PERAMALAN PERMINTAAN: STUDI KASUS DALAM METALLURGICAL

SEKTOR DENGAN DEKOMPOSISI SERI WAKTU

ABSTRAK
Penelitian ini adalah studi kasus dari sebuah perusahaan di sektor metalurgi Amerika, produsen
lebih dari seribu enam ratus model vibrator industri, untuk itu Diperkirakan permintaan untuk
enam produk dari garis piston getaran, menggunakan teknik itu menggabungkan moving
average, exponential smooth dan time series. Model peramalan permintaan diusulkan dalam
pekerjaan ini meningkatkan perkiraan dalam arti keandalan dan keakuratan data dihasilkan
olehnya. Membandingkan dengan model peramalan lainnya, melalui indeks evaluasi yang
digunakan dalam literatur, buat konfirmasi perbaikan perkiraan.
1. PENDAHULUAN
Salah satu langkah pertama untuk membuat keputusan untuk perencanaan perusahaan adalah
data perkiraan spesifik untuk memberikan informasi yang memadai untuk pengambilan
keputusan. Sesuai model peramalan menciptakan hasil kualitas yang lebih tinggi,
memungkinkan keputusan yang lebih baik [Hopp dan Spearman 2008]. Studi ini
memperhitungkan pentingnya memahami data permintaan saat ini di upaya untuk membuat
pilihan terbaik dari model peramalan permintaan.
Ada banyak metode yang dapat digunakan untuk peramalan. Metode yang relevan untuk situasi
yang dipertimbangkan tergantung pada tujuan penelitian dan kondisi yang dihadapi perusahaan
(seperti jenis data yang tersedia). Seringkali, tidak ada metode terbaik tunggal. Bahkan, lebih
baik gunakan berbagai metode dan sesuaikan ramalan [The International Institute of
Forecasters 2015]. Tujuan utamanya bukan untuk mengidentifikasi metode peramalan terbaik,
tetapi menggabungkan prakiraan, jika sesuai, untuk menggunakan lebih dari satu metode untuk
seri data yang dipelajari. Disarankan untuk memilih metode peramalan yang tampaknya
relevan, buat prediksi dengan masing-masing, dan kemudian hitung perkiraan rata-rata
[Armstrong 2001]. Prosedur ini meningkatkan perkiraan dan telah berkurang kesalahan sebesar
12%, juga menunjukkan bahwa menghasilkan presisi yang lebih besar dengan menggabungkan
perkiraan penggunaan metode yang berbeda dan berdasarkan pada data yang berbeda [Graefe
et. Al. 2012].
Namun, mungkin masih menarik untuk mengetahui metode mana yang terbaik. Suatu
pendekatan itu dapat diambil sama dengan keakuratan peneliti, yang merupakan semacam
drive turnamen atau persaingan antara metode perkiraan alternatif. Untuk melakukan ini
dengan sukses, perlu untuk bertemu tiga kondisi: yang pertama adalah membandingkan metode
berdasarkan kinerja sebelumnya (perkiraan akurasi, bukan seberapa baik mereka cocok dengan
data historis); Yang kedua adalah membandingkan prediksi dengan metode peramalan yang
diterima dengan baik; dan yang terakhir adalah menggunakan sampel yang sesuai untuk
perkiraan [Collopy et. Al. 1994].
Setelah memahami pertanyaan saat ini untuk memilih metode prediksi yang cocok untuk
sebuah perusahaan, penelitian ini bertujuan untuk mengembangkan metode peramalan yang
disebut metode Dekomposisi. Metode Dekomposisi adalah semacam campuran dari metode
permintaan yang lebih umum peramalan. Untuk menunjukkan bagaimana menerapkan
metodologi dari berbagai metode peramalan di sebuah metode tunggal dapat menyebabkan
akurasi yang lebih baik, penelitian ini juga membuat perbandingan dengan metode peramalan
yang diusulkan dan dua metode lain yang lebih sederhana dan umum: moving average dan
pemulusan eksponensial.
Penelitian ini menyajikan studi kasus sebuah perusahaan Amerika di bidang mekanis sektor
teknik [Justiniano 2015]. Karena kerahasiaan yang diminta, nama perusahaan akan tidak
diberikan, tetapi terdaftar bahwa perusahaan tersebut adalah produsen lebih dari seribu enam
ratusan model vibrator industri untuk pasar Amerika. Perusahaan menyediakan masa lalu
meminta data produk-produknya dalam periode empat tahun (2011 hingga 2014) dan
membutuhkan perkiraan permintaan beberapa produk. Salah satu produk ini, yang disebut di
sini Produk G, digunakan untuk aplikasi metode peramalan.
Sisa dari makalah ini disusun sebagai berikut: Bagian 2 memberikan dasar nomenklatur dan
teori. Bagian 3 memperkenalkan metode Dekomposisi. Bagian 4 menyajikan studi kasus,
menunjukkan hasil dan perbandingan dengan metode moving average dan eksponensial
menghaluskan. Kesimpulan disajikan dalam Bagian 5.
2. Nomenklatur dan Notasi Dasar
ISINYA HITUNGAN DAN RUMUS-RUMUS
3. Metode Dekomposisi
Metode Dekomposisi adalah metode perkiraan kuantitatif yang terdiri dari model matematika
berdasarkan data historis perusahaan, yang memberikan informasi tentang variasi permintaan
selama periode waktu [Fernandes dan Anznello 2010]. Matematika model yang digunakan oleh
metode kuantitatif adalah seri kausal atau temporal. Penyebab menghubungkan tanggapan
untuk sejumlah faktor yang menentukannya dengan hubungan matematis, sehingga perlu
sangat hati-hati analisis faktor-faktor yang mungkin, dengan basis data yang luas [Box et al.
1994]. Namun, metodenya deret waktu, yang merupakan kasus metode dekomposisi,
memperhitungkan numerik informasi masa lalu (time series) dan mengasumsikan
kemungkinan bahwa beberapa aspek pola masa lalu diulangi di masa depan (mereka tidak
berurusan dengan faktor-faktor yang mendorong perubahan permintaan).
Langkah pertama dalam analisis deret waktu adalah memodelkan studi fenomena, kemudian
mendeskripsikan perilaku seri, buat taksiran, dan evaluasi faktor mana yang memengaruhi
perilaku. Membuat analisis deret waktu dengan metode Dekomposisi, dimungkinkan untuk
mengamati waktu itu data seri dapat dipengaruhi oleh empat komponen utama:
• Tren, yang merupakan perilaku permintaan produk untuk jangka waktu yang lama;
• Variasi siklus, yang merupakan fluktuasi dalam nilai variabel yang lebih panjang dari
sebuah tahun yang dapat mengikuti siklus bisnis;
• Variasi musiman, yaitu variasi yang terjadi tahun demi tahun dengan durasi kurang dari
satu tahun, seringkali dalam periode yang sama dan besarnya hampir sama;
• Variasi tidak teratur, yang merupakan salah satu yang tidak mengikuti suatu pola,
fluktuasi tidak dijelaskan.
Metode dekomposisi menjelaskan kemungkinan pengaruh komponen dalam deret waktu
dengan memecah masing-masing komponen seri ini, mengidentifikasi berapa banyak
komponen ini mempengaruhi seri dan akhirnya membuat prediksi [Wang et al. 2012].
Tidak semua model deret waktu menampilkan semua faktor yang tercantum di atas.
Dekomposisi data waktu akan membantu mengidentifikasi faktor-faktor mana yang berperan
dalam dataset yang diteliti. Poin penting dari model dekomposisi adalah memutuskan
bagaimana menghubungkan semua komponen yang mempengaruhi data time-series [Menezes
2007]. Ada dua opsi model additive dan multiplicative model (lihat (5)). Penelitian ini
menggunakan model multiplikatif, karena deret waktunya berhasil menderita variasi tinggi dan
tidak mengikuti pola yang mantap; yaitu ada ketergantungan musiman pada tren [Fávero et al.
2003].
3.1 Trend (Kecenderungan)
Tren deret waktu menunjukkan perilaku data selama jangka panjang (yaitu, jika itu meningkat,
menurun atau tetap stabil, dan perubahan kecepatan apa yang terjadi). Identifikasi tren yang
memungkinkan penghapusan komponen seri penelitian ini, sehingga bisa mendapatkan
pandangan yang lebih baik dari yang lain komponen yang dapat mengganggu permintaan
[Morrettin dan Toloi 2004].
Memperoleh tren itu bisa dilakukan melalui model moving average, eksponensial perataan atau
regresi. Metode untuk mendapatkan tren yang digunakan di sini adalah regresi, karena itu
adalah metode yang memfasilitasi pembuatan hasil untuk tren komponen dan membuatnya
lebih mudah untuk menerapkan model peramalan.
Di sini tren dianggap linier, diberikan oleh metode kuadrat terkecil, yang terdiri dari penduga
yang meminimalkan jumlah regresi residu kuadrat. Metode ini dipilih sebagai contoh tetapi ada
metode lain yang dapat digunakan untuk menghitung tren, itu rinci dijelaskan oleh Justiniano
(2015).
ADA RUMUS SEDIKIT
3.2 Variasi Musiman
Musiman dalam seri yang sesuai dengan fluktuasi kenaikan dan penurunan yang diulang dalam
periode tahun, bulan, minggu atau hari tertentu. Tahap Dekomposisi ini metode, yaitu
menghitung indeks musiman, dapat disebut menasionalisasi data seri.
Deseasonalisasi menghilangkan efek musiman pada data yang dianalisis. Ini membantu jangan
membuat kesimpulan yang salah tentang kenaikan atau penurunan selama periode waktu
tertentu. Metode yang digunakan untuk menghitung indeks musiman dikenal sebagai
pendekatan rasio terhadap rata-rata bergerak. Ini menunjukkan caranya di atas atau di bawah
permintaan yang ditentukan dibandingkan dengan permintaan sepanjang tahun. Ini dihitung
dengan langkah-langkah berikut:

• Langkah 1: Menghitung pesanan bulanan rata-rata bergerak, yaitu jumlah musiman

periode sama dengan 12 (menggunakan persamaan (3) dengan m = 12).
• Langkah 2: Memusatkan rata-rata bergerak urutan 12, ini dilakukan karena urutan
moving average adalah angka genap, maka hasil aktual yang rata-rata muncul antara
bulan dan tidak dalam bulan tepat seperti yang diperlukan untuk perhitungan indeks.
Membuat sentralisasi adalah mungkin untuk mendapatkan hasil sebulan, untuk
 melakukan ini hanya perlu rata-rata antara nilai-nilai di atas dan di bawah bulan Anda
ingin mendapatkan indeks.
• Langkah 3: Hitung indeks musiman untuk setiap periode. Sebagai model multiplikatif
adalah dipertimbangkan di sini, untuk mendapatkan indeks cukup bagi nilai-nilai asli
dari seri oleh pusat rata-rata bergerak, dihitung pada Langkah 2.
• Langkah 4: Bekerja dengan data selama empat tahun, Anda mendapatkan lebih dari
satu indeks musiman untuk masing-masing bulan. Jadi perlu rata-rata aritmatika dari
indeks setiap bulan.
• Langkah 5: Akhirnya, jumlah dari semua 12 indeks harus sekitar 12 karena itu
menggunakan model multiplikatif. Dalam model multiplikatif hanya tren yang
memiliki satuan yang sama dengan data time series, komponen lainnya adalah semua
indeks.
Dalam kasus model multiplikasi, jika indeks musiman kira-kira sama dengan 1, maka musiman
tidak berpengaruh signifikan pada data seri, tetapi jika indeksnya berbeda 1 menunjukkan
bahwa musim mempengaruhi rangkaian waktu [Menezes 2007].
3.3 Variasi Siklis dan Tidak Teratur
Biasanya variasi siklik dan tidak teratur dianalisis bersama. Ini dibenarkan karena kedua
komponen ini adalah bagian dari perilaku tidak beraturan dalam deret waktu. Siklusnya variasi
adalah fluktuasi jangka panjang di sekitar tren tetapi tidak memiliki frekuensi yang tepat itu
mencirikan pola musiman [Bouzada 2012]. Namun variasi tidak teratur diturunkan dari
komponen acak, yang timbul dari situasi yang tidak dapat dijelaskan.
Variasi ini tidak selalu mudah terlihat. Beberapa kasus memerlukan data selama satu dekade
hingga amati variasi ini [Menezes 2007]. Namun demikian, untuk studi kasus ini variasi ini
diambil mempertimbangkan untuk memiliki analisis lengkap dari deret waktu kerja.
Mendapatkan siklus dan penyimpangan dimungkinkan dengan menghapus tren dan musiman
data seri awal. Seperti yang digunakan model multiplikasi Dekomposisi, peramalan metode
untuk menghapus tren dan musiman itu harus langkah-langkah berikut:
• Langkah 1: Deseasonalkan deret waktu, yang terdiri dari membagi setiap data deret
dengan indeks musiman untuk periode yang sama.
• Langkah 2: Hapus tren, yang terdiri dari membagi data yang dinasionalisasi dengan tren
diperoleh dengan regresi sederhana.
• Langkah 3: Menghaluskan seri, untuk memudahkan pengamatan siklus (untuk
meningkatkan ini observasi rata-rata bergerak dapat diterapkan. Dalam karya ini,
digunakan rata-rata bergerak pesanan 3 – hubungan (3), dengan m= 3).
Pada Langkah 3, ia bertujuan untuk menghitung indeks siklus mencari sedikit lebih banyak
responsif dan sedikit lebih banyak kehalusan grafis [Devcic 2008]. Urutan m= 3 adalah di
tengah-tengah antara responsif dan smoothing, karena tidak mungkin untuk memilih level
maksimum untuk dua poin ini pada saat yang bersamaan, Anda harus memilih titik di mana
nilai ini sama dengan atau dekat dengan itu untuk kedua belah pihak yang bersangkutan.
Dalam model multiplikatif untuk mengidentifikasi siklus dalam rangkaian harus dicatat pola,
sebagai nilai indeks variasi siklik lebih tinggi atau lebih rendah dari 1 untuk setidaknya satu
periode satu tahun, jika indeks variasi tidak jauh berbeda dari 1 mereka tidak mempengaruhi
seri sehingga dapat diabaikan dalam proses peramalan [Menezes 2007].
3.4 Efek Kalender
Beberapa bulan memiliki 31 hari, yang lain memiliki 30 dan Februari mungkin memiliki 28
atau 29 hari, dan beberapa holydays bervariasi dari tahun ke tahun, ini dapat menyebabkan
kesulitan dalam perencanaan. Jika penjualan Anda bisnis jauh lebih tinggi pada akhir pekan,
dapat menghasilkan kesalahan perkiraan yang signifikan. Karena ini adalah bahwa ia
memperhitungkan apa yang disebut Efek Kalender.
Efek kalender terdiri dari penyesuaian untuk panjang bulan dalam beberapa hari. Jika ini
penyesuaian variasi dalam panjang bulan tidak dilakukan, efeknya mungkin muncul sebagai
musiman efek, yang tidak dapat menyebabkan kesalahan peramalan yang serius, tetapi tentu
akan membuat sulit untuk diinterpretasikan segala pola musiman [Insight Central 2010].
ADA SEDIKIT HITUNGIN
3.5 Komposisi ulang
Selesai proses dekomposisi, pencapaian masing-masing komponen indeks itu memengaruhi
seri waktu yang dipelajari, mengikuti langkah-langkah berikut:
• Langkah 1: Hitung tren dengan metode regresi sederhana, seperti yang dijelaskan di
bagian 3.1;
• Langkah 2: Deseasonalisasi, seperti yang dijelaskan di bagian 3.2;
• Langkah 3: Dapatkan variasi siklus dan tidak teratur, seperti yang dijelaskan di bagian
3.3;
kemudian, mereka menghitung nilai T, S, C dan I, persamaan (5). Dengan demikian,
dimungkinkan untuk melanjutkan untuk proses rekomposisi, proses mengasosiasikan semua
komponen yang memiliki pengaruh dalam seri waktu dengan model peramalan Dekomposisi
dipertimbangkan. Sehingga bisa dibuat perkiraan permintaan sesuai dengan langkah
selanjutnya:
• Langkah 1: Kalikan indeks musiman S (diperoleh pada bagian 3.2) dengan tren T
(diperoleh pada bagian 3.1).
• Langkah 2: Kalikan produk Langkah 1 dengan siklus dan tingkat penyimpangan, C dan
I (diperoleh di bagian 3.3).
• Langkah 3: Lipat gandakan efek kalender (dijelaskan di bagian 3.4), untuk masing-
masing yang sesuai bulan, berdasarkan produk Langkah 2.
Setelah rekomposisi membuatnya mendapat data perkiraan. Penting untuk dicatat bahwa untuk
perkiraan adalah masa depan (permintaan periode masa depan, yang belum memberikan data
historis sebagai dasar untuk menghitung komponen - T, S, C dan I), sehingga
memperhitungkan tren masa depan. Mengklarifikasi seluruh proses rekomposisi untuk periode
ini dilakukan dengan cara yang sama. Namun dalam proses dekomposisi (memperoleh indeks),
perhitungan indeks tren dan musiman mengikuti persamaan regresi yang dibuat untuk
mendapatkan tren data seri asli. Dan untuk menghitung indeks siklus dan ireguler diperoleh
dari regresi sederhana yang dibuat dengan data grafik dihaluskan (grafik dibuat untuk
menghitung indeks siklus dan tidak teratur dalam periode) bahwa ada data historis). Prosedur
ini dilakukan dengan tidak memiliki keberadaan data aktual seri untuk periode mendatang.
4. STUDI KASUS
Penelitian ini menganalisis data dari permintaan bulanan produk G dari suatu perusahaan
(Tabel 1), selama periode 4 tahun (2011/02 - 2014/11; total 47 data dalam seri waktu,
Gambar.1). TABEL I - PERMINTAAN PRODUK G - A (t)
UNIT PRODUK TAHUN
BULAN 2011 2012 2013 2014
Januari 19 8 8 20
Februari 11 14 18 10
Maret 18 8 49 25
April 20 18 7 15
Mei 4 9 6 26
Juni 13 39 12 20
Juli 19 16 11 24
Agustus 17 12 25 20
September 12 3 16 23
Oktober 12 3 19 25
November 7 19 15 17
Desember 12 5 12
Gambar. 1 menunjukkan perilaku deret waktu. Perhatikan bahwa secara visual sulit untuk
menetapkan data pola perilaku dan faktor-faktor apa yang mengganggu variasi data.

4.1 Peramal dan Ukuran Evaluasi yang Tersedia

Penelitian ini menyajikan metode peramalan yang berfungsi dengan beberapa metodologi itu
berasal dari metode peramalan sederhana lainnya. Untuk menunjukkan bahwa menggabungkan
lebih dari satu metodologi peramalan menghasilkan hasil yang paling akurat, mereka
ditunjukkan hasilnya prediksi metode peramalan yang lebih utama. Metode yang digunakan
adalah:
1) Metode Dekomposisi
2) Rata-rata Bergerak urutan 3 (hubungan (3), dengan m = 3)
3) Rata-rata bergerak urutan 6 (hubungan (3), dengan m = 6)
4) Eksponensial Pemulusan (hubungan (4), dengan optimal a)
Kriteria pemilihan untuk peramal individual adalah: (i) metode mudah untuk diterapkan dan
dipahami, (ii) metode yang bekerja dengan deret waktu dan (iii) metode umum yang dapat
digunakan untuk seri yang berbeda dan itu tidak hanya menempel pada kasus studi. Penting
untuk menunjukkan bahwa Metode Exponential Smoothing adalah salah satu metode yang
paling banyak digunakan untuk memprediksi permintaan. Eksponensial Menghaluskan adalah
cara yang digunakan untuk mendiskon faktor-faktor yang mengganggu data historis, di mana
yang paling banyak data terbaru memiliki bobot lebih dari data yang lebih lama [Hopp and
Spearman 2008].
Pada sudut pandang yang sama, metode Moving Average adalah salah satu metode paling
sederhana dan generik untuk diterapkan. Rata-rata bergerak didasarkan pada perhitungan rata
rata sederhana, tetapi alih-alih menggunakan semua data sebelumnya dalam perhitungan rata-
rata, untuk prediksi, ia hanya menggunakan beberapa data terbaru [Mentzer and Moon 2005].
Penting untuk memilih metode ini urutan (m), karena nilai yang lebih tinggi dari m akan
membuat model yang lebih stabil, tetapi kurang responsif terhadap perubahan dalam proses
peramalan [Hopp dan Spearman 2008]. Jadi penelitian ini bekerja dengan dua pesanan berbeda,
3 dan 6.
Akurasi dan kesalahan pengukuran prediksi adalah alasan umum untuk diperlukan perhitungan
kesalahan ramalan, namun untuk kualifikasi metode ramalan yang lebih baik diperlukan lebih
dari satu jenis pengukuran kesalahan untuk menyediakan semua informasi yang relevan untuk
penilaian melampaui akurasi perkiraan ([allström 2009]. Untuk menilai model perkiraan
permintaan, mereka disajikan tiga ukuran: Mean Absolute Deviation (MAD), Mean Square
Deviation (MSD) dan (BIAS), diberikan masing-masing dalam hubungan (7) - (9).
Dalam kasus khusus ini diterapkan optimasi indeks Ukuran Evaluasi untuk dapatkan yang
optimal a. Proses optimisasi dimaksudkan untuk meminimalkan Evaluasi perkiraan Ukur
indeks dari model berikut:

4.2 Pengujian dan Hasil Hipotesis

Hipotesis yang diuji dalam penelitian ini adalah bahwa metode Dekomposisi akan menjadi
yang terbaik dievaluasi dengan evaluasi ukuran akurasi daripada metode lain yang telah
diterapkan dalam seri waktu yang sama. Itu karena metode Dekomposisi bekerja bersama
dengan berbagai metodologi peramalan. Itu juga dipertimbangkan evaluasi keakuratan metode
dengan lebih dari satu model perkiraan sehingga dapat diperoleh hasil yang lebih konsisten.
Tinju mempresentasikan hasil perkiraan permintaan Produk G oleh Exponential Metode
smoothing, Move Average (MA) metode order 3 dan metode MA order 6, dengan relasi
masing-masing, relasi (4) dan relasi (3). Gambar. 2, Gambar. 3 dan Gambar. 4 menunjukkan
grafik dari setiap metode yang disebutkan, di mana Seri Hitam adalah permintaan dan Seri
Merah adalah ramalan cuaca. Tabel terlampir V, Tabel VI dan Tabel VII menunjukkan data
perkiraan untuk masing-masing metode.
Sekarang disajikan hasil perkiraan permintaan Produk G dengan Dekomposisi metode.
Dimulai dengan proses penguraian yang menunjukkan setiap komponen: tren (T), variasi
musiman (S) dan Variasi Siklis dan Tidak Teratur (C dan I). Finishing dengan proses
Rekomposisi itu adalah ramalan itu sendiri.
Akhirnya, untuk ukuran evaluasi, semakin rendah nilai yang diperoleh untuk MAD dan MSD,
nilai perkiraan terbaik cocok dengan nilai asli dari deret waktu. BIAS menyatakan jika
perkiraan tersebut melebihi estimasi (> 0) atau diremehkan (<0). Dengan cara ini diamati pada
Tabel IV bahwa Metode terbaik yang dievaluasi oleh langkah-langkah evaluasi adalah metode
Dekomposisi.

5. KESIMPULAN
Studi ini mendekati perspektif peramalan permintaan menjadi strategis dan keputusan produksi
suatu perusahaan. Tujuan dari pekerjaan ini adalah untuk menunjukkan, melalui studi kasus itu
mungkin untuk menemukan metode yang paling cocok (dengan memberikan hasil perkiraan
dengan kesalahan kecil). Melalui perbandingan dengan metode peramalan permintaan lainnya
metode yang dikembangkan dalam hal ini studi dapat dievaluasi. Dengan cara ini memberikan
informasi yang lebih akurat untuk membuat bisnis keputusan. Studi ini menyimpulkan bahwa
metode Dekomposisi menggunakan model multiplikatif adalah metode yang memberikan hasil
paling akurat, sesuai dengan ukuran evaluasi digunakan dalam penelitian ini.
Studi ini menjelaskan secara rinci setiap langkah dari proses peramalan permintaan untuk
Metode dekomposisi, memberikan klarifikasi tentang metode peramalan yang digunakan untuk
perbandingan tujuan dan, akhirnya, mengidentifikasi setiap ukuran evaluasi yang digunakan
dalam penelitian ini. Aktifkan beberapa pengamatan dan saran untuk pekerjaan di masa depan
di bidang ini. Pengamatan pertama adalah tentang Model additive dan multiplicative, pekerjaan
ini dilakukan dengan menggunakan model multiplicative untuk permintaan metode peramalan
dari saran literatur, bagaimanapun, adalah tepat untuk melakukan analisis data yang sama untuk
model aditif dan membandingkan hasilnya.
Komentar tambahan pada penelitian ini adalah: perkiraan permintaan untuk Dekomposisi
memiliki evaluasi terbaik Tabel IX); studi ini menggunakan efek kalender sebagai cara untuk
meningkatkan metodologi peramalan, yang memperhitungkan efek memvariasikan jumlah hari
dalam bulan dalam data perkiraan permintaan bulanan.
Untuk studi selanjutnya disarankan menggunakan metode peramalan yang lebih canggih,
seperti metode BoxJenkins, untuk mengembangkan proses perbandingan dan menemukan hasil
yang lebih tepat.
REFERENSI