BAB IITINJAUAN PUSTAKA

2.1 Peramalan ( forecasting )

2.1.1. Hubungan Forecast dengan Rencana

Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang

rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang

(Subagyo, 1986: 3). Dengan sendirinya terjadi perbedaan antara forecast dengan rencana.

Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh

perguruan tinggi atau perusahaan.

2.1.2. Definisi dan Tujuan Peramalan (forecasting)

Peramalan (forecasting) adalah suatu usaha untuk meramalkan keadaan dimasa

mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984: 260). Dalam kehidupan

sosial segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini perlu

diadakan forecast. Peramalan (forecasting) yang dibuat selalu diupayakan agar dapat

meminimumkan pengaruh ketidakpastian ini terhadap Perguruan Tinggi UMSU.

Dengan kata lain peramalan (forecasting) bertujuan mendapatkan forecast yang bisa

meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean

Squared Error, Mean Absolute Error, dan sebagainya (Subagyo, 1986:4).

2.1.3. Proses Peramalan (forecasting)

Proses peramalan (forecasting) biasanya terdiri dari langkah-langkah sebagai berikut

( Handoko, 1984: 260).

a. Penentuan Tujuan

Analis mengatakan dengan para pembuat keputusan dalam perguruan tinggi untuk

mengetahui apa kebutuhan-kebutuhan mereka, dan menentukan:

1) Variabel-variabel yang akan diestimasi.

2) Siapa yang akan menggunakan hasil peramalan.

3) Untuk tujuan-tujuan apa hasil peramalan akan digunakan.

4) Estimasi jangka panjang atau jangka pendek yang diinginkan.

5) Derajat ketepatan estimasi yang diinginkan.

6) Kapan estimasi dibutuhkan.

7) Bagian-bagian yang diinnginkan, seperti peramalan untuk kelompok pembeli,

kelompok produk atau daerah geografis.

2.2 Pengertian Persediaan

Menurut M.Syamsul Ma’arif dan Hendri Tanjung (2003) persediaan adalah suatu aktiva

yang meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu

periode usaha yang normal atau barangbarang yang masih dalam proses produksi ataupun

persediaan bahan baku yang masih menunggu untuk digunakan dalam suatu proses produksi.

Persediaan merupakan suatu aktiva yang meliputi barang-barang milik perusahaan

dengan maksud untuk dijual dalam suatu periode usaha tertentu, atau persediaan barang-

barang yang masih dalam pengerjaan atau proses produksi ataupun persediaan bahan baku

yang menunggu penggunaannya dalam suatu proses produksi. Persediaan merupakan bahan-

bahan, bagian yang disediakan dan bahan-bahan dalam proses yang terdapat dalam

perusahaan untuk proses produksi serta barang-barang jadi atau produk yang disediakan

untuk memenuhi permintaan dari konsumen atau pelanggan setiap waktu (Rangkuti, 2007).

Persediaan tidak hanya merupakan barang jadi yang sudah diproduksi oleh perusahaan,

namun juga bahan baku ataupun barang yang masih dalam proses produksi. Persediaan ini

diperlukan untuk memastikan bahwa proses produksi akan tetap berjalan sehingga

perusahaan tidak mengalami penghentian proses produksi. Terkadang perusahaan

menghentikan proses produksinya karena tidak adanya persediaan bahan baku. Hal tersebut

mengakibatkan sebagian besar perusahaan membagi investasinya sebesar 50% hanya untuk

mencukupi kebutuhan persediaannya saja.

2.2.1 Alasan dan Fungsi Persediaan

Alasan dilakukannya persediaan pada beberapa perusahaan meliputi beberapa hal yaitu

(Rangkuti, 2007) :

1. Menghilangkan risiko keterlambatan datangnya barang atau bahan-bahan yang

dibutuhkan perusahaan.

2. Menghilangkan risiko dari materi yang dipesan berkualitas tidak baik sehingga harus

dikembalikan.

3. Untuk mengantisipasi bahan-bahan yang dihasilkan secara musiman sehingga dapat

digunakan bila bahan itu tidak ada di pasaran.

4. Mempertahankan stabilitas operasi perusahaan atau menjamin kelancaran arus produksi.

5. Mencapai penggunaan mesin yang optimal.

6. Memberikan pelayanan kepada pelanggan dengan sebaik-baiknya dimana keinginan

pelanggan pada suatu waktu dapat dipenuhi dengan memberikan jaminan tetap

tersedianya barang jadi tersebut.

7. Membuat pengadaan atau produksi tidak perlu sesuai dengan penggunaan atau

penjualannya.

Menurut Rangkuti (2007) fungsi persediaan dibagi menjadi 3 kelompok yaitu :

1. Fungsi Decoupling

Persediaan yang memungkinkan perusahaan untuk memenuhi permintaan pelanggan

tanpa bergantung pada supplier. Persediaan diadakan untuk menghadapi fluktuasi permintaan

konsumen yang tidak dapat diperkirakan atau diramalkan (fluctuation stock).

2. Fungsi Economic Lot Sizing

Persediaan dilakukan sebagai upaya penghematan atau potongan pembelian. Pembelian

dalam jumlah besar akan menurunkan biaya operasional yang dibebankan pada tiap unit

produknya. Biaya yang dapat dikurangi karena pembelian dalam kuantitas yang besar seperti

biaya pengangkutan, tetapi dapat menimbulkan biaya persediaan seperti : biaya sewa gudang,

investasi , risiko dan lain-lain.

3. Fungsi Antisipasi

Persediaan dilakukan untuk menghadapi fluktuasi permintaan yang dapat diperkirakan

berdasarkan pengalaman atau data historis perusahaan. Selain itu persediaan juga dilakukan

untuk menghadapi ketidakpastian jangka waktu pengiriman. Perusahaan memerlukan

persediaan ekstra yang disebut persediaan pengaman (safety stock).

2.2.2 Fungsi Penyediaan Darah

Darah merupakan elemen yang paling penting dalam tubuh. Tanpa adanya darah,

manusia tidak akan dapat hidup. Darah manusia adalah cairan jaringan tubuh. Fungsi

utamanya adalah mengangkut oksigen yang diperlukan oleh sel-sel di seluruh tubuh. Darah

juga menyuplai jaringan tubuh dengan nutrisi, mengangkut zat-zat sisa metabolisme, dan

mengandung berbagai bahan penyusun sistem imun yang bertujuan mempertahankan tubuh

dari berbagai penyakit.

Karl Landsteiner, seorang ilmuwan asal Austria yang menemukan 3 dari 4 golongan

darah dalam sistem AB0 pada tahun 1900 dengan cara memeriksa golongan darah beberapa

teman sekerjanya. Percobaan sederhana ini pun dilakukan dengan mereaksikan sel darah

merah dengan serum dari para donor.

Hasilnya adalah dua macam reaksi (menjadi dasar antigen A dan B, dikenal dengan

golongan darah A dan B) dan satu macam tanpa reaksi (tidak memiliki antigen, dikenal

dengan golongan darah 0). Kesimpulannya ada dua macam antigen A dan B di sel darah

merah yang disebut golongan A dan B, atau sama sekali tidak ada reaksi yang disebut

golongan 0.

Kemudian Alfred Von Decastello dan Adriano Sturli yang masih kolega dari

Landsteiner menemukan golongan darah AB pada tahun 1901. Pada golongan darah AB,

kedua antigen A dan B ditemukan secara bersamaan pada sel darah merah sedangkan pada

serum tidak ditemukan antibodi (PMI, 2002). Menurut sistem AB0, golongan darah dibagi

menjadi 4 golongan seperti yang tertera pada Tabel 2.2.

Untuk menentukan golongan darah seseorang tidak diperlukan biaya yang besar dan

relatif mudah karena hanya memerlukan beberapa tetes dari sampel darah. Sebuah serum

anti-A dicampur dengan satu atau dua tetes sampel darah. Serum lainnya dengan anti-B

dicampurkan pada sisa sampel. Penilaian dilakukan dengan memperhatikan apakan ada

penggumpalan pada salah satu sampel darah tersebut. Sebagai contoh, apabila sampel darah

yang dicampur serum anti-A tersebut menggumpal namun tidak menggumpal pada sampel

darah yang dicampur serum anti-B maka antigen A ada pada sampel darah tersebut. Oleh

karena itu dapat disimpulkan bahwa sampel darah tersebut diambil dari orang dengan

golongan darah A (Palomar College Behavioral Sciences Department, 2009).

Tabel 2.1 Pembagian Golongan Darah Sistem ABO

Golongan

Darah

Antigen A Antigen B Antibodi

Anti-A

Antibodi

Anti-B

A + - - +

B - + + -

0 - - + +

AB + + - -

Berdasarkan ada tidaknya antigen-Rh, maka golongan darah manusia dibedakan atas

dua kelompok. Kelompok pertama adalah kelompok orang dengan Rh-positif (Rh+), berarti

darahnya memiliki antigen-Rh yang ditunjukkan dengan reaksi positif atau terjadi

penggumpalan eritrosit pada waktu dilakukan tes dengan anti-Rh (antibodi Rh). Kelompok

satunya lagi adalah kelompok orang dengan Rhnegatif (Rh-), berarti darahnya tidak memiliki

antigen-Rh yang ditunjukkan dengan reaksi negatif atau tidak terjadi penggumpalan saat

dilakukan tes dengan anti-Rh (antibodi Rh).

Menurut Landsteiner golongan darah Rh ini termasuk keturunan (herediter) yang

diatur oleh satu gen yang terdiri dari 2 alel, yaitu R dan r. R dominan terhadap r sehingga

terbentuknya antigen-Rh ditentukan oleh gen dominan R. Orang Rh+ mempunyai genotip RR

atau Rr, sedangkan orang Rh- mempunyai genotip rr (Beutler, 2006).

Permintaan darah dalam setiap bulannya tidak pernah menentu. Terkadang dalam

satu bulan permintaan darah tidak mencapai 100 kantong darah namun pada bulan

berikutnya permintaan darah dapat melebihi 100 atau bahkan sampai dengan 300 kantong

darah. Pada saat-saat tertentu darah yang diminta banyak berasal dari golongan O

sedangkan permintaan akan golongan A, B serta AB kurang. Sebaliknya pada waktu-waktu

tertentu darah yang diminta banyak yang berasal dari golongan A serta B namun yang

tersedia di UTDC adalah golongan O dan AB sehingga permintaan darah tersebut tidak

dapat terpenuhi. Waktu permintaan darah yang paling banyak adalah saat musim penghujan

dan banyak wabah demam berdarah. Pada bulan-bulan tersebut dapat dipastikan

permintaan darah meningkat. Permintaan darah juga meningkat pada saat hari raya lebaran,

natal serta tahun baru karena berhubungan dengan angka kecelakaan yang melonjak

dengan tajam.

2.2.3 Palang Merah Indonesia (PMI)

Palang Merah Indonesia (PMI) adalah sebuah organisasi perhimpunan nasional di

Indonesia yang bergerak dalam bidang sosial kemanusiaan. Dalam melakukan tugas

kemanusiaan gerakan ini memiliki keunikan yaitu semua kegiatan utamanya dilakukan oleh

relawan. Relawan menjadi tulang punggung kegiatan Palang Merah Indonesia, mulai dari

yang masih muda dan belum memiliki pengetahuan sampai mereka yang sudah memiliki

keahlian khusus dan sangat berpengalaman.

PMI juga merupakan bank darah yang digunakan untuk menyimpan darah sehingga,

apabila diperlukan, PMI siap menyediakan darah tersebut.

PMI selalu berpegang teguh pada tujuh prinsip dasar Gerakan Internasional Palang

Merah dan Bulan sabit merah yaitu kemanusiaan, kesamaan, kesukarelaan, kemandirian,

kesatuan, kenetralan, dan kesemestaan.

Tujuan Palang Merah Indonesia yaitu untuk meringankan penderitaan sesama apapun

sebabnya, yang tidak membedakan golongan, bangsa, kulit, jenis kelamin, agama dan

kepercayaan terhadap Tuhan Yang Maha Esa.

2.3 ARIMA (Autoregressive Integrated Moving average)

Metode Autoregressive Integrated Moving average (ARIMA) atau biasa disebut juga

sebagai metode Box-Jenkins merupakan metode yang secara intensif dikembangkan oleh

George Box dan Gwilym Jenkins (1976), yang merupakan perkembangan baru dalam metode

peramalan ekonomi, tidak bertujuan membentuk suatu model struktural (persamaan tunggal

maupun persamaan simultan) yang berbasis dari teori ekonomi dan logika, namun dengan

menganalisis probabilistik atau stokastik dari data time series dengan memegang filosofi “let

the data speak for themselves”

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.

ARIMA telah digunakan secara luas seperti dalam peramalan ekonomi, analisis anggaran

(budgetary), mengontrol proses dan kualitas (quality control & process controlling), dan

analisis sensus (Antoniol, 2003).

Arsyad (1995) juga menyebutkan bahwa metodologi Box-Jenkins ini dapat digunakan :

1. Untuk meramal tingkat employment,

2. Menganalisis pengaruh promosi terhadap penjualan barang-barang konsumsi,

3. Menganalisis persaingan antara jalur kereta api dengan jalur pesawat terbang,

4. Mengestimasi perubahan struktur harga suatu industri.

Hasil para peneliti terdahulu mengenai ARIMA dapat disimpulkan sebagai berikut :

1. ARIMA merupakan suatu metode yang menghasilkan ramalan-ramalan berdasarkan

sintesis dari pola data secara historis (Arsyad, 1995). Variabel yang digunakan adalah

nilai-nilai terdahulu bersama nilai kesalahannya.

2. ARIMA memiliki tingkat keakuratan peramalan yang cukup tinggi karena setelah

mengalami tingkat pengukuran kesalahan peramalan MAE (mean absolute error)

nilainya mendekati nol (Francis dan Hare, 1994).

3. ARIMA mempunyai tingkat keakuratan peramalan sebesar 83.33% dibanding model logit

66.37% dan OLS 58.33% (Dunis, 2002).

Menurut penelitian Mulyono(2000) tentang peramalan harga saham dengan teknik Box-

Jenkins menunjukkan bahwa metode ini cocok untuk meramal sejumlah variabel dengan cepat,

sederhana, dan murah karena hanya membutuhkan data variabel yang akan diramal. Dan

menerapkan teknik ini untuk peramalan jangka pendek (5 hari) pada pergerakan IHSG di BEJ

dengan data harian dan periode estimasi selama 3 bulan.

Didukung oleh pendapat Firmansyah (2000) pada penelitiannya tentang peramalan inflasi

dengan metode Box-Jenkins (ARIMA) menyatakan dalam hasil penelitiannya bahwa model

ARIMA ini hanya dapat digunakan untuk peramalan jangka sangat pendek, berbeda dengan

model struktural yang dapat melakukan peramalan jangka panjang. Model ARIMA ini

membutuhkan data yang relatif sangat besar, dari beberapa literatur menganjurkan minimal

membutuhkan 72 data dari suatu series.

Menurut Arsyad (1995) metode Box-Jenkins untuk data runtut waktu (time series) yang

stasioner adalah ARIMA. ARIMA ini merupakan uji linear yang istimewa. 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 trend, 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.

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 (Mulyono, 2000) :

Yt = b0 + b1 Yt-1 + b2 Yt-2 + … + bn Yt-n + et ..................................... (1)

Dimana :

Yt = nilai series yang stasioner

Yt-1, Yt-2, Yt-n = nilai lampau series yang bersangkutan ; variabel

independen yang merupakan

dependen.

nilai lag dari variabel

b0 = konstanta

b1, b2, b n = koefisien model

et = residual; kesalahan peramalan dengan ciri

sebelumnya.

Banyaknya nilai lampau yang digunakan (p) pada model AR menunjukkan tingkat dari

model ini. Jika hanya digunakan sebuah nilail lampau, dinamakan model autoregressive

tingkat satu dan dilambangkan dengan AR (1). Agar model ini stasioner, jumlah koefisien

model n autoregressive (∑ bi ) harus selalu kurang dari 1. Ini merupakan syarat perlu, i=1

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.

Bentuk umum model ini adalah (Mulyono, 2000):

Yt = a0 – a1 et-1 – a2 et-2 - ....- an et-n + et …………………....…...... (2)

Dimana :

Yt = nilai series yang stasioner

et-1, et-2, et-n = variabel bebas yang merupakan lag dari residual

a0 = konstanta

a1, a2, an = koefisien model

et = residual

Terlihat bahwa Yt 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 (2). 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 n (∑ wi) selalu kurang dari 1. ini

artinya jika makin ke belakang peranan i=1 kesalahan makin mengecil. Jika kondisi ini tak

terpenuhi kesalahan yang makin ke belakang justru semakin berperan.

Model MA meramalkan nilai Yt berdasarkan kombinasi kesalahan linier masa lampau

(lag), sedangkan model AR menunjukkan Yt sebagai fungsi linier dari sejumlah nilai Yt

aktual sebelumnya.

2.3.3Model Autregressive Integrated Moving Average (ARIMA)

Model time series yang digunakan berdasarkan asumsi bahwa data time series tersebut

stasioner, artinya rata-rata varian (σ2) suatu data time series 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 nonstasioner 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.

Bentuk umum model ini adalah (Mulyono, 2000) :

Yt = b0 + b1 Yt-1 + … + bn Yt-n – a1 et-1 - … - an et-n + et ................. (3)

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

et = residual

b0 = konstanta

b1, bn, a1, an = koefisien model

Syarat perlu agar proses ini stasioner b1 + b2 +…+ bn < 1.

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 (1) sama maksudnya dengan ARIMA (1,0,0), MA (2) sama maksudnya dengan

ARIMA (0,0,2), dan ARMA (1,2) sama maksudnya dengan ARIMA (1,0,2).

Adalah mungkin suatu series nonstasioner 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 ).

Tabel 2.1 Pola Autokorelasi dan Autokorelasi Parsial

Autocorrelation Partial autocorrelation ARIMA tentatif

Menuju nol setelah lag q Menurun secara bertahap/ bergelombang ARIMA (0,d,q)

Menurun secara

bertahap/bergelombang

Menuju nol setelah lag q ARIMA (p,d,0)

Menurun secara bertahap/

bergelombang sampai lag q

masih berbeda dari nol)

Menurun secara bertahap/ bergelombang

(sampai lag p masih berbeda dari nol)

ARIMA (p,d,q)

2.3.4 Tahapan Metode ARIMA (Box-Jenkins)

Dengan metode ini diharapkan dapat menjawab pertanyaan berikut ini:

Bagaimana suatu data time series diselesaikan yaitu apakah dengan proses AR murni/

ARIMA (p,0,0) atau MA murni/ ARIMA (0,0,q) atau proses ARMA/ ARIMA (p,0,q) atau

proses ARIMA (p,d,q).

Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah :

1. Spesifikasi atau identifikasi model,

2. Pendugaan parameter model,

3. Diagnostic checking, dan

4. Peramalan.

Berikut akan diterangkan setiap tahapan itu dalam bentuk flowchart :

2.4 Penelitian Terdahulu

Sudah banyak penelitian-penelitian terdahulu yang mencoba memprediksi gerakan suatu

indeks harga saham menggunakan analisis teknikal dengan berbagai metode.

Pada tabel berikut dapat dilihat ikhtisar dari penelitian terdahulu yang berhubungan

dengan analisis prediksi harga saham yang menggunakan metode ARIMA dalam melakukan

peramalan, adalah sebagai berikut:

Sumber : Box & Jenkins (1976) dalam kuncoro (2001)

Rumuskan model umum dan uji stasioneritas data

Identifikasi Model tentatif (memilih p,d,q)

Estimasi parameter dari model

Uji Diagnostic : apakah model sesuai?

Penggunaan Model untuk peramalan

ya

Tabel 2.3

Penelitian Terdahulu

No. Peneliti Metode Periode Data Penelitian dan Hasil

1. Sri Mulyono

(2000)

Metode Box-

Jenkins

(ARIMA)

Data harian

periode 3

Januari – 31

Maret 2000

Dalam penelitiannya mengenai

peramalan jangka pendek IHSG di

BEJ.

Hasil penelitian menunjukkan bahwa

metode Box-Jenkins cocok untuk

peramalan jangka pendek.

2. Rewat

Wongkaroon

(2002)

ARIMA,

Random

walk Theory

Data periode

1996 - 2001

Dalam penenlitiannya, melakukan

peramalan pergerakan harga indeks

SET50 di Thailand.

Hasil penelitian menunjukkan bahwa

model ARIMA hanya lebih akurat

dalam meramal indeks SET50 pada

tahun 1997. Namun pada tahun 1996,

1998, dan 2001 kurang akurat jika

dibandingkan dengan Random Walk

Theory.

3. Achmad Yani

(2004)

Metode Box-

Jenkins

(ARIMA)

Data harian

periode 2

Januari 2003 –

30 Desember

2003

Peramalan pergerakan IHSG di BEI.

Hasil penelitian menunjukkan bahwa

model ARIMA cocok untuk peramalan

jangka pendek.

4. Nachrowi Djalal,

Hardius Usman

(2007)

Metode Box-

Jenkins

(ARIMA) dan

metode

GARCH

Data harian

periode 3

Januari 2005 –

2 Januari 2006

Dalam penelitiannya melakukan

Prediksi tergadap pergerakan IHSG di

BEI dengan menggunakan beberapa

pendekatan dan kemudian

membandingkan daya prediksinya.

Hasil penelitian menunjukkan bahwa

model ARIMA mempunyai kesalahan

lebih kecil dibandingkan metode

GARCH

5. Etty

Murwaningsari

(2008)

Metode OLS,

model

GARCH, dan

model

ARIMA

Data bulanan

dari tahun

1992 - 2006

Penelitian mengenai nilai prediksi

IHSG.

Hasil penelitian menunjukkan metode

ARIMA memberikan hasil selisih nilai

terkecil antara aktual dengan prediksi

sebesar 47,34 (ARIMA) dan 258,48

(GARCH).

6. Ahmad Sadeq

(2008)

Metode Box-

Jenkins

(ARIMA)

Data harian

periode 2

Januari 2006 –

28 Desember

2006

Peramalan IHSG dengan metode

ARIMA.

Hasil penelitian menujukkan bahwa

peramalan IHSG dengan metode

ARIMA terbukti akurat dengan tingkat

kesalahan peramalan rata-rata sebesar

4,14%.

2.5 Kerangka Teori

Unit Transfusi Darah (UTD) Palang Merah Indonesia (PMI) ialah salah satu instansi

yang ditunjuk oleh menteri kesehatan sebagai instansi yang melayani kebutuhan darah

masyarakat. UTD PMI perlu melakukan penyediaan darah dalam rangka memenuhi

kebutuhan pemakaian darah. Penyediaan darah dilakukan dengan memperhatikan pola

pasokan darah berdasarkan tipe-tipe donor serta pola penanganan darah. Setelah mengetahui

kedua pola tersebut maka akan didapat besaran parameter dari masingmasing golongan

darah.

Pemakaian darah perlu diketahui sehingga permintaan darah bulanan serta pola penyakit

dan penggunaan darah dapat di identifikasi. Setelah kedua hal tersebut diketahui maka akan

diperoleh karakteristik permintaan darah. Selanjutnya ialah mempelajari sistem yang

dipakai oleh PMI UTDC Kota Samarinda guna mengetahui stok darah yang ada, apakah

mengalami kekurangan atau kelebihan. Setelah penyediaan darah dan pemakaian darah

diketahui maka akan didapatkan tingkat persediaan optimal yang diperbandingkan dengan

stok darah yang ada di PMI UTDC Kota Samarinda.

Efisiensi persediaan akan tercapai setelah tingkat persediaan yang optimal terpenuhi.

Pelayanan yang optimal dapat diberikan kepada pasien maupun Rumah Sakit yang tentu

saja akan semakin banyak jumlah pasien yang terselamatkan. Kerangka teori dapat dilihat

pada Gambar 5.

Pemakaian DarahPenyediaan Darah

Pola Pemasukan Darah

PMI UTDC

Instansi Penyedia Darah

s

Permintaan Darah

Karakteristik

Permintaan Darah

Tingkat Persediaan Optimal

Efisiensi Persediaan Pelayanan Optimal

Semakin Banyak

Jumlah Pasien yang

Diselamatkan

Perbandingan

Kelebihan dan

Kekurangan

Stok Darah

Sistem yang

Digunakan PMI

Samarinda