Sse

2012100229MNBab2001
1 of 62
http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/201210022...
BAB II
LANDASAN TEORI
2.1
Manajemen Operasi
Menurut Fogarty (1989) mendefinisikan manajemen operasi sebagai
suatu proses yang secara berkesinambungan dan efektif
menggunakan fungsi-fungsi manajeman untuk mengintegrasikan
berbagai sumber daya secara efisien dalam rangka mencapai tujuan.

(Harjanto, 2007, p. 2).
Adam (1992), Heizer (2004), dan Stevenson (2005) dalam (Harjanto,
2007, p. 2) lebih menitikberatkan manajemen operasi sebagai suatu

system yang bertujuan menciptakan barang dan atau menyediakan
jasa.
Menurut (Prasetya & Fitria, 2009, p. 2)
Manajemen operasi adalah
serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang

dan jasa dengan mengubah input menjadi output. Kegiatan yang
menghasilkan barang dan jasa berlangsung di semua organisasi, baik
perusahaan manufaktur maupun jasa. Dalam perusahaan manufaktur,

kegiatan produksinya terlihat dengan jelas (berwujud) untuk
menghasilkan barang, sementara dalam perusahaan jasa kegiatan
produksinya tidak menghasilkan barang secara fisik. Seperti contoh
adalah proses yang terjadi di bank, rumah sakit maupun perusahaan
05/04/2016 11.40
2012100229MNBab2001
2 of 62
05/04/2016 11.40
2012100229MNBab2001
3 of 62
11
yang akan penulis bahas dalam kasus ini yaitu perusahaan agen
penjualan tiket Oman Air di Indonesia. Proses produksinya sendiri
bisa berupa pengisian kursi kosong di pesawat, aktivitas produksi
inilah yang berlangsung dalam organisasi yang disebut sebagai
manajemen operasi.
2.1.1 Unsur-unsur Manajemen operasi
Menurut Fogarty (1989), dalm Harjanto (2007), manajemen operasi adalah
suatu proses yang berkesinambungan (kontinu) dan efektifitas menggunakan
manajemen untuk mengintegrasikan berbagai sumber daya secara efisien dalam
rangka mencapai tujuan. Unsur-unsur pokok dalam definisi tersebut, yaitu:
1. Continues, berarti manajemen produksi dan operasi bukan suatu
kegiatan yang berdiri sendiri. Keputusan manajemen bukan merupakan
tindakan sesaat, melainkan tindakan berkelanjutan (kontinu).
2. Efektif, berarti segala pekerjaan harus dilakukan secara tepat dan sebaikbaiknya, serta mencapai hasil sesuai dengan yang diharapkan.
3. Fungsi manajaemen, berarti kegiatan manajemen produksi dan operasi

memerlukan pengetahuan yang luas, mencakup planning, organizing,
actuating dan controlling. Dalam pelaksanaanya, berbagai sumber daya
diintegrasikan untuk menghasilkan barang dan jasa.
4. Efisien, berarti manajaer produksi dan operasi dituntut untuk

mempunyai kemampuan kerja secara efisien agar dapat mengoptimalkan
penggunaan sumber daya dan memperkecil limbah.
05/04/2016 11.40
2012100229MNBab2001
4 of 62
05/04/2016 11.40
2012100229MNBab2001
5 of 62
12
5. Tujuan, berarti kegiatan manajemen produksi dan operasi harus

mempunyai tujuan untuk menghasilkan suatu produk
yang
direncanakan.
Schroeder (1994) memberikan penekanan terhadap definisi kegiatan

produksi dan operasi pada tiga hal, yaitu:
1. Pengelolaan fungsi organisasi dalam menghasilkan barang dan jasa.

2. Adanya sistem transformasi yang menghasilkan barang dan jasa.
3. Adanya pengambilan keputusan sebagai elemen penting dari manajemen

operasi.
Secara umum kegiatan operasi merupakan suatu kegiatan yang berhubungan
dengan penciptaan atau pembuatan barang, jasa atau kombinasinya melalui proses
transformasi dari masukan sumber daya produksi menjadi keluaran yang
diinginkan. (Harjanto, 2007, p. 2)
2.2
Forecasting
Salah satu keputusan penting dalam perusahaan yang dilakukan oleh
manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu
disiapkan untuk masa mendatang. Penentuan tingkat produksi, yang merupakan
tingkat penawaran dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi
oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar
dapat mengakibatkan kerugian bagi perusahaan. Tingkat penawaran yang lebih

rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih
mengakibatkan hilangnya kesemparan untuk memeperoleh keuntungan, bahkan
05/04/2016 11.40
2012100229MNBab2001
6 of 62
05/04/2016 11.40
2012100229MNBab2001
7 of 62
13
mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Salah satu cara

untuk membantu mencapai suatu keputusan optimal dengan cara yang tepat,
sistematis dan dapat dipertanggung jawabkan adalah forecasting atau peramalan.
(Herjanto, 2009, p. 177).
Menurut (Prasetya & Fitria, 2009) Peramalan merupakan suatu usaha untuk
meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa
lalu.
Metode peramalan digunakan untuk menaksir atau memprediksi keadaan di

masa mendatang. Pada kenyataannya, seorang manajer secara konstan mencoba
untuk meramalkan masa yang akan datang berdasarkan sejumlah faktor, untuk
mengambil keputusan di masa sekarang yang akan menjamin suksesnya
perusahaan dimasa yang akan datang (Modul Lab. AKB, Universitas Bina
Nusantara 2010, P19 ). Kebutuhan peramalan semakin bertambah sejalan dengan
keinginan menajemen untuk memberikan respon yang cepat dan tepat terhadap
kesempatan di masa medatang, serta menjadi lebih ilmiah di dalam menghadapi

lingkungan. Dengan peramalan yang baik diharapkan pemborosan akan bisa
dikurangi, dan juga dapat membuat perusahaan lebih terkonsentrasi pada sasaran
tertentu agar perencanaan yang dihasilkan lebih baik sehingga dapat menjadi
kenyataan. (Herjanto, 2009)
2.2.1 Jenis-jenis peramalan
Peramalan dapat dilakukan secara kuantitatif maupun kualitataif.
Pengukuran secara kuantitatif menggunakan metode statistik, sedangkan
05/04/2016 11.40
2012100229MNBab2001
8 of 62
05/04/2016 11.40
2012100229MNBab2001
9 of 62
14
pengukuran secara kualitatif berdasarkan pendapat (judgement) dari yang

melakukan peramalan. Berkaitan dengan ini maka dikenal-lah istilah prakiraan
dan prediksi dalam peramalan. Prakiraan didefinisikan sebagai proses peramalan
suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel itu
pada masa sebelumnya. Sementara prediksi adalah proses peramalan variabel di

masa mendatang dengan lebih mendasarkan pada pertimbangan intuisi daripada
data masa lampau. (Harjanto, 2007, p. 78)
Organisasi pada umumnya menggunakan 3 tipe peramalan utama dalam

perencanaan operasi di masa depan (Heizer & Render, 2006, p. 138):
1.
Peramalan ekonomi (economic forecast), menjelaskan siklus bisnis
denngan memprediksikan tingkat inflasi, ketersediaan uang data

yang dibutuhkan untuk membangun perumahan dan indicator
2.
perencanaan lainnya.
Peramalan teknologi (technological forecast), memperhatikan tingkat

kemajuan teknologi yang dapat memunculkan produk baru yang
3.
menarik, yang membutuhkan pabrik dan peralatan baru.
Peramalan permintaan (demand forecast), dalah Peramalan permintaan

untuk produk atau layanan suatu perusahaan. Peramalan ini disebut
juga peramalan penjualan, yang mengendalikan produksi, kapasitas
serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran dan sumber daya manusia.
2.2.1.1 Peramalan horizon waktu
05/04/2016 11.40
2012100229MNBab2001
10 of 62
05/04/2016 11.40
2012100229MNBab2001
11 of 62
15
Berdasarkan horizon waktu, peramalan dapat dikelompokan dalam 3 bagian

(Prasetya & Fitria, 2009, p. 43), Yaitu:
1. Peramalan jangka panjang, mencakup jangka waktu satu tahun tetapi
umumnya kurang dari 3 bulan..
2. Peramalan jangka menengah, mencakup hitungan bulanan hingga 3

tahun.
3. Peramalan jangka pendek, kurang dari 3 bulan. biasanya menggunakan

pendekatan kuantitatif.
Metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan
dalam 2 jenis yaitu metode eksplanatori dan metode serial waktu (deret berkala,
time series). Metode eksplanatori mengasumsikan bahwa nilai suatu variabel
merupakan fungsi dari 1 atau beberapa variabel lain. Kegunaan metode ini adalah
untuk menemukan bentuk hubungan antara suatu suatu variable dengan variabelvariabel lain, dan menggunakannya untuk meramalkan nilai variable tak bebas
(yang diramalkan, dependen) terhadapa perubahan dari variebel bebasnya.
Sedangkan metode serial waktu adalah metode yang digunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Tujuannya

untuk menemukan pola deret variable byang bersangkutan berdasarkan nilai
variabel pada masa sebelumnya dan mengekstrapolasikan pola itu untuk membuat
peremlan niali variabel pada masa mendatang (Harjanto, 2007).
2.2.2 Metode serial waktu
05/04/2016 11.40
2012100229MNBab2001
12 of 62
05/04/2016 11.40
2012100229MNBab2001
13 of 62
16
Analisis serial didasarkan para waktu yang berurutan atau beranjak sama
(mingguan, bulanan, kwartalan dan lainnya). Metode ini sering juga disebut
metode runtun waktu, metode deret waktu atau deret berkala menggambarkan
berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah
penting dalam memilih metode deret berkala atau runtun waktu adalah dengan
mempertimbangkan jenis pola data. Serangkaian data dalam serial waktu dapar
dikelompokkan ke dalam pola dasar sebagai berikut (lihat gambar 2.1).
Gambar 2.1 pola dasar dalam serial waktu

Sumber: Harjanto (2007)
Horizontal (konstan), yaitu apabila data berfluktuasi di sekitar rata-rata
secara stabil. Polanya berupa garis lurus mendatar biasanya terdapat
dalam jangka pendek atau menengah. Jarang sekali suatu variable
memiliki pola konstan dalam jangka panjang.
Kecenderungan (trend), yaitu apabila data mempunyai kecenderungan,
baik yang arahnya meningkat atau menurun dari waktu ke waktu.
05/04/2016 11.40
2012100229MNBab2001
14 of 62
05/04/2016 11.40
2012100229MNBab2001
15 of 62
17
Pola ini disebabkan antara lain oleh bertambahnya populasi,

perubahan pendapat, dan pengaruh budaya.
Musiman (seasonal), yaitu apabila polanya merupakan gerakan
berulang-ulang secara teratur dalam setiap periode tertentu, misalnya

tahunan, triwulan, bulanan atau mingguan. Pola ini biasanya
berhubungan dengan faktor iklim atau cuaca atau faktor yang dibuat
oleh manusia seperti liburan dan hari besar.
Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi

ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama
antara pola musiman dengan siklus adalah pola musiman
mempunyai panjang gelombang yang tetap dan terjadi dari waktu

(durasi) yang tetap, sedangkan pola siklus memiliki jarak waktu
lebih panjang dan bervariasi dari satu siklus ke siklus lainnya.
Residu atau variasi acak (random), yaitu apabila data tidak teratur
sama sekali. Gerakan random
adalah rangkaian waktu yang
menunjukkan gerakan yang tak teratur yang disebabkan oleh faktorfaktor di luar dugaan, seperti wabah, gempa bumi, dan sebagainya.
Data bersifat acak tidak dapat digambarkan. (Harjanto, 2007, p. 79)

2.2.2.1 Pengolahan data kuantitatif
Dengan jenis data diatas maka penelitian ini dilakukan dengan metode
peramalan kuantitatif. Metode peramalan kuantitatif adalah metode peramalan
05/04/2016 11.40
2012100229MNBab2001
16 of 62
05/04/2016 11.40
2012100229MNBab2001
17 of 62
18
yang melibatkan analisis statistik terhadap data-data masa lalu. Penelitian yang
menggunakan rentetan data deret waktu, maka metode peramalan kuantitatif yang
dipakai adalah metode peramalan kuantitatif model deret waktu satu ragam.
Metode peramalan kuantitatif model deret waktu satu ragam adalah metode
peramalan yang fokus pada observasi terhadap urutan pola data yang secara
kronologis suatu peubah tertentu (Firdaus, 2006). Menurut Levine et. Al. (2002, p.
655) metode peramalan deret waktu melibatkan Peramalan nilai yang akan datang
dari sebuah variable berdasarkan pada pengamatan masa lalu dan sekarang dari
variable tersebut. Metode peramalan deret waktu dapat dibagi menjadi beberapa
metode sebagai berikut.
1. Metode Smoothing
Metode ini digunakan untuk melakukan pemulusan terhadap suatu deret
berkala dengan membuat rata-raat tertimbang dari sederetan data yang
lalu. Metode ini sangat efektif untuk peramalan jangka pendek dan tidak
membutuhkan banyak data.
2. Metode Box Jenkins
Metode ini menggunakan dasar deret waktu dengan model matematis

dan hanya cocok untuk jangka pendek.
3. Metode Peramalan Trend

Metode ini berdasarkan garis trend untuk suatu persamaan matematis.
Cocok untuk jangka pendek maupun jangka panjang. Makin banyak data
yang tersedia, hasilnya akan semakin baik.
4. Metode Dekomposisi
05/04/2016 11.40
2012100229MNBab2001
18 of 62
05/04/2016 11.40
2012100229MNBab2001
19 of 62
19
Metode ini memisahkan 3 komponen yaitu trend, siklis, dan musiman.

Metode ini cocok bagi rencana jangka pendek dan semakin banyak data
2.3
yang tersedia akan semakin baik hasil peramalannya.
ARIMA (Autoregressive Integrated Moving average)
Metode ARIMA adalah metode peramalan yang tidak menggunakan teori
atau pengaruh antar variabel seperti pada model regresi; dengan demikian metode
ARIMA tidak memerlukan penjelasan mana variabel dependen dan inde[penden.
Metode ini tidak memerlukan pemecahan pola menjadi komponen trend,
seasonal, siklis atau irregular seperti pada data time series
pada umumnya.
Metode ini secara murni melakukan prediksi hanya berdasarkan data-data historis
yang ada. Hampir mustahil menerapkan ARIMA secara manual. Selain dikenal
dengan nama ARIMA, metode ini popular dengan sebutan metode Box-Jenkins,
karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box
dan G.M Jenkins pada tahun 1970. (Santoso, 2009, p. 152)
This chapter introduces a class of models that can produce accurate
forecasts based on a description of historical patterns in the data. Autoregressive

integrated moving average (ARIMA) models are a class of linear models that is
capable of representing stationary as well as non-stationary time series. Recall
that stationary process, vary about fixed level and non-stationary process have no
natural constant mean level. ARIMA models do not involve independent variable
in their constriction. Rather, they make use of the information in the series itself
to generate forecasts. For example an ARIMA model for monthly sales would
05/04/2016 11.40
2012100229MNBab2001
20 of 62
05/04/2016 11.40
2012100229MNBab2001
21 of 62
20
project the historical sales pattern to produce a forecast of next months sales.
ARIMA models rely heavily on autocorrelation patterns in the data.
Bab ini memperkenalkan model yang dapat menghasilkan peramalan yang
akurat berdasarkan deskripsi pola data masa lalu
dalam data. Autoregressive
integrated moving average (ARIMA) model adalah kelas model linier yang
mampu mengolah data stasioner maupun non-stasioner time series. Perlu diingat
bahwa proses stasioner bergantung dari level tetap dan non-stasioner proses tidak
memiliki tingkat rata-rata alami konstan. Model ARIMA tidak melibatkan
variabel independen dalam pengolahannya. Sebaliknya, mereka memanfaatkan
informasi dalam seri itu sendiri untuk menghasilkan perkiraan. Misalnya model
ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan sejarah

untuk menghasilkan perkiraan penjualan bulan depan. Model ARIMA sangat
bergantung pada pola autokorelasi dalam data. (Hanke & Wichern, 2003, p. 381)
Autoregressive Integrated Moving average
(ARIMA) adalah metode ini
mengekplisitkan pemakain autokorelasi dalam time series, yaitu korelasi anatar
sebuah variabel, yang bersenjang satu periode lebih, dengan variabel itu sendiri.
(Kazmier, 2005)
ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan

berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). ARIMA ini
sama sekali mengabaikan variabel independen karena model ini menggunakan
nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Untuk peramalan jangka panjang
05/04/2016 11.40
2012100229MNBab2001
22 of 62
05/04/2016 11.40
2012100229MNBab2001
23 of 62
21
ketepatan peramalannya biasanya akan cenderung flat (mendatar/konstan) untuk

periode yang cukup panjang.
Dalam membuat peramalan model ini sama sekali mengabaikan variabel
independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau
dari variabel dependen untuk menghasilkan peramalan jangka pendek yang
akurat. Metode Box-Jenkins hanya dapat diterapkan, menjelaskan, atau mewakili

series yang stasioner atau telah dijadikan stasioner melalui proses differencing.
Karena series stasioner tidak punya unsur tren, maka yang ingin dijelaskan
dengan metode ini adalah unsur sisanya, yaitu error. Kelompok model time series
linier yang termasuk dalam metode ini antara lain: autoregressive, moving
average, autoregressive-moving average, dan autoregressive integrated moving

average. (Administrator, 2009).
ARIMA models have been widely used in the tourism literature, model
ARIMA telah banyak digunakan dalam literature pariwisata (Claveria & Datzira,
2010).
2.3.1 Model Autoregressive
Jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang
berurutan atau nilai sekarang series merupakan rata-rata tertimbang nilai-nilai
lampaunya bersama dengan kesalahan sekarang, maka persamaan itu dinamakan
model autoregressive.
Bentuk umum model ini adalah (Santoso, 2009):
05/04/2016 11.40
2012100229MNBab2001
24 of 62
05/04/2016 11.40
2012100229MNBab2001
25 of 62
22
Dimana :
Yt
Yt-1 , Yt-2 , Yt-n
= nilai AR yang di prediksi
= nilai lampau series yang bersangkutan ; nilai lag dari

time series.
Ap
= koefisien
et
= residual; error yang menjelaskan efek dari variabel

yang tidak dijelaskan oleh model, kesalahan
peramalan dengan ciri seperti sebelumnya.
Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan

tingkat dari model ini. Jika hanya digunakan sebuah nilai lampau, dinamakan
model autoregressive tingkat satu dan dilambangkan dengan AR. Agar model ini
stasioner, jumlah koefisien model autoregressive
harus selalu kurang
dari 1. Ini merupakan syarat perlu, bukan cukup, sebab masih diperlukan syarat
lain untuk menjamin stationarity.
2.3.2 Model moving average
Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan
sekarang dan masa lalu yang berurutan, persamaan itu dinamakan moving
average model.
05/04/2016 11.40
2012100229MNBab2001
26 of 62
05/04/2016 11.40
2012100229MNBab2001
27 of 62
23
Dimana :
Yt
= nilai MA yang di prediksi
W1,2,q
= konstanta; koefisien atau bobot (weight)
et
Terlihat bahwa Y
= residual; error yang menjelaskan efek dari variabel

yang tidak dijelaskan oleh model.
merupakan rata-rata tertimbang kesalahan sebanyak n
periode ke belakang. Banyaknya kesalahan yang digunakan pada persamaan ini

(q) menandai tingkat dari model moving average. Jika pada model itu digunakan
dua kesalahan masa lalu, maka dinamakan model average
tingkat 2 dan
dilambangkan sebagai MA. Hampir setiap model exponential smoothing
pada
prinsipnya ekuivalen dengan suatu model ini. Agar model ini stasioner, suatu
syarat perlu (bukan cukup), yang dinamakan invertibility condition adalah bahwa
jumlah koefisien model
selalu kurang dari 1. ini artinya jika makin ke
belakang peranan kesalahan makin mengecil. Jika kondisi ini tak terpenuhi
kesalahan yang semakin ke belakang justru semakin berperan.
Model MA meramalkan nilai Y
berdasarkan kombinasi kesalahan linier
masa lampau (lag), sedangkan model AR menunjukkan Y t sebagai fungsi linier

dari sejumlah nilai Yt aktual sebelumnya.
2.3.3 Model Autregressive Integrated Moving Average (ARIMA)

Model time series yang digunakan berdasarkan asumsi bahwa data time
series tersebut stasioner, artinya rata-rata varian (s2) suatu data time series
05/04/2016 11.40
2012100229MNBab2001
28 of 62
05/04/2016 11.40
2012100229MNBab2001
29 of 62
24
konstan. Tapi seperti kita ketahui bahwa banyak data time series
dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series
integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu
melalui proses differencing sebanyak d kali dapat djadikan stasioner, maka series
itu dikatakan non-stasioner homogen tingkat d.
Seringkali proses random
stasioner tak dapat dengan baik dijelaskan oleh model moving average saja atau
autoregressive saja, karena proses itu mengandung keduanya. Karena itu,
gabungan kedua model, yang dinamakan Autregressive Integrated Moving

Average (ARIMA) model dapat lebih efektif menjelaskan proses itu.
Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya
serta nilai sekarang dan kesalahan lampaunya.
Dimana :
Yt
= nilai series yang stasioner
Yt-1 , Yt-2
= nilai lampau series yang bersangkutan
et-1 , et-2
= variabel bebas yang merupakan lag dari residual
W1 , Wq, A1, Ap = koefisien model

2.3.4 Konsep Parsimoni
Pemilihan model juga menggunakan unsur seni disamping ilmu; selain itu
factor parsimoni juga perlu di pertimbangkan. Parsimoni adalah konsep yang
05/04/2016 11.40
2012100229MNBab2001
30 of 62
05/04/2016 11.40
2012100229MNBab2001
31 of 62
25
mengutamankan kesederhanaan sesuatu; dalam ARIMA. Konsep tersebut

menekankan lebih baik memilih model dengan parameter sedikit daripada
parameter banyak, serta mengutamakan lag yang paling sedikit. (Santoso, 2009)
2.4
Stasioner dan Non-stasioner
Ciri-ciri stasioner dalam time series adalah nilai rata-rata (mean) dan varian
selalu konstan untuk setiap periode. Data time series yang tidak memeiliki tren
disebut stasioner. Stasioner berarti tidak terdapat pertumbuhan atau penurunan
pada data. Data secara kasarnya harus horizontal
sepanjang sumbu waktu.
Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan varians
dari fluktuasi tersebut pada
pokoknya tetap konstan setiap waktu. Sebaliknya, data time series yang memiliki
tren disebut non-stasioner. Indikasi adanya non-stasioner pada data time series
ditunjukan dengan menurunnya koefisien auto korelasi mendekati nol (0) setelah
lag 2 atau lag 3. (Rangkuti, 2005, p. 67)
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat
non-stasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya
berkenaan dengan deret berkala yang stasioner. Jadi suatu deret waktu yang tidak
stasioner harus diubah menjadi data stasioner dengan melakukan differencing.
Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih
nilai observasi. Nilai selisih yang diperoleh dicek kembali apakah stasioner atau
tidak. Jika belum stasioner maka dilakukan tranformasi logaritma. (Administrator,
2009)
05/04/2016 11.40
2012100229MNBab2001
32 of 62
05/04/2016 11.40
2012100229MNBab2001
33 of 62
26
2.5
Pola autokorelasi
Setelah data runtut waktu telah stasioner, langkah berikutnya adalah
menetapkan model ARIMA (p,d,q) yang sekiranya cocok (tentatif), maksudnya

menetapkan berapa p, d, dan q. Jika tanpa proses differencing d diberi nilai 0, jika
menjadi stasioner setelah first order differencing d bernilai 1 dan seterusnya.
Dalam (Santoso, 2009) proses ini dilambangkan dengan ARIMA (p,d,q).

Dimana :
q menunjukkan ordo/ derajat autoregressive (AR)
d adalah tingkat proses differencing
p menunjukkan ordo/ derajat moving average (MA)

Simbol model-model sebelum ini dapat saja dinyatakan seperti berikut :
AR sama maksudnya dengan ARIMA (1,0,0),
MA sama maksudnya dengan ARIMA (0,0,2), dan

ARMA sama maksudnya dengan ARIMA (1,0,2).
Mungkin saja terjadi bila suatu series non-stasioner homogen tidak tersusun
atas kedua proses itu, yaitu proses autoregressive maupun moving average. Jika
hanya mengandung proses autoregressive, maka series itu dikatakan mengikuti
proses Integrated autoregressive dan dilambangkan ARIMA (p,d,0). sementara

yang hanya mengandung proses moving average, seriesnya dikatakan mengikuti
proses Integrated moving average dan dituliskan ARIMA (0,d,q).
Dalam (Hanke & Wichern, 2003, p. 389) Fungsi Autokorelasi (ACF) dan
Fungsi Autokorelasi Parsial (PACF) melalui korelogramnya. ACF mengukur
05/04/2016 11.40
2012100229MNBab2001
34 of 62
05/04/2016 11.40
2012100229MNBab2001
35 of 62
27
korelasi antar pengamatan dengan jeda k, sedangkan PACF mengukur korelasi

antar pengamatan dengan jeda k dan dengan mengontrol korelasi antar dua
pengamatan dengan jeda kurang dari k. Untuk memilih berapa p dan q dapat
dibantu dengan mengamati pola fungsi autocorrelation dan partial
autocorrelation (correlogram) dari series yang dipelajari, dengan acuan sebagai

berikut :
Tabel 2.1 Pola Autokorelasi dan Autokorelasi Parsial

Autocorrelation
Menuju nol setelah lag q
Menurun secara
bertahap/bergelombang
Menurun secara
(sampai lag q masih
berbeda dari nol)
Partial autocorrelation
ARIMA
tentatif
Menuju nol setelah lag q
ARIMA
(p,d,0)
Menurun secara
Menurun secara
(sampai lag p masih
berbeda dari nol)
ARIMA
(0,d,q)
ARIMA
(p,d,q)
Sumber: (Hanke & Wichern, 2003)
Dalam praktik pola autocorrelation dan partial autocorrelation seringkali
tidak menyerupai salah satu dari pola yang ada pada tabel itu karena adanya
variasi sampling. Jika sudah terbiasa atau berpengalaman pemilihan p dan q
diharapkan dekat dengan yang benar. Perhatikan bahwa kesalahan memilih p dan
q bukan merupakan masalah, dan akan dimengerti setelah tahap diagnostic
checking. Pada umumnya, analis harus mengindentifikasi autokorelasi yang

secara eksponensial menjadi nol. Jika autokorelasi secara eksponensial melemah
menjadi nol berarti terjadi proses AR. Jika autokorelasi parsial melemah secara
05/04/2016 11.40
2012100229MNBab2001
36 of 62
05/04/2016 11.40
2012100229MNBab2001
37 of 62
28
eksponensial berarti terjadi proses MA. Jika keduanya melemah berarti terjadi
proses ARIMA (Arsyad, 1995).
Data yang bersifat time series cenderung memiliki hubungan antar periode.
Untuk mengetahui apakah data time series tersebut saling berhubungan satu sama
lain, kita dapat melakukan analisis autokorelasi. Idealnya, data yang bersifat time
series harus bebas dari pengaruh autokorelasi. Komponen yang membentuk pola
tertentu pada data time series
diakibatkan oleh pengaruh tren, kecenderungan
musiman, serta ketidakajegan. Semuanya dapat dipelajari dengan menggunakan

analisis koefisien autokorelasi, baik bersifat natural logs maupun berbagai
senjang waktu yang berbeda (time lags). (Rangkuti, 2005, p. 29)
Dikemukakan There may be some ambiguity in determining an appropriate
ARIMA model from the pattern of the sample autocorrelation and partial
autocorrelation. With a little practice, the analys should become more adept at
identifying an adequate model. (Hanke & Wichern, 2003). Terdapat keambiguan

dalam menetukan model ARIMA yang tepat dari contoh autokorelasi dan
autokorelasi parsial. Dengan banyak latihan, analis dapat menjadi lebih mahir
dalam mengidentifikasi model yang memenuhi syarat.
1.6
Menghitung Kesalahan Peramalan

Dalam (Santoso, 2009, p. 172)
penggunaan ARIMA dengan MINITAB
PEMILIHAN model terbaik adalah model degan tingkat kesalahn prediksi
terkecil. Acuannya adalah MS (means of square; Adalah rata-rata selisih kuadrat
05/04/2016 11.40
2012100229MNBab2001
38 of 62
05/04/2016 11.40
2012100229MNBab2001
39 of 62
29
nilai yang diramalkan dan yang diamati). Namun dalam text book lain ada
beberapa tekhnik untuk menghitung kesalahan peramalan.
Menurut (Weiers, 2011) ada beberapa teknik untuk mengevaluasi hasil
peramalan, diantaranya :
Mean Absolute Deviation (MAD) atau simpangan absolut rata-rata
MAD ini sangat berguna jika seorang analis ingin mengukur
kesalahan peramalan dalam unit ukuran yang sama seperti data

aslinya.
Mean Squared Error (MSE) atau Kesalahan rata-rata kuadrat
Pendekatan ini menghukum suatu kesalahan yang besar karena

dikuadratkan. Pendekatan ini penting karena satu teknik yang
menghasilkan kesalahan yang moderat yang lebih disukai oleh suatu

peramalan yang biasanya menghasilkan kesalahan yang lebih kecil
tetapi kadang-kadang menghasilkan kesalahan yang sangat besar.
Pendekatan inilah yang nantinya akan muncul dalam pehitungan
dengan MINITAB.
1.7
MINITAB
Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistika. Minitab mengkombinasikan kemudahan penggunaan
05/04/2016 11.40
2012100229MNBab2001
40 of 62
05/04/2016 11.40
2012100229MNBab2001
41 of 62
30
layaknya Microsoft excel dengan kemampuannya melakukan analisis statistik

yang kompleks (Simarmata, 2010, p. 26)
MINITAB is a powerful statistical software that provides a wide range of
basic and advanced capabilities for statistical analysis. MINITABs broad,
powerful capabilities and unmatched ease of use make it the ideal teaching tool.
As a result more than 4000 colleges, universities and high schools worldwide rely
on MINITAB. Developed over 30 years ago, by professors for professor,
MINITAB has become the standard for statistic education. And because MINITAB
is the leading package used in industry for quality and process improvement,
student who learn MINITAB in class will have the advantage of knowing how to
use a real-world business tool MINITAB adalah perangkat lunak statistik yang
menyediakan berbagai kemampuan untuk analisis statistik baik dasar dan
lanjutan. Program ini memiliki kemampuan yang kuat dan mudah digunakan
menjadikannya ideal sebagai alat pengajaran. Sebagai buktinya MINITAB telah

digunakan di lebih dari 4000 perguruan tinggi, universitas dan sekolah menengah
di seluruh dunia. Dikembangakan lebih dari 30 tahun yang lalu dari professor ke
psrofesor, MINITAB telah menjadi standar untuk pembelajaran statistik. Dan
karena MINITAB adalah paket terdepan yang digunakan untuk meningkatkan

proses dan kualitas dalam perusahaan, murid yang mempelajari MINITAB pasti
mendapatakan keuntungan dari mengetahui dan juga dapat menggunakan alat
yang digunakan dalam dunia bisnis sebenarnya (Ryan, Joiner, & Cryer, 2005, p.
xiii).
05/04/2016 11.40
2012100229MNBab2001
42 of 62
05/04/2016 11.40
2012100229MNBab2001
43 of 62
31
2.7
Pariwisata
Kegiatan kepariwisataan adalah kegiatan yang mengutamakan pelayanan
dengan berorientasi pada kepuasan wisatawan, pengusaha di bidang pariwisata,
pemerintah, dan masyarakat. Sebagai salah satu aktivitas fisik dan psikis manusia,
pariwisata didefinisikan oleh banyak ahli dengan definisi yang tidak terlalu jauh
berbeda. Menurut Simatupang,V. (2009 p. 24) mengatakan pariwisata adalah
semua proses yang ditimbulkan oleh arus perjalanan lalu lintas orang orang dari
luar ke suatu negara atau daerah dan segala sesuatu yang terkait dengan proses
tersebut seperti makan/minum, transportasi, akomodasi, dan objek atau hiburan.
Sedangkan menurut Spillane (1997:105) dalam Pitana (2005 p. 46)
mendefinisikan pariwisata sebagai sebuah perjalanan dari suatu tempat ke tempat

lain bersifat sementara, dilakukan perorangan atau kelompok dan sebagai usaha
mencari keseimbangan, keserasian, atau kebahagian dengan lingkungan hidup
dalam dimensi, budaya, alam, dan ilmu. Batasan
batasan diatas begitu luas,
sehingga pengertian pariwisata seakan tidak bisa dibatasi karena menyangkut

hampir semua aspek kehidupan.
Pendit (2003 p. 37) menyebutkan bentuk pariwisata dapat dibagi menurut
kategori yaitu:
a. menurut asal wisatawan,
b. akibat terhadap neraca pembayaran,
c. jangka waktu,
d. jumlah wisatawan, dan

e. menurut alat angkut yang dipergunakan.
05/04/2016 11.40
2012100229MNBab2001
44 of 62
05/04/2016 11.40
2012100229MNBab2001
45 of 62
32
Jenis pariwisata yang sudah dikenal saat ini antara lain: wisata budaya,
wisata kesehatan, wisata olah raga, wisata komersial, wisata industri, wisata
politik, wisata konvensi, wisata sosial, wisata pertanian, wisata maritim/bahari,
wisata cagar alam, wisata buru, wisata pilgrim, wisata bulan madu, dan wisata
petualangan.
2.8
Permintaan pariwisata
Permintaan pariwisata didefinisikan sebagai, sejumlah orang yang
mengadakan perjalanan atau akan mengadakan perjalanan dengan menggunakan
fasilitas dan atau jasa-jasa di tempat tersebut (Mathieson and Wall, 1982).
Definisi ini mengacu kepada luasnya dampak, yang berkaitan dengan harga dan
pendapatan, sebagai determinan permintaan dan termasuk mereka yang bepergian
maupun yang ingin bepergian tetapi karena salah satu sebab tidak bias
mengadakan perjalanan. Permintaan pariwisata terbagi atas beberapa macam:

1. Permintaan efektif atau actual
Adalah jumlah yang secara nyata bepergian, hal ini mudah untuk diukur dan
merupakan sebagian besar dari data statistik berasal dari data ini.
2. Permintaan yang tertunda

Adalah mereka yang tidak jadi bepergian karena beberapa alasan:
a)
b)
Permintaan Potensial Mengacu kepada mereka yang akan
bepergian di masa akan masa tersebut.
Permintaan Tertunda Mengacu pada masalah
masalah
kelangkaan jasa pelayanan seperti kesempatan bepergian.
05/04/2016 11.40
2012100229MNBab2001
46 of 62
05/04/2016 11.40
2012100229MNBab2001
47 of 62
33
Dengan kata lain permintan potensial dan permintaan tertahan akan berubah
menjadi permintaan actual dan efektif di masa akan dating atau tidak ada
permintaan bepergian sama sekali.
Menurut Medlik (1980) dalam Ariyanto 2005, menjelaskan 3 pendekatan
yang digunakan untuk menggambarkan permintaan pariwisata, yaitu:

1) Pendekatan ekonomi.
Pendapat para ahli ekonomi mengatakan dimana permintaan

pariwisata menggunakan elastisitas permintaan/ pendapatan dalam
menngambarkan hubungan antara permintaan dengan tingkat harap
ataukah permintaan dengan variable lainnya.
2) Pendekatan geografi
Sedangkan para ahli geografi berpendapat bahwa untuk menafsirkan

permintaan harus berpikir lebih luas dari sekedar menaruh harga
sebagai penentu permintaan karena termasuk yang telah melakukan

perjalanan maupun yang belum mampu melakukan wisata karena
suatu alasan tertentu.
3) Pendekatan psikologi
Para ahli psikologi berpikir lebih dalam melihat dari permintaan
pariwisata, termasuk didalamnya interaksi antara kepribadian calon
wisatawan, lingkungan dan dorongan dari lubuk jiwanya untuk
melakukan pariwisata.
2.9
Motivasi berwisata
05/04/2016 11.40
2012100229MNBab2001
48 of 62
05/04/2016 11.40
2012100229MNBab2001
49 of 62
34
Dalam konteks pariwisata, sangat penting untuk diketahui alasan yang

menjadi motivasi utama manusia melakukan perjalanan wisata, karena dengan
mengetahui alasan mereka melakukan perjalanan wisata, maka dalam lingkup
yang lebih luas komponen pariwisata lainnya (pemerintah, penyedia jasa/pelaku

bisnis pariwisata, dan masyarakat lokal) dapat mengantisipasi kebutuhan
wisatawan tersebut.
Shapley (dalam Pitana & Gayatri, 2005, p. 28) menyebutkan bahwa
motivasi merupakan hal yang sangat mendasar. Karena motivasi merupakan

pemicu dari proses perjalanan wisata, walaupun motivasi ini acapkali tidak
disadari secara penuh oleh wisatawan itu sendiri. Weaver and Lawton (2006 p.
29) menyebutkan beberapa motivasi seseorang untuk melakukan perjalanan
wisata yaitu:
1. Leisure and recreation / liburan dan rekreasi
2. Visiting friend and relatives / mengunjungi teman dan keluarga

3. Business / urusan bisnis
4. Sport / olahraga
5. Sprirituality / spriritual
6. Health / kesehatan
7. Study / belajar
8. Multipurpose tourism / wisata dengan tujuan ganda
Pitana dan Gayatri (2005 p. 60) menyebutkan bahwa motivasi perjalanan
seseorang dipengaruhi oleh faktor internal wisatawan itu sendiri (intrinsic

motivation) dan faktor eksternal (extrinsic motivation). Secara intrinsik motivasi
05/04/2016 11.40
2012100229MNBab2001
50 of 62
05/04/2016 11.40
2012100229MNBab2001
51 of 62
35
terbentuk karena adanya kebutuhan dan/atau keinginan dari manusia itu sendiri,
sesuai dengan teori hierarki Maslow. Konsep Maslow tentang hierarki kebutuhan
yang dimulai dari kebutuhan fisiologis, kebutuhan keamanan, kebutuhan sosial,
kebutuhan prestis, dan kebutuhan akan aktualisasi diri, telah dijadikan dasar
untuk meneliti motivasi wisatawan. Sedangkan motivasi ekstrinsik adalah
motivasi yang terbentuknya dipengaruhi oleh faktor
faktor eksternal, seperti
norma sosial, pengaruh atau tekanan keluarga, dan situasi kerja yang
terinternalisasi dan kemudian berkembang menjadi kebutuhan psikologis.

Motivasi merupakan faktor penting bagi calon wisatawan didalam mengambil
keputusan mengenai destinasi yang akan dikunjungi.
2.10
Penelitian Terdahulu
Nama
pengarang
Hussein Ali
Al-Zeaud
Tabel 2.2 Tabel penelitian terdahulu

Judul Jurnal
Hasil penelitian
European Journal of
Praktisi melakukan penelitian dengan
Administrative Sciences,
menentukan peramalan dari votailitas
Economics, Finance and

ISSN 1450-2275
35, Modelling and
Issue untuk sektor bank. Proses perhitungan
Forecasting Volatility
Using ARIMA Model

(2011).
Lusi Alvina
data sebanyak 272 buah untuk
JURNAL TEKNIK ITS
menggabungkan software E-views dan

MINITAB. Model ARIMA terpilih
yang ditentukan dari MSE terkecil yaitu

0.0001003 adalah ARIMA (2,0,2)
dengan peramalan sebesar 0.0077137.
Praktisi melakukan pemodelan dan
05/04/2016 11.40
2012100229MNBab2001
52 of 62
05/04/2016 11.40
2012100229MNBab2001
53 of 62
36
Tofani,
Vol. 1, No. 1 (Sept.
peramalan trafik SMS pada jaringan
Mauludiyanto
Peramalan Trafik Sms
Communication) area Jabotabek
Achmad
2012) ISSN: 2301-9271,

Area Jabotabek dengan
Metode Arima (2012).
GSM (Global System for Mobile
menggunakan metode ARIMA namun

tidak disebutkan software nya.
Didapatkan hasil untuk trafik all
operator 0-15 sec didapat model
([6,9],1,2) dengan nilai MAPE sebesar
0,33% . untuk trafik all operator 16-30

sec didapat model (1,0,[1,4,5]) dengan
nilai MAPE sebesar 2,24%. Model
ARIMA trafik peer to peer GSM-T 0-
15 sec didapat model (1,0,[1,7]) dengan

nilai MAPE sebesar 3,06% dan untuk
trafik peer to peer
GSM-T 16-30 sec
didapat model ([1,5],0,5) dengan nilai

MAPE sebesar 10,991%. Model
ARIMA yang telah didapat dari proses

pemodelan ini sebelum proses deteksi
outlier dilakukan. Untuk trafik all
operator 0-15 sec
didapat model

0,35% dan untuk trafik all operator 1630 sec didapat model (1,0,[1,4,5])
dengan nilai MAPE sebesar 210,94%.

Model ARIMA trafik peer to peer
GSM-T 0-15
sec didapat model
(1,0,[1,7]) dengan nilai MAPE sebesar

23,95% dan untuk trafik peer to peer
05/04/2016 11.40
2012100229MNBab2001
54 of 62
05/04/2016 11.40
2012100229MNBab2001
55 of 62
37
GSM-T 16-30 sec didapat model

Salah T. Alrawashdeh
International Journal of
Business and
5,56%.
Praktisi menemukan bahwa data tidak
stasioner maka dari itu dilakukan proses
Management, Vol. 6, No. differencing dengan model ARIMA.

10; October 2011, ISSN
Software yang digunakan (Minitab, 14
8119 Forecasting
peramalannya. Praktisi menemukan
Investment
1)
1833-3850 E-ISSN 1833- and Eviews, 3.1) untuk analisi data dan
Foreign Direct
peramalan optimal pada ARIMA (0, 1,
in Jordan for the Years

(2011).
dengan MAD 12.060 dan
peramalannya mencapai (29207.06)
juta dalam dinar Jordan dinar (JD) pada

tahun 2030. Praktisi melakukan
pendeketan parsemoni dengan hanya

melakukan analisis pada ARIMA
(1,1,0); ARIMA (1,1,1) dan ARIMA

(0,1,1).
Liem Gai Sin,
Journal of Arts, Science
Praktisi melakukan Peramalan dari
Purnamasari.
Issue 3, July 2011, E-
sebagai objeknya. Praktisi memprediksi
2231-4172, China E-
diperkirakan akan bertumbuh hingga
Analysis: Forecasting
di perkirakan masih akan mendominasi
Ria
& Commerce, Vol.

ISSN 2229-4686,
II, umur, jenis kelamin dan pendapatan
ISSN bahwa pengguna internet di Cina
Commerce Market
And Profiling Internet

User (2011).
1.53 milyar pada tahun 2015, kaum pria

pasar namun pria pengguna internet di
prediksi akan turun secara bertahap.
Pengguna internet yang berpendapatan
05/04/2016 11.40
2012100229MNBab2001
56 of 62
05/04/2016 11.40
2012100229MNBab2001
57 of 62
38
tinggi juga meningkat, maka
kemungkinan produk mewah akan
menjadi produk potensial yang dapat di
perdagangkan lewat internet. Peramalan

dilakukan dengan metode ARIMA
namun dari tiap indikatornya
penggunaan model ARIMA yang

digunakan berbeda-beda, sebagai
contoh model ARIMA (1,0,0) sesuai
untuk meramalkan pengguna internet
campuran, pengguna internet pria, orang

berpendapatan kurang dari 501 yuan
dan orang yang berpendapatan 5014000 yuan. Sedangkan pengguna
internet wanita menggunakan model
ARIMA (2,0,2). Pengguna dibawah 21
tahun dan diatas 30 tahun menggunakan
model ARIMA (1,1,1), sedangkan orang

berumur 21-30 tahun menggunakan
model ARIMA (1,0,2), dan orang
berpenghasilan tinggi menggunakan

model ARIMA (2,1,2).
Oscar
TOURISM REVIEW,
Praktisi focus dengan permintaan
Datzira
18-36, Q Emerald Group Perancis, Inggris, Jerman dan Italia
Claveria; Jordi VOL. 65 NO. 1 2010, pp. pariwisata di Katalonia dari Negara
Publishing Limited,
dengan peramalan membandingkan
Forecasting tourism
exciting threshold autoregressions) dan
ISSN 1660-5373,
demand using
model AR, ARIMA, SETAR (Self-
MKTAR (Markov switching regime).
05/04/2016 11.40
2012100229MNBab2001
58 of 62
05/04/2016 11.40
2012100229MNBab2001
59 of 62
39
consumer expectations
Hasil yang di dapat oleh praktisi
menunjukan keakuratan ARIMA

dibandingkan model lain.
Sumber: Hasil Studi Literatur
05/04/2016 11.40
2012100229MNBab2001
60 of 62
05/04/2016 11.40
2012100229MNBab2001
61 of 62
40
Input Data
Uji Autokorelasi
Stasioner
Non Stasioner
Differencing = 0
Differencing
=
1
Peramalan
Percobaan Model
ARIMA
2.11 Kerangka Pemikiran
Pemilihan Model
ARIMA Terbaik
Parameter MS &
MSE Terkecil
Gambar 2.2 kerangka permasalahan

Sumber: Penulis
05/04/2016 11.40
2012100229MNBab2001
62 of 62
05/04/2016 11.40

Sse

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sse

Uploaded by

Copyright:

Available Formats

2012100229MNBab2001

menggunakan fungsi-fungsi manajeman untuk mengintegrasikan

berbagai sumber daya secara efisien dalam rangka mencapai tujuan.

2007, p. 2) lebih menitikberatkan manajemen operasi sebagai suatu

Menurut (Prasetya & Fitria, 2009, p. 2)

Manajemen operasi adalah

serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang

perusahaan manufaktur maupun jasa. Dalam perusahaan manufaktur,

adalah proses yang terjadi di bank, rumah sakit maupun perusahaan

3. Fungsi manajaemen, berarti kegiatan manajemen produksi dan operasi

4. Efisien, berarti manajaer produksi dan operasi dituntut untuk

5. Tujuan, berarti kegiatan manajemen produksi dan operasi harus

Schroeder (1994) memberikan penekanan terhadap definisi kegiatan

1. Pengelolaan fungsi organisasi dalam menghasilkan barang dan jasa.

3. Adanya pengambilan keputusan sebagai elemen penting dari manajemen

Salah satu keputusan penting dalam perusahaan yang dilakukan oleh

dapat mengakibatkan kerugian bagi perusahaan. Tingkat penawaran yang lebih

mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Salah satu cara

Metode peramalan digunakan untuk menaksir atau memprediksi keadaan di

kesempatan di masa medatang, serta menjadi lebih ilmiah di dalam menghadapi

pengukuran secara kualitatif berdasarkan pendapat (judgement) dari yang

pada masa sebelumnya. Sementara prediksi adalah proses peramalan variabel di

Organisasi pada umumnya menggunakan 3 tipe peramalan utama dalam

Peramalan ekonomi (economic forecast), menjelaskan siklus bisnis

denngan memprediksikan tingkat inflasi, ketersediaan uang data

Peramalan teknologi (technological forecast), memperhatikan tingkat

menarik, yang membutuhkan pabrik dan peralatan baru.

Peramalan permintaan (demand forecast), dalah Peramalan permintaan

2.2.1.1 Peramalan horizon waktu

Berdasarkan horizon waktu, peramalan dapat dikelompokan dalam 3 bagian

2. Peramalan jangka menengah, mencakup hitungan bulanan hingga 3

3. Peramalan jangka pendek, kurang dari 3 bulan. biasanya menggunakan

menganalisis serangkaian data yang merupakan fungsi dari waktu. Tujuannya

Gambar 2.1 pola dasar dalam serial waktu

Pola ini disebabkan antara lain oleh bertambahnya populasi,

berulang-ulang secara teratur dalam setiap periode tertentu, misalnya

Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi

mempunyai panjang gelombang yang tetap dan terjadi dari waktu

adalah rangkaian waktu yang

Data bersifat acak tidak dapat digambarkan. (Harjanto, 2007, p. 79)

peramalan kuantitatif. Metode peramalan kuantitatif adalah metode peramalan

2. Metode Box Jenkins

Metode ini menggunakan dasar deret waktu dengan model matematis

3. Metode Peramalan Trend

Metode ini memisahkan 3 komponen yaitu trend, siklis, dan musiman.

yang tersedia akan semakin baik hasil peramalannya.

ARIMA (Autoregressive Integrated Moving average)

Metode ARIMA adalah metode peramalan yang tidak menggunakan teori

This chapter introduces a class of models that can produce accurate

forecasts based on a description of historical patterns in the data. Autoregressive

akurat berdasarkan deskripsi pola data masa lalu

dalam data. Autoregressive

ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan sejarah

(ARIMA) adalah metode ini

mengekplisitkan pemakain autokorelasi dalam time series, yaitu korelasi anatar

ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan

ketepatan peramalannya biasanya akan cenderung flat (mendatar/konstan) untuk

akurat. Metode Box-Jenkins hanya dapat diterapkan, menjelaskan, atau mewakili

average, autoregressive-moving average, dan autoregressive integrated moving

Bentuk umum model ini adalah (Santoso, 2009):

Yt-1 , Yt-2 , Yt-n

= nilai AR yang di prediksi

= nilai lampau series yang bersangkutan ; nilai lag dari