunak yang ekonomis, yaitu piranti lunak yang terpercaya
dan bekerja efisien pada mesin atau komputer (Pressman, 1992, p19).
2.3.2 Paradigma Rekayasa Piranti Lunak
Terdapat lima paradigma (model proses) dalam merekayasa suatu piranti
lunak, yaitu The Classic Life Cycle atau sering juga disebut Waterfall Model,
Prototyping Model, Fourth Generation Techniques (4GT), Spiral Model, dan
Combine Model. Pada penulisan skripsi ini dipakai model Prototyping Model.
Menurut Pressman (1997, p19) piranti lunak telah menjadi elemen kunci
dari evolusi computer based-system dan computer product. Selama lebih dari
empat dekade terakhir, piranti lunak telah berkembang dari sebuah pemecahan
berorientasi permasalahan dan alat analisis informasi menjadi sebuah industri
sendiri. Namun kebiasaan pemrograman awal dan sejarah telah dengan
sendirinya menciptakan sekumpulan masalah yang hingga kini masih ada. Piranti
lunak telah menjadi faktor pembatas dalam evolusi computer-based systems.
Berangkat dari itulah dikembangkan metode yang menyediakan framework
untuk membangun piranti lunak dengan kualitas lebih tinggi.
Rekayasa piranti lunak (Software Engineering) berdasarkan Pressman
(1997, p23) adalah studi pendekatan untuk pengaplikasian secara sistematis,
27
pendekatan terukur untuk pengembangan, operasi, dan pemeliharaan dari sebuah
piranti lunak.
Waterfall model meliputi langkah-langkah analisis masalah atau
kebutuhan user, mendesain aplikasi yang akan dibuat, coding, dan yang terakhir
mengimplementasikan aplikasi yang sudah dibuat untuk kemudian dievaluasi
oleh pengguna. Pada Waterfall model dapat dilakukan revisi di setiap prosesnya
(Pressman,1997,p20-21).
Pada Spiral model, langkah-langkahnya meliputi komunikasi dengan user
atau customer untuk mengetahui kebutuhan mereka, planning (tahap
perencanaan), Risk analysis (tahap menganalisa masalah teknis dan yang
mungkin terjadi), Engineering (tahap membuat aplikasi), Construction and
release (tahap untuk mengimplementasikan aplikasi yang sudah jadi) dan yang
terakhir evaluasi dari pengguna (Pressman,2001,p36-37).
Fourth Generation Techniques (4GT) merupakan suatu deretan dari
software tools yang mempunyai satu kesamaan, yaitu semuanya memungkinkan
software engineer untuk menspesifikasikan karakteristik tertentu dari sebuah
piranti lunak pada level tinggi. Sedangkan Combine Model merupakan
kombinasi dari model-model lainnya yang dianggap sesuai dengan kebutuhan
pengguna (Pressman,2001,p44-45).
Salah satu metode atau model yang dikemukakan para ahli dalam
rekayasa piranti lunak yaitu metode prototyping. Pressman (1997, p285)
menjelaskan bahwa kebanyakan metode pengembangan sekarang ini
28
merekomendasikan metode untuk mendefinisikan analisis kebutuhan dari
pengguna secara lengkap, dan terakhir sebelum sistem digunakan oleh pengguna.
Namun yang terjadi selama pengembangan sistem adalah walaupun sistem telah
dibuat dengan menggunakan teknologi tercanggih saat itu masih banyak kejadian
apabila ternyata banyak pengguna akhir yang menolak sistem yang sudah jadi itu
karena dianggap tidak tepat guna atau belum selesai. Hal ini mengakibatkan
pengembang perlu untuk memperbaiki sistem kembali.
Metode pengembangan prototyping menawarkan pendekatan alternatif
yang menghasilkan model piranti lunak yang dapat dijalankan sehingga
kebutuhan calon pengguna dapat direvisi kembali. Sebagai konsekuensinya,
spesifikasi kebutuhan dianalisis kembali. Review bersama antara pengembang
sistem dan calon pengguna akhir sangat penting sehingga mereka memiliki
persepsi yang sama terhadap sistem.
Menurut O’Brien (1997, p391) prototyping dapat digunakan untuk
aplikasi skala besar maupun skala kecil. Secara umum, sistem yang besar masih
membutuhkan penggunaan pengembangan sistem secara tradisional, tetapi
bagian dari sistemnya dapat dibuat secara prototyping yang dapat dilihat pada
Gambar 2.1.
29
Gambar 2.1 Prototyping Model(O’Brien,1997, p391)
2.4 State Transition Diagram (STD)
State Transition Diagram merupakan sebuah modeling tool yang
digunakan untuk mendeskripsikan sistem yang memiliki ketergantungan
terhadap waktu. STD merupakan suatu kumpulan keadaan atau atribut yang
mencirikan suatu keadaan pada waktu tertentu.
Komponen-komponen utama STD adalah:
a. State, disimbolkan dengan
State merepresentasikan reaksi yang ditampilkan ketika suatu tindakan
dilakukan. Ada dua jenis state yaitu: state awal dan state akhir. State akhir
dapat berupa beberapa state, sedangkan state awal tidak boleh lebih dari satu.
b. Arrow, disimbolkan dengan
30
Arrow sering disebut juga dengan transisi state yang diberi label dengan
ekspresi aturan, label tersebut menunjukkan kejadian yang menyebabkan
transisi terjadi.
c. Condition dan Action, disimbolkan dengan
State 1 State 2
Condition
Action
Gambar 2.2 Simbol Condition dan Action
Untuk melengkapi STD diperlukan 2 hal lagi yaitu condition dan action
seperti yang dapat dilihat pada Gambar 2.2 diatas. Condition adalah suatu
event pada lingkungan eksternal yang dapat dideteksi oleh sistem, sedangkan
action adalah yang dilakukan oleh sistem bila terjadi perubahan state atau
merupakan reaksi terhadap kondisi. Aksi akan menghasilkan keluaran atau
tampilan.
2.5 Interaksi Manusia dan Komputer
Saat ini sistem atau program yang interaktif lebih populer dan digemari,
karena itu penggunaan komputer telah berkembang pesat sebagai suatu program
yang interaktif yang membuat orang tertarik untuk menggunakannya. Program
yang interaktif ini perlu dirancang dengan baik sehingga pengguna dapat merasa
senang dan juga ikut berinteraksi dengan baik dalam menggunakannya.
Interaksi manusia dan Komputer (IMK) atau Human-Computer
Interaction (HCI) adalah disiplin ilmu yang berhubungan dengan perancangan,
31
evaluasi, dan implementasi sistem komputer interaktif untuk digunakan oleh
manusia, serta studi fenomena-fenomena besar yang berhubungan dengannya.
2.5.1 Program Interaktif
Suatu program yang interaktif dan baik harus bersifat user friendly.
Shneiderman (1998, p15) menjelaskan lima kriteria yang harus dipenuhi oleh
suatu program yang user friendly yaitu :
1. Waktu belajar yang tidak lama.
2. Kecepatan penyajian informasi yang tepat.
3. Tingkat kesalahan pemakaian rendah.
4. Penghafalan sesudah melampaui jangka waktu.
5. Kepuasan pribadi.
Suatu program yang interaktif dapat dengan mudah dibuat dan dirancang
dengan suatu perangkat Bantu pengembang sistem antarmuka, seperti :
Macromedia Flash MX, Visual Basic, Borland Delphi dan sebagainya.
Keuntungan penggunaan perangkat bantu untuk mengembangkan antarmuka
menurut Santosa (1997, p7) yaitu :
1. Antarmuka yang dihasilkan menjadi lebih baik.
2. Program antarmukanya menjadi lebih mudah ditulis dan lebih
ekonomis untuk dipelihara.
2.5.2 Pedoman untuk Merancang User Interface
Terdapat beberapa pedoman yang dianjurkan dalam merancang suatu
program guna mendapatkan suatu program yang user friendly.
32
User Interface atau Antarmuka Pemakai adalah bagian sistem komputer
yang memungkinkan manusia berinteraksi dengan computer.
2.5.2.1 Delapan Aturan Emas
Menurut Shneiderman (1998, p74-75) untuk merancang sistem
interaksi manusia dan komputer yang baik, harus memperhatikan delapan
aturan utama dibawah ini, yaitu :
1. Strive for consistency (berusaha untuk konsisten).
2. Enable frequent user to use shortcuts (memungkinkan
pengguna sering memakai shortcut).
3. Offer informative feed back (memberikan umpan balik yang
informatif).
4. Design dialogs to yield closure (pengorganisasian yang baik
sehingga pengguna mengetahui kapan awal dan akhir dari
suatu aksi).
5. Offer simple error handling (memberikan pencegahan
kesalahan dan penanganan kesalahan yang sederhana)
6. Permit easy reversal of actions (memungkinkan pembalikan
aksi (undo) dengan mudah).
7. Support internal locus of control (pemakai menguasai sistem
atau inisiator, bukan responden).
8. Reduce short term memory load (mengurangi beban ingatan
jangka pendek, dimana manusia hanya dapat mengingat 7 ± 2
33
satuan informasi sehingga perancangannya harus sederhana).
2.5.2.2 Pedoman Merancang Tampilan Data
Beberapa pedoman yang disarankan untuk digunakan dalam
merancang tampilan data yang baik menurut Smith dan Mosier yang
dikutip Shneiderman (1998, p80) yaitu :
1. Konsistensi tampilan data, istilah, singkatan, format, dan
sebagainya harus standar.
2. Beban ingatan yang sesedikit mungkin bagi pengguna.
Pengguna tidak perlu mengingat informasi dari layar yang
satu ke layar yang lain.
3. Kompatibilitas tampilan data dengan pemasukan data. Format
tampilan informasi perlu berhubungan erat dengan tampilan
pemasukan data.
4. Fleksibilitas kendali pengguna terhadap data. Pemakai harus
dapat memperoleh informasi dari tampilan dalam bentuk yang
paling memudahkan.
2.5.2.3 Teori Waktu Respons
Waktu respons dalam sistem komputer menurut Shneiderman
(1998, p352) adalah jumlah detik dari saat pemakai memulai aktifitas
34
(misalnya dengan menekan tombol enter atau tombol mause) sampai
komputer menampilkan hasilnya di display atau printer.
Beberapa pedoman yang disarankan mengenai kecepatan waktu
respons pada suatu program menurut Shneiderman (1998, p367) yaitu :
1. Pemakai lebih menyukai waktu respons yang lebih pendek.
2. Waktu respons yang panjang (lebih dari 15 detik) mengganggu.
3. Waktu respons yang lebih pendek menyebabkan waktu pengguna
berpikir lebih pendek.
4. Langkah yang lebih cepat dapat meningkatkan produktivitas,
tetapi juga dapat meningkatkan tingkat kesalahan.
5. Waktu respons harus sesuai dengan tugasnya :
a. Untuk mengetik, menggerakkan kursor, memilih dengan
mouse : 50 – 150 milidetik.
b. Tugas sederhana yang sering : < 1 detik.
c. Tugas biasa : 2-4 detik.
d. Tugas kompleks : 8-12 detik.
6. Pemakai harus diberitahu mengenai penundaan yang panjang