Anda di halaman 1dari 15

PENDAHULUAN

Setiap hari para manajer seperti halnya manajer Tupperware membuat


keputusan tanpa mengetahui apa yang akan terjadi dimasa depan. Mereka
memesan persediaan tanpa mengetahui bagaimana penjualan, membeli
peralatan baru tanpa kejelasan mengenai permintaan produk, dan membuat
investasi tanpa mengetaui bagaimana keuntungannya. Para manajer selalu
berusaha membuat prediksi apa yang akan terjadi dimasa depan dalam
lingkup ketidakpastian. Membuat prediksi yang baik adalah tujuan utama dari
peramalan.
Didalam makalah ini akan terlihat jenis-jenis peramalan yang
menyajikan beragam model peramalan. Tujuannya adalah untuk
menunjukkan bahwa ada banyak jalan bagi para manajer untuk membuat
peramalan, dalam makalah ini juga membahas peramalan penjualan bisnis
dan menjelaskan cara untuk menyiapkan, mengawasi dan menentukan
ketepatan suatu peramalan. Peramalan yang baik adalah bagian yang sangat
penting dari operasi pelayanan dan manufaktur yang efisien.

APAKAH PERAMALAN ITU?


Peramalan (Forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data masa lalu dan menempatkannya kemasa yang akan
datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi
intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi
model matematis yang disesuaikan dengan pertimbangan yang baik dari
seorang manajer.
Meramal Horizon Waktu
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu, masa
depan yang dicakupkan. Horizon waktu terbagi atas beberapa kategori :
1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga
1 tahun tetapi umumya kurang dari 3 bulan. Peramalan ini digunakan
untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja, dan tingkat produksi.
2. Peramalan jangka menengah. Peramalan jangka menengah atau
intermediate, umumnya mencakup hitungan bulanan hingga 3 tahun.
Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan
anggaran produksi, anggaran kas, dan menganalisis bermacam-macam
rencana operasi.
3. Peramalan jangka panjang. Umumnya untuk perencanaan 3 tahun atau
lebih. Peramalan jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta
penelitian dan pengembangan (litbang)
Peramalan jangka menengah dan jangka panjang dapat dibedakan
dari peramalan jangka pendek dengan melihat tiga hal :
1. Peramalan jangka menengah dan jangka panjang berkaitan dengan
permasalahan yang lebih menyeluruh dan mendukung keputusan
manajemen yang berkaitan dengan perencanaan produk, pabrik, dan
proses.
2. Peramalan jangka pendek, teknik matematika, seperti rata-rata bergerak,
penghalusan eksponensial, dan eksplorasi tren.
3. Faktor-faktor yang mempengaruhi perubahan permintaan berubah setiap
hari. Dengan demikian sejalan dengan semakin panjangnya horizon
waktu ketepatan peramalan cenderung semakin berkurang.
Pengaruh Siklus Hidup Produk

Hampir semua produk yang berhasil melalui empat tahapan : (1)


perkenalan, (2) pertumbuhan, (3) kematangan, (4) penurunan.
Produk dalam dua tahapan pertama siklus produk (seperti virtual
reality dengan vitur beresolusi tinggi) membutuhkan peramalan yang lebih
panjang daripada produk yang berada pada tahapan matang dan penurunan.
Peramalan yang menggambarkan siklus hidup, berguna dalam
memproyeksikan tingkat penempatan pekerja yang berbeda-beda, penentuan
tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan
awal hingga akhir.
JENIS PERAMALAN
Organisasi pada umumnya menggunakan tiga tipe peramalan yang
utama dalam merencanakan operasi di masa depan:
1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis
dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan dan indikator perencanaan lain
2. Peramalan teknologi (technical forecast) memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik, yang
membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan
untuk produk atau layanan suatu perusahaan.
KEPENTINGAN STRATEGIS PERAMALAN
Peramalan yang baik sangat penting dalam semua aspek bisnis:
peramalan merupakan satu-satunya prediksi atas permintaan yang sebenarbenarnya diketahui. Peramalan permintaan mengendalikan keputusan di
banyak bidang.
Dampak peramalan produk pada tiga aktivitas :
1. Sumber Daya Manusia
Mempekerjakan, melatih, dan memberhentikan pekerja, semua
tergantung pada permintaan. Jika departemen sumber daya manusia harus
mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya
kualitas pelatihan menurun dan kualitas pekerja juga menurun.
2. Kapasitas

Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa


berarti tidak terjaminnya pengiriman, kehilangan konsumen, dan kehilangan
pangsa pasar.
3. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok, dan harga barang dan
komponen yang bersaing, bergantung pada peramalan yang akurat
TUJUH LANGKAH SISTEM PERAMALAN
1.
2.
3.
4.
5.
6.
7.

Menetapkan tujuan peramalan


Memilih unsur apa yang akan diramal
Menentukan horizon waktu peramalan
Memilih tipe model peramalan
Mengumpulkan data yang diperlukan untuk melakukan peramalan
Membuat peramalan
Memvalidasi dan menerapkan hasil peramalan
Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,

mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut


digunakan untuk menghasilkan ramalan berkala, maka data harus
dikumpulkan secara rutin.
Terlepas dari sistem yang digunakan oleh perusahaan, setiap
perusahaan menghadapi beberapa kenyataan:
1. Peramalan jarang ada yang sempurna
2. Hampir semua teknik peramalan mengasumsikan bahwa sistem akan
tetap stabil.
3. Baik peramalan kelompok produk maupun peramalan secara keseluruhan
lebih akurat daripada produk individu.
PENDEKATAN DALAM PERAMALAN
Terdapat dua pendekatan umum peramalan,
(1) Analisis kuantitatif (quantitative forecast) menggunakan model matematis
yang beragam dengan data masa lalu dan variabel sebab akibat untuk
meramalkan permintaan.
(2) Peramalan kualitatif (qualitative forecast) menggabungkan faktor seperti
intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan
untuk meramal.
Tujuan Metode Kualitatif

1. Keputusan dari pendapat juri eksekusi, dalam metode ini, pendapat


sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan
dengan model statistik, dikumpulkan untuk mendapatkan prediksi
permintaan kelompok.
2. Metode Delphi. Ada tiga jenis peserta dalam motode Delphi: pengambil
keputusan, karyawan, dan responden.
3. Gabungan dari tenaga penjualan, setiap tenaga penjualan memperkirakan
berapa penjualan yang bisa ia lakukan dalam wilayahnya.
4. Survey pasar konsumen (consumer market survey). Metode ini meminta
input dari konsumen mengenai rencana pembelian mereka dimasa depan.
Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga
memperbaiki desain produk dan perencanaan produk baru.
Tujuan Metode Kuantiatif
Lima metode peramalan yang menggunakan data masa lalu, metode
ini dibagi kedalam dua kategori:
1.
2.
3.
4.
5.

Pendekatan naik
Rata-rata bergerak
Penghalusan eksponensial
Proyeksi tren
Regresi linear

model time series

Model asosiatif

Model tim series, membuat prediksi dengan asumsi bahwa masa


depan merupakan fungsi masa lalu. Dengan kata lain. Mereka melihat apa
yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu
tersebut untuk melakukan peramalan.
Model asosiatif (hubungan sebab-akibat), seperti regresi linear,
mengabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas
yang sedang diramalkan.
PERAMALAN TIME SERIES
Time-series didasarkan pada waktu yang berurutan atau yang berjarak
sama (minggu, bulanan, kuartalan, dan lainnya). Meramalkan data time
series berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan
bahwa variabel lain diabaikan, walaupun variabel-variabel tersebut mungkin
bisa sangat bermanfaat.
Dekomposisi Time-Series

Menganalisis time-series berarti membagi data masa lalu menjadi


komponen-komponen, dan kemudian memproyeksikannya ke masa depan.
Time-series mempunyai empat komponen:
1. Tren, merupakan pergerakan data sedikit demi sedikit meningkat atau
menurun. Perubahan pendapatan, populasi, penyebaran umur, atau
pandangan budaya dapat mempengaruhi pergerakan tren.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti
hari, minggu, bulan atau kuartal.
3. Siklus, adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus
ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting
dalam analisis dan perencanaan bisnis jangka pendek.
4. Variasi acak, merupakan satu titik khusus dalam data, yang disebabkan
oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai
pola khusus, jadi tidak dapat diprediksi.
Pendekatan Naif
Pendekatan naik (nave approach) merupakan model peramalan
objektif yang paling efektif dan efisien dari segi biaya. Paling tidak
pendekatan naif memberikan titik awal untuk perbandingan dengan model
lain.
Rata-Rata Bergerak
Peramalan rata-rata bergerak (moving average) menggunakan
sejumlah data actual masa lalu untuk menghasilkan peramalan. Rata-rata
bergerak berguna jika dapat mengasumsikan bahwa permintaan pasar akan
stabil sepanjang masa yang kita ramalkan. Rata-rata bergerak empatbulanan ditemukan secara sederhana, yaitu menjumlahkan permintaan
selama masa empat bulan yang lalu, dibagi empat. Sewaktu satu bulan
berlalu, data bulanan yang terbaru ditambahkan pada penjumlahan data tiga
bulan sebelumnya, dan data bulan paling awal dihapus. Praktik semacam ini
cenderung meminimumkan ketidaknormalan dalam data berseri.
Rataratabergerak =

permin taan n periode sebelumnya


n

Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada
rumus untuk menetapkannya. Oleh karena itu, pemutusan bobot yang mana
yang digunakan, membutuhkan pengalaman.

Rataratabergera k dengan pembobotan=

( bobot pada periode n )( permintaan pada period


bobot

Baik rata-rata bergerak sederhana maupun rata-rata bergerak dengan


pembobotan sangat efektif didalam meredam fluktuasi pada pola permintaan
untuk menghasilkan prediksi yang staabil. Rata-rata bergerak mempuyai tiga
masalah:
1. Bertambahnya jumlah n (jumlah periode yang rata-rata) memang
meredam fluktuasi dengan lebih baik, tetapi membuat metode ini kurang
sensitive terhadap perubahan nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena
merupakan rata-rata, mereka akan selalu berada dalam tingkat yang
sebelumnya dan tidak akan memprdiksi perubahan ke tingkat yang lebih
tinggi atau lebih rendah, yang merupakan nilai actual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif
Penghalusan Eksponensial
Penghalusan eksponensial (eksponensial smoothing) merupakan
metode peramalan rata-rata bergerak dengan pembobotan yang canggih,
metode ini menggunakan sangat sedikit pencatatan data masa lalu.
Fi = Ft-1 + (A t-1 - F t-1)
Dimana

F1

= Peramalan baru

F t-1 = Peramalan sebelumnya

= Konstanta penghalus (pembobot) (0 1)

A t-1 = permintaan actual periode lalu


Konstanta penghalusan , untuk penerapan dibidang bisnis biasanya
berkisar 0,05 hingga 0,5. Konstanta ini bisa diubah untuk memberi bobot
lebih pada data sekarang (saat tinggi) atau bobot lebih pada data masa lalu
(saat rendah). Saat mencapai titik ekstren 1,0 maka semua nilai lebih lama
turun, dan peramalan menjadi sama dengan model naif.
Menghitung Kesalahan Peramalan
Perhitungan force cast error dapat digunakan untuk membandingkan
model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk
memastikan peramalan berjalan dengan baik. Tiga dari perhitungan tersebut
adalah rata-rata absolute, kesalahan rata-rata kuadrat, dan kesalahan persen
rara-rata absolute.

Mean Absolute Deviation,


nilai ini dihitung dengan mengambil umlah nilai absolute dari tiap
kesalahan peramalan dibagi dengan jumlah periode data (n)

aktual peramalan
n
MAD=
Mean Square Error (MSE)
Merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan
yang diamati.
MSE=

(kesalahan peramalan)
n

Kekurangan pengunaan MSE adalah ia cenderung menonjolkan


deviasi yang besar karena adanya pengkuadratan.
Mean Absolute Percent Error
MAPE dihitung sebagai rata-rata diferensiasi absolute antara nilai
yang diramal dan actual, dinyatakan sebagai persentase nilai actual
Penghalusan Eksponensial dengan Penyesuaian Tren
Dengan penghalusan eksponensial dengan penyesuaian tren, estimasi
rata-rata maupun tren dihaluskan. Prosedur ini membutuhkan dua konstanta
penghalusan, untuk rata-rata dan untuk tren, kemudian menghitung ratarata dan tren untuk setiap periode.
Penghalusan eksponensial sederhana sering disebut sebagai
penghalusan tingkat pertama (firs order smoothing) dan penghalusan dengan
penyesuaian tren disebut sebagai penghalusan tingkat kedua (second order
atau double smoothing).
Proyeksi Tren
Teknik ini mencocokkan garis tren pada serangkaian data masa lalu
dan kemudian memproyeksikan garis pada masa datang untuk peramalan
jangka menengah atau jangka panjang.
Jika kita memutuskan untuk membuat garis tren lurus dengan metode
statistic, kita dapat menerapkan metode kuadrat terkecil (last square
method). Pendekatan ini menghasilkan sebuah garis lurus yang

meminimalkan jumlah kuadrat dari devasi vertical garis pada setiap hasil
pengamatan actual.
Catatan dalam penggunaan metode kuadrat terkecil, tiga persyaratan
berikut harus dipenuhi untuk menggunakan metode kuadrat terkecil:
1. Selalu petakan data dkarena data kuadrat terkecil mengasumsikan
adanya hubungan linear. Jika yang didapatkan adalah sebuah garis
lengkung, maka analisis kurva linear mungkin diperlukan.
2. Jangan memprediksikan periode waktu terlalu jauh didepan data yang
diberikan.
3. Deviasi disekitar garis kuadrat terkecil diasumsikan acak. Mereka
biasanya tersebar merata dengan hampir seluruh pengamatan dekat pada
garis dan hanya sebagian kecil data jauh dari garis.
Variasi Musiman Pada Data
Variasi musiman (seasonal variation) pada data adalah pergerakan
yang regular baik meningkat maupun menurun dalam kurun waktu tertentu
yang terkait dengan kejadian berulang seperti cuaca atau liburan.
Menganalisis data dalam waktu bulanan atau kuartalan, biasanya
memudahkan pakar statistik untuk melihat pola musiman.
Dengan apa yang disebut sebagai model variasi musiman
multiplicative (multiplicative seasonal model), faktor musiman dikalikan
dengan suatu prediksi permintaan rata-rata untuk menghasilkan peramalan
musiman.
Berikut adalah langkah yang akan diikuti oleh sebuah perusahaan
yang memiliki musim 1 bulan:
1. Temukan rata-rata permintaan historis untuk setiap musim dengan
menjumlahkan permintaan bulan tersebut dalam setiap bulan, dibagi
dengan jumlah tahun yang tersedia.
2. Hitung rata-rata permintaan untuk semua bulan dengan membagi ratarata permintaan tahunan total dengan jumlah musim.
3. Hitunglah indeks musiman untuk setiap musim dengan membagi
permintaan histroris actual bulan itu (dari langkah pertama) dengan ratarata permintaan pada seluruh bulan (dari langkah kedua)
4. Estimasi permintaan tahunan total untuk tahun depan
5. Dengan indeks musiman bulan tersebut, hal ini menghasilkan peramalan
musiman.
Variasi Siklus Dalam Data

Siklus (cycle) adalah layaknya variasi musiman dalam data, tetapi


berlangsung setiap beberapa tahun, bukan mingguan, bulanan atau
kuartalan.
Cara terbaik untuk memprediksi siklus bisnis adalah dengan
menemukan variabel pendahulu (leading variable) yang berhubungan dengan
data.
METODE PERAMALAN ASOSIATIF : ANALISIS REGRESI DAN
KORELASI
Model peramalan asosiatif biasanya mempertimbangkan beberapa
variabel yang berhubungan dengan kuantitas yang diprediksi. Saat variabel
terkait ini ditentukan, model statistic dibuat dan digunakan untuk meramalkan.
Pendekatan ini lebih berdaya guna daripada metode time-series yang hanya
menggunakan nilai historis variabel yang diramalkan
Menggunakan Analisis Regresi Untuk Peramalan
Variabel terikat yang diramalkan akan tetap sama yaitu
= a + bx
dimana

= nilai variabel terikat

= perpotongan sumbu y

= kemiringan garis regresi

= variabel bebas

Kesalahan Standar Dari Suatu Estimasi


Untuk menghitung keakuratan regresi yang diperkirakan, kita harus
menghitung kesalahan standar estimasi (standar error of the estimate).
Perhitungan ini disebut deviasi standar regresi (standar deviation of the
regression) yang menghitung kesalahan daari variabel terikat y, terhadap
garis regresi dan bukan terhadap rata-rata.
Koefisien Korelasi
Persamana regresi adalah suatu cara untuk menyatakan hubungan
antara dua variabel. Garis regresi bukanlah hubungan sebab-akibat.
Mereka menjelaskan hubungan antar variabel. Persamaan regresi

menunjukkan bagaimana satu variabel berhubungan pada nilai dan


perubahan pada variabel lain.
Cara lain untuk mengevaluasi hubungan antara dua variabel adalah
dengan menghitung koefisien korelasi (coefficient of correlation). Ukuran ini
menyatakan derajat atau kekuatan hubungan linear. Biasanya
diidentifikasikan sebagai r, koefisien korelasi adalah suatu bilangan antara +1
dan -1.
x 2

y 2

n . y 2
n . x2

n ( xy )( x ) .( y)
r=

Perhitungan lain yang juga biasa digunakan untuk menjelaskan


hubungan antara dua variabel yaitu koefisien determinasi (coefficient
determination) dan merupakan pengkuadratan sederhana koefisien korelasi
R2. Koefisien determinasi adalah persen variasi pada variabel terikat (y) yang
dijelaskan dengan persamaan regresi
Analisis Regresi Berganda
Regresi berganda (multiple regression) membolehkan kita
membangun sebuah model dengan beberapa variabel bebas, dan bukan
hanya satu variabel.
= a + b1 x1 b2x2
dimana

= nilai variabel terikat

= sebuah konstanta

x1 dan x2

= nilai variabel bebas berturut-turut

b1 dan b2

= koefisien dari dua variabel bebas

PENGAWASAN DAN PENGENDALIAN PERAMALAN


Satu cara untuk mengawasi peramalan berjalan dengan baik adalah
dengan menggunakan sebuah sinyal penelusuran (tracking signal). Sinyal

penelusuran adalah sebuah perhitungan seberapa baik peramalan


memprediksikan nilai actual.
Sinyal penelusuran dihitung sebagai running sum of the forecast errors
(RSPE) dibagi dengan mean absolute deviation (MAD).
Tracking signal=

RSFE
MAD

Permintaan aktual pada periode iramalan permintaan pada periode i

Dimana

aktual pramalan
n
MAD=
Sinyal penelusuran positif menandakan permintaan lebih besar dari
ramalan. Sinyal negatif berarti permintaan lebih sedikit daripada ramalan.
Sinyal penelusuran yang baik adalah yang memiliki RSFE rendahmempunyai kesalahan positif yang sama dengan kesalahan negatif harus
seimbang satu sama lain, dan pusat sinyal penelusuran sekitar nol.
Kecenderungan konsisten peramalan untuk bisa lebih besar atau lebih kecil
dari nilai actual (yaitu untuk RSFE tinggi) disebut sebagai kesalahan bias.
Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan
batas kendali. Disaat sinyal penelusuran melebihi batas kendali atau batas
bawah, maka ada masalah dengan metode peramalan, dan manajemen
mungkin harus mengevaluasi kembali cara mereka meramalkan permintaan.
Penghalusan Adaptif
Peramalan adaptif merujuk kepada pengawasan komputer dari sinyal
penelusuran dan penyesuaian diri jika sinyal melewati batas yang ditentukan.
Saat menerapkan penghalusan eksponensial, koefisien dan dipilih
pertama kali berdasarkan nilai yang dapat meminimalkan kesalahan
peramalan, dan kemudian disesuaikan kapan saja computer mengenali
adanya sinyal penelusuran. Proses ini disebut sebagai penghalusan adaptif
(adaptive smoothing)

Peramalan Fokus

Peramalan focus didasakan pada dua prinsip:


1. Model peramalan yang canggih tidak selalu lebih baik dari model yang
sederhana
2. Tidak ada satu teknik yang dapat dipergunakan untuk semua produk dan
jasa
PERAMALAN PADA SEKTOR JASA
Teknik utama pada sektor eceran adalah melihat permintaan dan
membuat catatan jangka pendek yang teliti. Sebagai contoh tempat potong
rambut pria mengharapkan puncak bisnisnya pada hari jumat dan sabtu.
Karenanya hampri semua tempat potong rambut tutup pada hari minggu dan
senin, dan terdapat banyak permintaan pada hari jumat dan sabtu.

DAFTAR PUSTAKA
Diebold, F.X. Elemen of Forecasting, 2nd ed. Cincinnati: South-Western
College Publishing. 2001.
Geografi, D.M., dan R.G. Murdick, Managers Guide to Forecasting. Havvard
Bussines Review. 64 (Januari-Februari 1986): 110-120.
Grenger, C. W. dan J.M. Hashem Pesaran. Economic and Statistical
Measures of Forecasting 19, No. (Desember 2000): 537-560
Haksever. C.B. Render dan R. Russell. Service Management and Operations,
2nd ed. Upper Saddle River, NJ: Prectice Hall, 2000
Henke, J.E., A. G. Reitsch, dan D.W. Wichern. Business Forecasting, 7th ed.
Upper Saddle River, NJ: Prentice Hall, 2001.
Heizer, Jay. Forecasting with Stagger Charts. IIE Solutions 4 (Juni 2002): 4649.
Herbig, P.,J. Milewicz, dan J.E Golden. Forecasting Who, What, When, and
How. The Journal of Business Forecasting, 12 No. 2 (Musim Panas
1993): 16-22.
Li, X. An Itelligent Business Forecaster For Strategic Business Planning.
Journal of Forecasting 18, No. 3 (Mei 1999): 181-205.
Meade, Nigel. Evidence for the selection of forecasting models. Journal of
Forecasting 19, No. 6 (November 2000) : 515-535.
Render, B., R. M. Stair dan M. Hanna. Quantitative Analysis for Management,
8th ed. Upper Saddle River, NJ: Prentice Hall, 2003.
Render, B., R. M. Stair dan R. Balakrishnan. Managerial Decision Modeling
with Spreadsheets. Upper Saddle River, NJ: Prentice Hall, 2003.
Synder, Ralph D., dan Roland G. Shami. Exponential Smoothing of Seasonal
Data. Journal of Forecasting 20, No. 3 (April 2001): 197-202.
Yurkiewicz, J. Forecasting 2000. OR/MS Today 27, No. 1 (Februari 2000):
58-65.