Nama : Jose de Araujo Mendonca

Klas : PPIC D
Dosen : Dr. Niniet Indah
Arvitrida

METODE SMOOTHING EKSPONENSIAL

Metode smoothing eksponensial sederhana sesuai ketika permintaan tidak memiliki tren yang
dapat diamati atau musiman.
𝑆𝑦𝑠𝑡𝑒𝑚𝑎𝑡𝑖𝑐 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡 𝑜𝑓 𝑑𝑒𝑚𝑎𝑛𝑑 = 𝐿𝑒𝑣𝑒𝑙
TREND-CORRECTED EXPONENTIAL SMOOTHING (HOLT'S MODEL)
Sesuai ketika permintaan diasumsikan memiliki level dan tren dalam komponen sistematis,
tetapi tidak ada musiman.
𝑆𝑦𝑠𝑡𝑒𝑚𝑎𝑡𝑖𝑐 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡 𝑜𝑓 𝑑𝑒𝑚𝑎𝑛𝑑 = 𝐿𝑒𝑣𝑒𝑙 + 𝑇𝑟𝑒𝑛𝑑
Memperoleh estimasi awal level dan tren dengan menjalankan regresi linier antara permintaan,
Dt, dan waktu, periode t, sebagai berikut:
𝐷𝑡 = 𝑎𝑡 + 𝑏
TREND-AND SEASONALITY-CORRECTED EXPONENTIAL SMOOTHING
(WINTER'S MODEL)
Metode ini tepat ketika komponen permintaan sistematis memiliki tingkat, tren, dan faktor
musiman. Dalam hal ini kita memiliki:
𝑆𝑦𝑠𝑡𝑒𝑚𝑎𝑡𝑖𝑐 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡 𝑜𝑓 𝑑𝑒𝑚𝑎𝑛𝑑 = (𝐿𝑒𝑣𝑒𝑙 + 𝑇𝑟𝑒𝑛𝑑) 𝑥 𝑆𝑒𝑎𝑠𝑜𝑛𝑎𝑙 𝐹𝑎𝑐𝑡𝑜𝑟
MEASURES OF FORECAST ERROR
Setiap instance permintaan memiliki komponen acak. Metode peramalan yang baik harus
menangkap komponen permintaan sistematis tetapi bukan komponen acak. Komponen acak
memanifestasikan dirinya dalam bentuk kesalahan perkiraan. Kesalahan ramalan mengandung
informasi berharga dan harus dianalisis dengan cermat karena dua alasan:
1. Manajer menggunakan analisis kesalahan untuk menentukan apakah metode peramalan saat
ini memprediksi komponen permintaan yang sistematis secara akurat. Misalnya, jika metode
peramalan secara konsisten menghasilkan kesalahan positif, metode peramalan melebih-
lebihkan komponen sistematis dan harus diperbaiki.
2. Semua rencana darurat harus memperhitungkan kesalahan perkiraan. Pertimbangkan
perusahaan mail-order dengan dua pemasok. Yang pertama adalah di timur jauh dan memiliki
waktu tunggu dua bulan. Yang kedua adalah lokal dan dapat mengisi pesanan dengan
pemberitahuan satu minggu. Pemasok lokal lebih mahal daripada pemasok timur jauh.
Perusahaan mail-order ingin mengontrak sejumlah kapasitas darurat dengan pemasok lokal
untuk digunakan jika permintaan melebihi kuantitas yang disediakan pemasok timur jauh.
Keputusan mengenai jumlah kapasitas lokal untuk kontrak terkait erat dengan ukuran
kesalahan perkiraan dengan waktu tunggu dua bulan.
Kesalahan perkiraan untuk periode t diberikan oleh Et, di mana hal berikut berlaku:
 𝐸𝑡 = 𝐹𝑡 − 𝐷𝑡
Artinya, kesalahan dalam periode t adalah perbedaan antara perkiraan untuk periode t dan
permintaan aktual dalam periode t. Adalah penting bahwa seorang manajer memperkirakan
kesalahan perkiraan yang dibuat setidaknya sejauh di muka sebagai waktu yang diperlukan
bagi manajer untuk mengambil tindakan apa pun yang diperkirakan akan digunakan oleh
perkiraan tersebut.
Salah satu ukuran kesalahan ramalan adalah Mean Squared Error (MSE), di mana yang berikut
ini berlaku:
𝑛
1
𝑀𝑆𝐸𝑛 = ∑ 𝐸𝑡2
𝑛
𝑡=1

Definisikan deviasi absolut pada periode t, Pada, untuk menjadi nilai absolut dari kesalahan
pada periode t, yaitu:
𝐴𝑡 = | 𝐸𝑡 |
Definisikan Mean Absolute Deviation (MAD) sebagai rata-rata deviasi absolut pada semua
periode, sebagaimana dinyatakan oleh:
𝑛
1
𝑀𝐴𝐷𝑛 = ∑ 𝐴𝑡
𝑛
𝑡=1

MAD dapat digunakan untuk memperkirakan standar deviasi komponen acak dengan asumsi
bahwa komponen acak terdistribusi secara normal. Dalam hal ini simpangan baku dari
komponen acak adalah:
𝜎 = 1,25 𝑀𝐴𝐷
Ketika perkiraan bahwa rata-rata komponen acak adalah 0, dan standar deviasi komponen
permintaan acak adalah a. MAD adalah ukuran kesalahan yang lebih baik daripada MSE jika
kesalahan ramalan tidak memiliki distribusi yang sistematis. Bahkan ketika distribusi
kesalahan adalah simetris, MAD adalah pilihan yang tepat ketika memilih metode perkiraan
jika biaya kesalahan perkiraan sebanding dengan ukuran kesalahan.
Mean Absolute Percentage Error (MAPE) adalah kesalahan absolut rata-rata sebagai
persentase permintaan dan diberikan oleh:
𝐸
∑𝑛𝑡=1 | 𝑡 | 100
𝐷𝑡
𝑀𝐴𝑃𝐸𝑛 =
𝑛
MAPE adalah ukuran kesalahan ramalan yang baik ketika ramalan yang mendasarinya
memiliki musim yang signifikan dan permintaan bervariasi dari satu periode ke periode
berikutnya.
Salah satu pendekatan adalah dengan menggunakan jumlah kesalahan perkiraan untuk
mengevaluasi bias, di mana yang berikut ini berlaku:
𝑛

𝑏𝑖𝑎𝑠𝑛 = ∑ 𝐸𝑡
𝑡=1
Bias akan berfluktuasi di sekitar 0 jika kesalahannya benar-benar acak dan tidak bias satu arah
atau yang lain. Idealnya, jika kita memplot semua kesalahan, kemiringan garis lurus terbaik
yang melewati harus 0.
Trracking Signal (TS) adalah rasio dari bias dan MAD dan diberikan sebagai
𝑏𝑖𝑎𝑠𝑡
𝑇𝑆𝑡 =
𝑀𝐴𝐷𝑡
Jika TS pada periode apa pun berada di luar kisaran + 6 dan -6, ini merupakan sinyal bahwa
perkiraan tersebut bias dan bisa di bawah prakiraan (TS < -6) atau di atas prakiraan lebih (TS>
+6). Ini mungkin terjadi karena metode peramalan cacat atau pola permintaan yang
mendasarinya telah berubah. Salah satu contoh di mana TS negatif besar akan terjadi terjadi
ketika permintaan memiliki tren pertumbuhan dan manajer menggunakan metode perkiraan
seperti moving average, Karena tren tidak termasuk, rata-rata permintaan historis selalu lebih
rendah dari permintaan di masa depan. TS negatif mendeteksi bahwa metode peramalan secara
konsisten meremehkan permintaan dan memperingatkan manajer.