KELOMPOK 2 :
1. Fidelis Ronaldo Gonsales (EM-E/141160021)
2. Zul Kifli (EM-E/141160039)
3. Susanti (EM-E/141160055)
4. Primanadia Harvitrananda (EM-E/141160131)
5. Ade Winda Lestary (EM-E/141160208)
JURUSAN MANAJEMEN
2018/2019
1. TIME SERIES METHODS
Metode deret waktu adalah teknik statistik yang memanfaatkan akumulasi data historis
selama periode waktu tertentu. Metode time series mengasumsikan bahwa apa yang telah
terjadi di masa lalu akan terus terjadi di masa depan. Seperti yang disarankan deret waktu
nama, metode ini menghubungkan ramalan hanya dengan satu faktor — waktu. Metode-
metode ini mengasumsikan bahwa pola atau tren historis yang dapat diidentifikasi untuk
permintaan dari waktu ke waktu akan terulang kembali. Mereka termasuk moving
average, exponential smoothing, dan garis tren linier; dan mereka adalah salah satu
metode paling populer untuk peramalan jangka pendek di antara perusahaan jasa dan
manufaktur. Dalam survei 2007 perusahaan di berbagai industri yang dilakukan oleh
Institute of Business Forecasting, lebih dari 60% perusahaan menggunakan model deret
waktu, menjadikannya metode peramalan paling populer sejauh ini. Salah satu alasan
model deret waktu begitu populer adalah bahwa mereka relatif mudah dimengerti dan
digunakan. Survei juga menunjukkan bahwa model deret waktu yang paling populer
adalah moving average dan exponential smoothing.
1) Moving Average
Perkiraan deret waktu dapat sesederhana menggunakan permintaan di periode saat ini
untuk memprediksi permintaan di periode berikutnya. Misalnya, jika permintaan
adalah 100 unit minggu ini, perkiraan permintaan minggu depan adalah 100 unit; jika
permintaan ternyata 90 unit saja, maka permintaan minggu berikutnya adalah 90 unit,
dan seterusnya. Jenis metode peramalan ini tidak memperhitungkan perilaku
permintaan historis; hanya bergantung pada permintaan pada periode saat ini.
Bereaksi langsung terhadap pergerakan permintaan normal dan acak. Metode rata-rata
bergerak sederhana menggunakan beberapa nilai permintaan selama masa lalu untuk
mengembangkan perkiraan. Ini cenderung mengurangi, atau memuluskan,
peningkatan acak dan penurunan perkiraan yang hanya menggunakan satu periode.
Simple moving average berguna untuk memperkirakan permintaan yang stabil dan
tidak menampilkan perilaku permintaan yang diucapkan, seperti tren atau pola
musiman. Moving average dihitung untuk periode tertentu, seperti tiga bulan atau
lima bulan, tergantung pada seberapa banyak peramal keinginan untuk "memuluskan"
data permintaan. Semakin lama periode rata-rata bergerak, maka akan semakin halus.
(Atau, rata-rata bergerak yang lebih pendek lebih rentan terhadap variasi acak
sederhana.)
Dimana
Heartland Produce Company menjual dan mengirimkan produk makanan ke restoran dan
layanan katering dalam radius 100 mil dari gudangnya. Bisnis pasokan makanan sangat
kompetitif, dan kemampuan untuk mengirimkan pesanan segera merupakan faktor dalam
mendapatkan pelanggan baru dan mempertahankan pelanggan lama. Manajer perusahaan ingin
memastikan pengemudi dan kendaraan yang cukup tersedia untuk mengirimkan pesanan segera
dan mereka memiliki persediaan yang cukup. Oleh karena itu, manajer ingin dapat
memperkirakan jumlah pesanan yang akan terjadi selama bulan berikutnya (mis., Untuk
memperkirakan permintaan pengiriman).
Dari catatan pesanan pengiriman, manajemen telah mengumpulkan data berikut selama 10 bulan
terakhir, yang darinya ia ingin menghitung rata-rata bergerak tiga dan lima bulan.
Solusi
Mari kita asumsikan bahwa ini adalah akhir Oktober. Perkiraan yang dihasilkan dari rata-rata
bergerak tiga atau lima bulan biasanya untuk bulan berikutnya secara berurutan, yang dalam hal
ini adalah November. Rata-rata bergerak dihitung dari permintaan pesanan untuk tiga bulan
sebelumnya dalam urutan sesuai dengan rumus berikut:
Rata-rata pergerakan lima bulan dihitung dari lima bulan sebelumnya dari data permintaan
sebagai berikut:
Prakiraan rata-rata bergerak tiga dan lima bulan untuk semua bulan data permintaan ditunjukkan
pada tabel berikut. Sebenarnya, manajer hanya akan menggunakan ramalan untuk bulan
November berdasarkan permintaan bulanan terbaru. Namun, perkiraan sebelumnya untuk bulan-
bulan sebelumnya memungkinkan kami untuk membandingkan perkiraan dengan permintaan
aktual untuk melihat seberapa akurat metode perkiraan itu — yaitu, seberapa baik kinerjanya.
Kedua prakiraan pergerakan rata-rata pada tabel sebelumnya cenderung memuluskan variabilitas
yang terjadi pada data aktual. Efek pemulusan ini dapat diamati pada gambar berikut di mana
rata-rata tiga bulan dan lima bulan telah ditumpangkan pada grafik data asli:
Rata-rata bergerak lima bulan pada gambar sebelumnya memuluskan fluktuasi ke tingkat
yang lebih besar daripada rata-rata bergerak tiga bulan. Namun, rata-rata tiga bulan lebih
mencerminkan data terbaru yang tersedia untuk manajer perusahaan produk. Secara
umum, perkiraan menggunakan moving average periode panjang lebih lambat untuk
bereaksi terhadap perubahan permintaan baru-baru ini daripada yang dibuat dengan
menggunakan moving average periode pendek. Periode ekstra data mengurangi
kecepatan respons prakiraan. Menetapkan jumlah periode yang tepat untuk digunakan
dalam perkiraan rata-rata bergerak seringkali memerlukan sejumlah percobaan dan
kesalahan.
Kerugian dari metode rata-rata bergerak adalah bahwa ia tidak bereaksi terhadap variasi
yang terjadi karena suatu alasan, seperti siklus dan efek musiman. Faktor-faktor yang
menyebabkan perubahan pada umumnya diabaikan. Ini pada dasarnya adalah metode
"mekanis", yang mencerminkan data historis secara konsisten. Namun, metode moving
average memang memiliki keuntungan karena mudah digunakan, cepat, dan relatif
murah. Secara umum, metode ini dapat memberikan perkiraan yang baik untuk jangka
pendek, tetapi tidak boleh didorong terlalu jauh ke masa depan.
2) Exponential Smoothing
Perataan eksponensial juga merupakan metode rata-rata yang memberatkan data
terbaru dengan lebih kuat. Dengan demikian, perkiraan akan bereaksi lebih banyak
terhadap perubahan permintaan terkini. Ini berguna jika perubahan terbaru dalam data
adalah signifikan dan tidak dapat diprediksi, bukan hanya fluktuasi acak (yang cukup
untuk perkiraan rata-rata bergerak sederhana). Perataan eksponensial adalah salah
satu teknik peramalan yang lebih populer dan sering digunakan, karena berbagai
alasan. Perataan eksponensial membutuhkan data minimal. Hanya prakiraan untuk
periode saat ini, permintaan aktual untuk periode saat ini, dan faktor pembobotan
yang disebut konstanta perataan diperlukan. Matematika teknik ini mudah dipahami
oleh manajemen. Hampir semua paket perangkat lunak komputer yang diramalkan
menyertakan modul untuk pemulusan eksponensial. Yang paling penting, smoothing
eksponensial memiliki rekam jejak keberhasilan yang baik. Ini telah digunakan
selama bertahun-tahun oleh banyak perusahaan yang menganggapnya sebagai metode
peramalan yang akurat.
Konstanta smoothing,a, adalah antara 0,0 dan 1,0. Ini mencerminkan bobot yang diberikan pada
data permintaan terbaru. Misalnya, jika a = 0.20
yang berarti bahwa perkiraan kami untuk periode berikutnya didasarkan pada 20% dari
permintaan terkini (Dt) dan 80% dari permintaan masa lalu (dalam bentuk perkiraan Ft, karena Ft
berasal dari permintaan dan perkiraan sebelumnya). Jika kita pergi ke satu ekstrim dan biarkan a
= 0.0 kemudian
= Ft
dan perkiraan untuk periode berikutnya sama dengan perkiraan untuk periode ini. Dengan kata
lain, perkiraan tersebut tidak mencerminkan permintaan terbaru sama sekali. Di sisi lain, jika,a =
1.0 kemudian
= 1Dt
dan kami hanya mempertimbangkan data terbaru (permintaan pada periode sekarang) dan tidak
ada yang lain. Dengan demikian, semakin tinggi a, semakin sensitif perkiraan cuaca akan
perubahan permintaan baru-baru ini, dan perataan akan lebih sedikit. Semakin dekat a ke nol,
semakin besar efek peredam, atau smoothing. Saat mendekati nol, ramalan akan bereaksi dan
menyesuaikan lebih lambat terhadap perbedaan antara permintaan aktual dan permintaan yang
diperkirakan. Nilai a yang paling umum digunakan adalah dalam kisaran 0,01 hingga 0,50.
Namun, penentuan a biasanya bersifat menghakimi dan subyektif dan sering didasarkan pada
percobaan coba-coba. Perkiraan yang tidak akurat dari kaleng dapat membatasi kegunaan teknik
peramalan ini. (Saat mendekati 1.0, perkiraannya sama dengan hasil yang naif.)
Layanan Komputer HiTek perbaikan dan layanan komputer pribadi di tokonya, dan itu membuat
panggilan layanan lokal. Ini terutama menggunakan mahasiswa Universitas Negeri paruh waktu
sebagai teknisi. Perusahaan telah memiliki pertumbuhan yang stabil sejak dimulai. Ini membeli
bagian komputer generik dalam volume dengan diskon dari berbagai sumber setiap kali mereka
melihat banyak. Oleh karena itu, mereka memerlukan perkiraan permintaan perbaikan yang baik
sehingga mereka akan tahu berapa banyak komponen komputer yang akan dibeli dan disimpan,
dan berapa banyak teknisi yang akan disewa.
Perusahaan telah mengumpulkan data permintaan yang ditunjukkan pada tabel terlampir untuk
perbaikan dan panggilan layanan selama 12 bulan terakhir, dari mana ia ingin
mempertimbangkan prakiraan perataan eksponensial menggunakan konstanta perataan (a) sama
dengan 0,30 dan 0,50.
Untuk mengembangkan serangkaian prakiraan untuk data dalam tabel ini, kita akan mulai
dengan periode 1 (Januari) dan menghitung perkiraan untuk periode 2 (Februari)
menggunakan a = 0,30. Rumus untuk pemulusan eksponensial juga membutuhkan
perkiraan untuk periode 1, yang tidak kita miliki, jadi kami akan menggunakan
permintaan untuk periode 1 sebagai permintaan dan perkiraan untuk periode 1. (Cara lain
untuk menentukan perkiraan awal termasuk rata-rata tiga pertama atau empat periode
atau membuat estimasi subyektif.) Jadi, perkiraan untuk Februari adalah
F2 = αD1 + ( 1 - α )F1
= 37 panggilan layanan
F3 = αD2 + ( 1 – α ) F2
=(0.30)(40) + (0.70)(37)
Sisa perkiraan bulanan ditampilkan pada tabel berikut. Prakiraan akhir adalah
untuk periode 13, Januari, dan merupakan ramalan yang menarik bagi HiTek:
= (0.30)(54) + (0.70)(50.84)
Dalam Contoh 12.3, perkiraan yang menggunakan konstanta penghalusan yang lebih
tinggi, α = 0,50, tampaknya bereaksi lebih kuat untuk perubahan permintaan daripada
perkiraan dengan α = 0,30, meskipun keduanya menghaluskan fluktuasi acak dalam
perkiraan. Perhatikan bahwa kedua perkiraan tersebut tertinggal dari permintaan aktual.
Misalnya, perubahan permintaan yang jelas di bulan Juli tidak tercermin dalam perkiraan
hingga Agustus. Jika perubahan ini menandai perubahan tren (mis., Jangka panjang ke
atas atau pergerakan ke bawah) daripada hanya fluktuasi acak, maka ramalan akan selalu
tertinggal di balik tren ini. Kita dapat melihat tren kenaikan umum dalam panggilan
layanan sepanjang tahun. Kedua perkiraan cenderung lebih rendah secara konsisten dari
permintaan aktual; artinya, ramalan itu ketinggalan kecenderungan.
Berdasarkan pengamatan sederhana dari dua ramalan dalam Contoh 12.3, α = 0,50
tampaknya menjadi lebih akurat dari keduanya dalam arti tampaknya mengikuti data
aktual lebih dekat. (Kemudian dalam bab ini kita membahas beberapa metode kuantitatif
untuk menentukan akurasi perkiraan.) Ketika permintaan relatif stabil tanpa tren, nilai
yang kecil untuk α lebih tepat untuk sederhana memuluskan ramalan. Ketika permintaan
aktual menampilkan tren peningkatan (atau penurunan), sebagaimana adanya kasus pada
gambar, nilai yang lebih besar α lebih baik. Ini akan bereaksi lebih cepat terhadap
gerakan ke atas atau ke bawah yang lebih baru dalam data aktual. Dalam beberapa
pendekatan untuk pemulusan eksponensial, keakuratan ramalan dimonitor dalam hal
perbedaan antara nilai aktual dan nilai perkiraan. Jika perbedaan ini menjadi lebih besar,
maka α diubah (lebih tinggi atau lebih rendah) di upaya untuk menyesuaikan ramalan
dengan data aktual. Namun, perkiraan smoothing eksponensial dapat juga dapat
disesuaikan untuk efek tren.
Dalam Contoh 12.3, perkiraan akhir yang dihitung adalah untuk satu bulan, Januari.
Perkiraan untuk dua atau tiga bulan bisa dihitung dengan mengelompokkan data
permintaan ke dalam angka yang diperlukan periode dan kemudian menggunakan nilai-
nilai ini dalam perhitungan smoothing eksponensial. Misalnya, jika ramalan tiga bulan
dibutuhkan, permintaan untuk Januari, Februari, dan Maret dapat disimpulkan dan
digunakan untuk menghitung perkiraan rata-rata untuk periode tiga bulan ke depan, dan
seterusnya, hingga final hasil perkiraan tiga bulan. Atau, jika tren hadir, perkiraan periode
akhir bisa digunakan untuk perkiraan yang diperpanjang dengan menyesuaikannya
dengan faktor tren.
Dimana:
Faktor tren dihitung sama dengan perkiraan yang dihaluskan secara eksponensial.
I ni pada dasarnya adalah model perkiraan untuk tren:
Dimana :
Solusi
Rumus untuk perkiraan smoothing eksponensial yang disesuaikan membutuhkan nilai awal
untuk T,untuk memulai proses komputasi. Faktor tren awal ini seringkali merupakan perkiraan
yang ditentukan secara subjektif atau berdasarkan data masa lalu oleh peramal. Dalam hal ini,
karena kita memiliki urutan panjang data permintaan (i.e., 12 bulan) kita akan mulai dengan tren
T, sama dengan nol. Pada saat nilai perkiraan bunga F13 dihitung, kita harus memiliki nilai yang
relatif baik untuk faktor tren.
Perkiraan yang disesuaikan untuk bulan Februari, AF2, sama dengan perkiraan yang dihaluskan
secara eksponensial, karena faktor komputasi tren akan nol (i,e.F1 dan F2 adalah sama dan T2
=0). Jadi, kami menghitung perkiraan perkiraan untuk bulan Maret, AF3, sebagai berikut, dimulai
dengan penentuan faktor tren, T3:
= 0.45
Dan
AF3 = F3 + T3
= 38.5 + 0.45
= 1.36
Dan
= 53.61 + 1.36
Nilai perkiraan yang dihaluskan secara eksponensial yang disesuaikan yang ditunjukkan
pada tabel di atas dibandingkan dengan nilai perkiraan yang dihaluskan secara
eksponensial dan data aktual pada gambar di halaman berikut. Perhatikan bahwa
prakiraan yang disesuaikan secara konsisten lebih tinggi daripada prakiraan yang
dihaluskan secara eksponensial dan karenanya lebih mencerminkan tren peningkatan data
aktual yang secara umum meningkat. Namun, secara umum, pola, atau tingkat kehalusan,
sangat mirip untuk kedua perkiraan tersebut.
Garis tren linier mengaitkan variabel dependen, yang untuk keperluan kita adalah
permintaan, dengan satu variabel independen, waktu, dalam bentuk persamaan linear:
Dimana
b = kemiringan garis
x = periode waktu
Dimana
n = jumlah periode
∑𝑥
𝑥̅ = = rata-rata nilai x
𝑛
∑𝑦
𝑦̅ = = rata-rata nilai y
𝑛
Data untuk Layanan Komputer HiTek (diperlihatkan dalam tabel untuk Contoh 12.3) tampaknya
mengikuti tren linier yang meningkat. Perusahaan ingin menghitung garis tren linier untuk
melihat apakah itu lebih akurat daripada perkiraan smoothing eksponensial dan eksponensial
eksponensial yang disesuaikan yang dikembangkan dalam Contoh 12.3 dan 12.4.
Solusi
Nilai yang diperlukan untuk perhitungan kuadrat terkecil adalah sebagai berikut:
78
𝑥̅ = = 6,5
12
557
𝑦̅ = = 46,42
12
∑ 𝑥𝑦−𝑛𝑥𝑦̅̅̅̅
b= ̅̅̅̅
∑ 𝑥 2 −𝑛𝑥̅ 2
3867−(12 )(6,5)(46,42)
= = 1,72
650−12 (6,5)2
a = 𝑦̅ − 𝑏𝑥̅
y = 35,2+ 1,72x
Grafik berikut ini menunjukkan garis tren linier dibandingkan dengan data actual
Garis tren nampaknya mencerminkan dari dekat data aktual — yaitu, menjadi barang yang bagus
— dan dengan demikian akan menjadi model perkiraan yang baik untuk masalah ini.
5) Seasonal Adjusments
Pola musiman adalah peningkatan berulang dan penurunan permintaan. Banyak item
permintaan menunjukkan perilaku musiman. Penjualan pakaian mengikuti pola
musiman tahunan, dengan permintaan untuk pakaian hangat meningkat di musim
gugur dan musim dingin dan menurun di musim semi dan musim panas karena
permintaan untuk pakaian dingin meningkat.
Ada beberapa metode untuk mencerminkan pola musiman dalam perkiraan deret
waktu. Kami akan menjelaskan salah satu metode sederhana menggunakan faktor
musiman. Faktor musiman adalah nilai numerik yang dikalikan dengan prakiraan
normal untuk mendapatkan prakiraan yang disesuaikan secara musiman. Salah satu
metode untuk mengembangkan permintaan untuk faktor musiman adalah dengan
membagi permintaan untuk setiap periode musiman dengan total permintaan tahunan,
sesuai dengan rumus berikut:
𝐷
𝑠𝑖 = ∑ 𝑖
𝐷
Faktor musiman yang dihasilkan antara 0 dan 1.0, pada dasarnya, adalah bagian dari
total permintaan tahunan yang ditetapkan untuk setiap musim. Faktor musiman ini
dikalikan dengan permintaan tahunan yang diperkirakan untuk menghasilkan
perkiraan yang disesuaikan untuk setiap musim
Karena kami memiliki data permintaan tiga tahun, kami dapat menghitung faktor musiman
dengan membagi total permintaan triwulanan selama tiga tahun dengan total permintaan di
ketiga tahun:
𝐷 42,0
𝑠1 = ∑ 1 = = 0,28
𝐷 148,7
𝐷 29,5
𝑠2 = ∑ 2 = = 0,20
𝐷 148,7
𝐷 21,9
𝑠3 = ∑ 3 = = 0,15
𝐷 148,7
𝐷 55,3
𝑠4 = ∑ 4 = = 0,37
𝐷 148,7
Selanjutnya, kami ingin melipatgandakan permintaan yang diperkirakan untuk tahun berikutnya,
2008, dengan masing-masing faktor musiman untuk mendapatkan permintaan yang diperkirakan
untuk setiap kuartal. Untuk mencapai hal ini, kita memerlukan perkiraan permintaan untuk 2011.
Dalam hal ini, karena data permintaan dalam tabel tampaknya menunjukkan tren yang meningkat
secara umum, kami menghitung garis tren linier selama tiga tahun data dalam tabel untuk
mendapatkan kasar taksiran perkiraan:
y = 40,97 + 4,30x
Dengan menggunakan perkiraan permintaan tahunan ini, kami menemukan bahwa perkiraan
musiman yang disesuaikan factor musim untuk tahun 2011 adalah
Membandingkan ramalan triwulanan ini dengan nilai permintaan aktual dalam tabel,
kamimelihat bahwa ramalan itu tampaknya merupakan perkiraan ramalan yang relatif baik,
mencerminkan variasi musiman dalam data dan tren kenaikan umum.
2. FORECAST ACCURACY
Sebuah ramalan tidak pernah benar-benar akurat; perkiraan akan selalu menyimpang dari
permintaan yang sebenarnya. Perbedaan antara perkiraan dan yang sebenarnya adalah
kesalahan perkiraan. Meskipun kesalahan perkiraan adalah tidak dapat dihindari, tujuan
peramalan adalah bahwa kesalahan perkiraan menjadi sedikit mungkin. Tingkat kesalahan
yang besar dapat mengindikasikan bahwa teknik peramalan salah atau tekniknya perlu
disesuaikan dengan mengubah parameternya (misalnya, 𝛼 dalam perkiraan smoothing
eksponensial).
Ada beberapa ukuran kesalahan ramalan. Kami akan membahas beberapa yang lebih populer:
mean absolute deviation (MAD), mean absolute percent deviation (MAPD), kesalahan
kumulatif, dan rata-rata kesalahan atau bias.
1) MEAN ABSOLUTE DEVIATION
Mean absolute deviation (MAD) adalah salah satu ukuran kesalahan ramalan yang
paling populer dan paling mudah digunakan. MAD adalah rata-rata perbedaan antara
perkiraan dan permintaan aktual, sebagaimana dihitung dengan rumus berikut:
, dimana:
Contoh 12.7 Mengukur Akurasi Peramalan dengan MAD
Dalam Contoh 12.3, 12.4, dan 12.5, prakiraan dikembangkan menggunakan
pemulusan eksponensial, (𝛼 =0,30 dan 𝛼 =0,50), pemulusan eksponensial yang
disesuaikan (𝛽 =0,50, 𝛽 =0,30), dan garis tren linier, masing-masing, untuk data
permintaan untuk Layanan Komputer HiTek. Perusahaan ingin membandingkan
keakuratan berbagai prakiraan ini menggunakan MAD.
Kami akan menghitung MAD untuk keempat perkiraan; namun, kami akan
menyajikan detail komputasi untuk perkiraan smoothing eksponensial hanya
dengan 𝛼 =0,30. Tabel berikut menunjukkan nilai-nilai yang diperlukan untuk
menghitung MAD untuk prakiraan penghalusan eksponensial:
Perhitungan MAD akan didasarkan pada 11 periode, periode 2 hingga 12, tidak
termasuk permintaan awal dan nilai perkiraan untuk periode 1 karena keduanya
sama dengan 37.
Menggunakan data dalam tabel, MAD dapat dihitung:
Semakin kecil nilai MAD, semakin akurat ramalannya, meskipun jika hanya
digunakan sendiri, MAD sulit untuk dinilai. Dalam contoh ini, nilai data relatif kecil,
dan nilai MAD 4,85 harus dinilai sesuai. Secara keseluruhan, itu tampaknya menjadi
nilai "rendah"; artinya, ramalan tersebut tampaknya relatif akurat. Namun, jika
besarnya nilai data dalam ribuan atau jutaan, maka nilai MAD dengan besaran yang
sama mungkin tidak buruk juga. Intinya adalah, tidak dapat membandingkan nilai
MAD dari 4,85 dengan nilai MAD dari 485 dan mengatakan yang pertama baik dan
yang kedua buruk; mereka bergantung sampai batas tertentu pada besarnya relatif
data.
Salah satu manfaat MAD adalah membandingkan keakuratan beberapa teknik
peramalan yang berbeda. Nilai MAD untuk perkiraan yang tersisa adalah sebagai
berikut:
Karena garis tren linier memiliki nilai MAD terendah 2,29, itu tampaknya
menjadi yang paling akurat, meskipun tampaknya tidak secara signifikan lebih baik
daripada exponential smoothing forecast yang disesuaikan. Lebih lanjut, kita dapat
menyimpulkan dari nilai-nilai MAD ini yang meningkatkan 𝛼 dari 0,30 menjadi 0,50
meningkatkan akurasi exponential smoothing forecast. Perkiraan yang disesuaikan
bahkan lebih akurat.
Rata-rata persen penyimpangan absolut (MAPD) mengukur kesalahan absolut
sebagai persentase dari permintaan daripada per periode. Akibatnya, ini
menghilangkan masalah menafsirkan ukuran akurasi relatif terhadap besarnya nilai
permintaan dan perkiraan, seperti yang dilakukan MAD. Deviasi persen absolut rata-
rata dihitung berdasarkan rumus berikut:
Menggunakan data dari tabel dalam Contoh 12.7 untuk perkiraan perataan
eksponensial (𝛼 = 0.30) untuk HiTek Computer Services,
Deviasi persen yang lebih rendah menyiratkan perkiraan yang lebih akurat. Nilai
MAPD untuk tiga perkiraan yang lain adalah
2) CUMULATIVE ERROR
Kesalahan kumulatif dihitung hanya dengan menjumlahkan kesalahan perkiraan,
seperti yang ditunjukkan dalam rumus berikut.
Nilai positif yang besar menunjukkan bahwa perkiraan mungkin secara konsisten
lebih rendah dari permintaan aktual, atau bias rendah. Nilai negatif yang besar
menyiratkan bahwa perkiraan secara konsisten lebih tinggi daripada permintaan
aktual, atau bias tinggi. Juga, ketika kesalahan untuk setiap periode diteliti, sejumlah
besar nilai positif menunjukkan perkiraan secara konsisten lebih kecil dari nilai aktual
dan sebaliknya.
Kesalahan kumulatif untuk perkiraan perataan eksponensial (𝛼 =0,30) untuk HiTek
Computer Services dapat dibaca langsung dari tabel dalam Contoh 12.7; itu hanya
jumlah nilai dalam kolom "Kesalahan":
Kesalahan positif besar ini untuk kesalahan kumulatif, ditambah fakta bahwa
kesalahan individu untuk semua kecuali dua periode dalam tabel adalah positif,
menunjukkan bahwa perkiraan ini secara konsisten di bawah permintaan aktual.
Pandangan sekilas kembali pada plot perkiraan pemulusan eksponensial (𝛼 =0,30)
dalam Contoh 12.3 secara visual memverifikasi hasil ini.
Perkiraan kesalahan kumulatif untuk lainnya adalah
Kami tidak menunjukkan kesalahan kumulatif untuk garis tren linier. E akan
selalu mendekati nol untuk garis tren linier.
Ukuran yang terkait erat dengan kesalahan kumulatif adalah kesalahan rata-rata,
atau bias. Itu dihitung dengan rata-rata kesalahan kumulatif selama jumlah periode
waktu:
Tabel 12.1 merangkum ukuran akurasi ramalan yang telah kita bahas di bagian ini
untuk empat contoh ramalan yang kami kembangkan dalam Contoh 12.3, 12.4, dan
12.5 untuk Layanan Komputer HiTek. Hasilnya konsisten untuk keempat prakiraan,
menunjukkan bahwa untuk data contoh Layanan Komputer HiTek, nilai 𝛼 yang lebih
besar lebih disukai untuk prakiraan penghalusan eksponensial. Prakiraan yang
disesuaikan lebih akurat daripada prakiraan penghalusan eksponensial, dan tren linier
lebih akurat daripada yang lainnya. Meskipun hasil ini adalah untuk contoh spesifik,
mereka menunjukkan bagaimana pengukuran perkiraan yang berbeda untuk akurasi
dapat digunakan untuk menyesuaikan metode perkiraan atau memilih metode terbaik.
PENGAWASAN PERAMALAN
Ada beberapa cara untuk memonitor kesalahan ramalan dan memastikan bahwa ramalan
itu bekerja dengan benar — yaitu, Pengontrolan Ramalan. Perkiraan dapat terjadi “di luar
kendali” dan tidak akurat karena beberapa alasan, termasuk perubahan tren, penampilan siklus
yang tidak terduga, atau variasi tidak teratur seperti cuaca yang tidak sesuai musim, kampanye
promosi, kompetisi baru, atau acara politik yang mengalihkan perhatian konsumen.
Sinyal pelacakan menunjukkan apakah ramalan secara konsisten bias tinggi atau rendah.
Itu dihitung dengan membagi kesalahan kumulatif oleh MAD, sesuai dengan rumus
Ini memungkinkan kita untuk menetapkan batas kontrol statistik untuk sinyal pelacakan
yang sesuai dengan distribusi normal yang lebih mudah. Misalnya, batas kontrol statistik dari ±3
standar deviasi, yang sesuai dengan 99,7% dari kesalahan, akan ditransformasikan menjadi ±3,75
MADs; yang berarti 3σ ÷ 0,8 = 3,75 MADs. Batas control yang paling sering digunakan adalah
dari ±2 hingga ±5 MADs.
CONTOH 12.8.
Dalam Contoh 12.7, deviasi absolut rata-rata dihitung untuk peramalan exponential smoothing (σ
= 0.30) untuk Layanan Komputer HiTek. Gunakan sinyal pelacakan dalam memantau akurasi
peramalan dengan menggunakan batas kontrol ±3 MADs.
Penyelesaian:
Untuk menggunakan sinyal pelacakan, kita harus menghitung ulang MAD setiap periode saat
kesalahan kumulatif dihitung.
Dengan menggunakan MAD 3.00, maka sinyal pelacakan untuk periode 2 adalah:
Jika tidak menggunakan akar maka persamaan diatas disebut mean squared error (MSE),
dan terkadang digunakan sebagai ukuran kesalahan perkiraan. Bereaksi terhadap kesalahan
perkiraan seperti halnya MAD (Untuk Contoh 12.8, MSE=37.57.)
CONTOH 12.9
Dengan menggunakan contoh yang sama untuk peramalan exponential smoothing (α=0,30)
untuk HiTek Computer Services, seperti dalam Contoh 12.8, kita dapat menghitung standar
deviasi sebagai berikut:
Dengan menggunakan nilai σ kita dapat menghitung batas kontrol statistik untuk
kesalahan ramalan dalam perkiaan perataan eksponensial atau smoothing forecast (0,30)
contohnya pada Layanan Komputer HiTek. Plus atau minus 3σ batas kontrol, yang
mencerminkan 99,7% dari kesalahan perkiraan, memberikan ±3 (6,13), atau ±18,39. Meskipun
dapat diamati dari table pada Contoh 12.8 bahwa semua nilai kesalahan berada dalam batas
kontrol, kita masih dapat mendeteksi bahwa sebagian besar kesalahan adalah positif,
menunjukkan bias yang rendah dalam perkiraan perkiraan. Ini diilustrasikan dalam grafik berikut
dari bagan kontrol dengan kesalahan yang diplotkan padanya..