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