Permintaan Peramalan untuk Layanan

Halaman 403
Hyper-Active Technologies menawarkan restoran cepat saji cara untuk
memberi para pekerja dapur petunjuk tentang apa yang akan terjadi dengan
menggunakan kamera atap untuk memantau lalu lintas yang memasuki tempat
parkir dan berkendara. menggunakan data historis, prediksi dibuat berdasarkan
jenis vihecle untuk menentukan preferensi pesanan. Dapur dapat menggunakan
informasi ini untuk menyiapkan makanan sebelum pesanan yang sebenarnya.
Misalnya, misalkan selama promosi Big Mac McDonald, lima mobil
menumpuk di drive-thru selama periode enam menit. kita tahu, berdasarkan data
historis, ada kemungkinan 100 persen bahwa seseorang akan memesan Big Mac
dalam tiga menit ke depan.
Dalam bisnis makanan cepat saji, tidak cukup hanya dengan mengetahui
bahwa Anda menjual 120 burger selama jam makan siang pada hari kerja. manajer
harus tahu selama 20 menit di mana dapur perlu menyiapkan makanan untuk
mengantisipasi permintaan. jika mereka meremehkan, garis-garis mulai terbentuk
dan melayani morf menjadi makanan lambat; terlalu tinggi memperkirakan
keuntungan yang hilang dari wastedfood. hasil awal dari perangkat lunak
pengenalan ini telah menunjukkan bahwa limbah harus dipotong setengahnya dan
waktu menunggu di drive-thru berkurang 25 hingga 40 detik, sebuah daya tarik
dalam industri makanan cepat saji!
Bab ini dimulai dengan tinjauan umum tentang metode peramalan dan
kriteria untuk memilih metode isa. kami memulai diskusi kami dengan model
subjektif yang digunakan pada tahap perencanaan awal untuk proyek atau
kampanye pemasaran ketika cakrawala jangka panjang sedang dipertimbangkan.
teknik delphi diilustrasikan dengan penerapan perencanaan kebijakan pemerintah
untuk tenaga nuklir. model kasual menggunakan analisis regresi untuk
membentuk hubungan linear antara variabel independen dan variabel dependen
bunga. pemilihan lokasi untuk tempat penitipan anak digunakan untuk
menggambarkan pemodelan sebab-akibat ketika memperkirakan permintaan
geografis.
Halaman 404
Diskusi model deret waktu dimulai dengan rata-rata bergerak periode yang
umum. Model deret waktu yang lebih canggih, yang disebut smoothing
eksponensial diperkenalkan dengan kemampuan mengakomodasi tren dan data
musiman.

Pilihan Metode Peramalan

 Teknik peramalan memungkinkan kami untuk menerjemahkan banyak
informasi yang tersedia dari basis data menjadi strategi yang dapat memberikan
layanan keunggulan kompetitif. teknik-teknik khusus yang akan kami
deskripsikan diklasifikasikan menjadi tiga model dasar; seri subjektif, kasual, dan
waktu. kami mencatat, bagaimanapun, bahwa sementara beberapa layanan
mungkin hanya menggunakan satu atau yang lain dari model ini, yang lain akan
menggunakan dua atau lebih tergantung pada aplikasi. misalnya, restoran cepat
saji mungkin tertarik menggunakan model deret waktu untuk memperkirakan
permintaan harian untuk item menu. permintaan untuk layanan hopital,
bagaimanapun, memiliki karakteristik temporal dan spasial, yang akan
membutuhkan penggunaan seri waktu dan model sebab akibat. kadang-kadang,
perusahaan jasa dapat menggunakan model subjektif untuk menilai dampak
perubahan demografi di masa depan, seperti penuaan populasi umum. secara
keseluruhan, saat kami beralih dari model subyektif ke kasual ke seri waktu,
ramalan waktu ramalan menjadi lebih pendek. model, karakteristiknya, dan
kemungkinan aplikasinya.

Model Subjektif
Sebagian besar teknik peramalan, seperti deret waktu dan model sebab-
akibat, didasarkan pada data yang polanya relatif stabil dari waktu ke waktu,
sehingga kami dapat berharap untuk membuat ramalan berguna yang masuk akal.
Namun, dalam beberapa kasus, kami mungkin memiliki beberapa data untuk
bekerja, atau kami mungkin memiliki data yang menunjukkan pola dan hubungan
hanya dalam jangka pendek dan, oleh karena itu, tidak berguna untuk perkiraan
jangka panjang.
Ketika kita kekurangan data yang memadai atau memadai, kita harus
menggunakan metode perkiraan yang sifatnya subyektif atau kualitatif. ini
termasuk metode Delphi, analisis dampak silang, dan analogi sejarah.
Halaman 405

Metode Delphi
Dikembangkan di rand corporation oleh olaf helmer, metode delphi
didasarkan pada pendapat ahli. dalam bentuknya yang paling sederhana, orang-
orang dengan keahlian dalam suatu pertanyaan diberikan pertanyaan, dan orang-
orang ini tidak diizinkan untuk berinteraksi satu sama lain. biasanya, para peserta
diminta untuk membuat perkiraan angka. misalnya, mereka mungkin diminta
untuk memprediksi rata-rata Dow Jones tertinggi untuk tahun mendatang.
Administrator tes mentabulasikan hasilnya menjadi kuartil dan menyuplai
temuan ini kepada para ahli, yang kemudian diminta untuk mempertimbangkan
kembali jawaban mereka mengingat informasi baru. Selain itu, mereka yang
pendapatnya berada di dua kuartil luar diminta untuk membenarkan pendapat
mereka. semua informasi dari putaran pertanyaan ini ditabulasi dan sekali lagi
dikembalikan kepada peserta. pada kesempatan ini, setiap peserta yang tetap
berada di luar dua kuartil tengah mungkin diminta untuk memberikan argumen
tentang mengapa ia percaya mereka yang berada di pihak yang berlawanan tidak
benar.
Proses ini mungkin berlanjut melalui beberapa iterasi lagi, dengan maksud
akhirnya para ahli sampai pada konsensus yang dapat digunakan untuk
perencanaan masa depan. metode ini sangat padat karya dan membutuhkan
masukan dari orang-orang dengan pengetahuan ahli. jelas, Delphi adalah metode
yang sangat mahal dan memakan waktu dan praktis hanya untuk perkiraan jangka
panjang.
Contoh metode delphi dapat dilihat dalam studi industri tenaga nuklir.
sembilan puluh delapan orang setuju untuk berpartisipasi dalam penelitian ini.
orang-orang ini menduduki posisi kunci tingkat atas dengan firma-firma teknik
arsitek, pabrik reaktor, dan perusahaan-perusahaan utilitas di sektor industri yang
berkaitan dengan tenaga nuklir serta dengan badan-badan requlatory negara,
komisi energi negara, staf kongres, dan badan pengatur nuklir di sektor publik.

Analisis Lintas Dampak

Analisis lintas dampak mengasumsikan bahwa beberapa peristiwa di masa
depan terkait dengan terjadinya peristiwa sebelumnya Seperti dalam metode
Deiphi, panel para ahli mempelajari serangkaian korelasi antara peristiwa yang
disajikan dalam sebuah matriks. Korelasi-korelasi ini membentuk dasar untuk
memperkirakan kemungkinan peristiwa di masa depan yang terjadi. Sebagai
contoh, pertimbangkan forcast yang dilakukan pada tahun 2003 dan
mengasumsikan $ 3 per-gallor harga gas-line pada tahun 2010 (peristiwa A) dan
penggandaan penumpang yang sama pada angkutan massal pada tahun 2020
(acara B). Dengan konsensus awal, dapat ditentukan bahwa diberikan A,
probabilitas kondisional B adalah 7, dan bahwa diberikan B, probabilitas bersyarat
A adalah 6. Probabilitas ini ditunjukkan dalam matriks di bawah ini.
Asumsikan bahwa probabilitas tak bersyarat forcensted untuk
penggandaan kapal angkutan umum massal pada tahun 2020 adalah 1,0 dan
probabilitas probabilitas tak bersyarat t3 per galon untuk bensin pada tahun 2010
adalah.3. Nilai-nilai baru ini secara statistik tidak konsisten dengan nilai-nilai
dalam matriks. Ketidakkonsistenan akan ditunjukkan kepada para ahli di panel,
kemudian akan merevisi perkiraan mereka dalam serangkaian iterasi. Seperti
halnya metode Delphi, matriks pengalaman yang dapat digunakan untuk
menghasilkan prakiraan dan administrator diperlukan untuk mencapai probabilitas
bersyarat yang memuaskan.
Historis Analogi
Historis mengasumsikan bahwa pola pengenalan dan pertumbuhan
layanan baru akan meniru pola yang sama. konsep yang datanya tersedia. Analogi
historis sering digunakan untuk memperkirakan penetrasi pasar atau siklus hidup
layanan baru. Konsep siklus hidup produk seperti yang digunakan dalam tahap
invalves pemasaran, seperti pengenalan, pertumbuhan, kematangan, dan
penurunan Penggunaan analogi historis yang terkenal adalah prediksi penetrasi
pasar oleh televisi berwarna berdasarkan pengalaman dengan hitam-putih. televisi
hanya beberapa tahun sebelumnya. Tentu saja, analogi yang tepat tidak selalu
begitu jelas. Sebagai contoh, pertumbuhan permintaan untuk layanan perawatan
rumah tangga dapat mengikuti kurva pertumbuhan untuk layanan perawatan anak.
Karena pola data sebelumnya dapat memiliki banyak interpretasi dan laporan
dapat dipertanyakan, kredibilitas setiap ramalan menggunakan metode ini sering
dicurigai. penerimaan perkiraan analogi historis tergantung pada pembuatan
analog yang meyakinkan Perkiraan jangka pendek dapat dibuat dengan mudah
ketika kita diprioritaskan dengan informasi statistik yang tidak rumit, beberapa di
antaranya mungkin relevan untuk membuat prakiraan yang menguntungkan r,
organisasi layanan kompetitif harus berurusan dengan kekayaan dan beberapa di
antaranya torecast harus dilakukan untuk vear berikutnya - atau untuk dekade
berikutnya bukan hanya untuk hari, minggu, atau bulan berikutnya. ramalan
jangka panjang memiliki potensi untuk mengeja kesuksesan atau kehancuran bagi
organisasi. Oleh karena itu, kami memerlukan cara untuk memisahkan informasi
kritis kami dan mengolahnya untuk membantu kami membuat perkiraan yang
tepat mungkin tidak relevan. Dalam situasi-situasi ini, model kausal juga lebih
memungkinkan untuk mempertimbangkan bahwa ada hubungan yang dapat
diperbaiki di antara informan yang ingin kami ramalkan dan faktor-faktor lainnya.
Model-model ini berkisar dari yang sangat sederhana, di mana ramalan itu
didasarkan pada teknik yang disebut regresi unclyris, hingga yang dikenal sebagai
sistem persamaan ekonomeiri. Asumsi yang serupa dengan model deret waktu
(yang ada) bahwa data mengikuti pola yang dapat diidentifikasi dari waktu ke
waktu dan bahwa Model
Regresi Model
Regresi adalah hubungan antara faktor yang diabaikan sebagai dependen
yang dapat diartikan (atau n, dan faktor-faktor yang menentukan nilai Y yang
ditetapkan sebagai variabel independen atau (X). Jika ada r independen varinblcs,
maka hubungan antara variabel dependen Y dan variabel independen X,
dinyatakan sebagai yang dideskripsikan.
Nilai ao u, a, adalah koefisien yang ditentukan oleh program yang
digunakan. Jika perhitungan dilakukan dengan tangan, nilai ditentukan dengan
menggunakan persamaan regresi yang ditemukan dalam statistik dasar texs.
Kualitas layanan fasilitas. Analisis Incation bertumpu pada penilaian akurat
permintaan geografis untuk layanan (.e, permintaan oleh aren geografis).
Penilaian membutuhkan kedua unit geografis yang mem-partisi layanan asea
(misalnya, sensus traktat atau kode ZIP) dan beberapa metode untuk memprediksi
permintaan dari masing-masing partisi ini (og, pengecer meminta pelanggan untuk
kode ZIP mereka) Untuk menunjukkan proses menilai permintaan geografis,
pertimbangkan tantangan menemukan pusat penitipan anak. Populasi target
cornsists dari keluarga dengan anak-anak di bawah lima tahun dan setidaknya satu
adut dipekerjakan. Saluran sensus dipilih sebagai unit geografis karena AS. Biro
Sensus. Variabel dependen Y adalah persentase keluarga dari saluran sensus yang
membutuhkan penitipan anak. Statistik dan analisis menggunakan perangkat
lunak yang siap tersedia seperti hasil SAS dan model regresi berikut adalah :
Yi : 0,58Xui+ 0,43X2i+ 0,85 X3i
di mana
Y : persentase keluarga dari saluran sensus i yang membutuhkan penitipan siang
hari
Xi- : persentase keluarga di jalur sensus dengan anak-anak di bawah lima tahun
X2 : persentase keluarga di jalur cerisus dengan kepala rumah tangga tunggal
perempuan - persentase keluarga di jalur sensus / dengan perkiraan kedua orang
tua untuk setiap jalur sensus, kemudian dikalikan dengan jumlah keluarga yang
lebih muda dari lima tahun di jalur sensus dan rata-rata jumlah anak yang
berkeluarga.
Hasilnya adalah perkiraan jumlah anak yang membutuhkan penitipan
anak. layanan dari setiap trek sensus (yaitu, permintaan geografis untuk penitipan
anak)
Model Ekonometrik
Model Econometrie adalah versi model regresi yang melibatkan sistem
tions. Persamaan terkait satu sama lain, dan koefisien ditentukan sebagai model
regresi yang lebih sederhana. Model ekonometrik terdiri dari satu set persamaan
simult yang menyatakan variabel dependen dalam hal beberapa kemampuan yang
berbeda. Model ekonometrik membutuhkan pengumpulan data yang luas dan
analisis yang canggih dibuat, oleh karena itu, mereka umumnya digunakan untuk
variasi independen forecasis jangka panjang.
Model serics waktu dapat digunakan untuk membuat prakiraan jangka
pendek ketika pengamatan nilai terjadi dalam pola identifikasi dari waktu ke
waktu. Model-model ini berkisar dari model rata-rata niperiod yang sederhana
hingga model penghalusan model eksponensial eksponensial yang lebih canggih
dan berguna. Model pemulusan eksponensial lebih berguna karena mereka dapat
diadaptasi melacak komponen perkiraan (yaitu, rata-rata, tren, dan musiman).
Rata-rata adalah perkiraan rata-rata yang mendasari variabel acak (mis.
Permintaan pelanggan), tren adalah kenaikan atau penurunan kenaikan di setiap
periode, dan seasoralitas adalah berulang. siklus cincin seperti permintaan harian
di restoran atau permintaan tahunan di resor wisata. Perhatikan bahwa masing-
masing kompenen ini bersifat stokastik dan nilai dasarnya dapat berubah dari
waktu ke waktu (misalnya, tren dan beralih dari positif ke negatif). Dengan
menggunakan eksponensial, setiap komponen dilacak dan hasilnya digabungkan
untuk mendapatkan perkiraan. W memulai studi kami tentang model deret waktu
dengan rata-rata bergerak N-periode sederhana N-Periode Bergerak Rata-Rata,
pengamatan yang dilakukan selama periode waktu tampaknya memiliki pola acak;
akibatnya, kami tidak merasa percaya diri dalam mendasarkan perkiraan pada
mereka. Pertimbangkan data pada Tabel 14.2 untuk hotel dengan 100 kamar di
kota perguruan tinggi. Kami telah memutuskan untuk memperkirakan hanya
hunian hari Sabtu karena permintaan untuk setiap hari dalam seminggu
dipengaruhi oleh kekuatan yang berbeda. Sebagai contoh, pada weekdaya,
permintaan dihasilkan oleh para pelaku bisnis tetapi tamu yang sering berkunjung
adalah orang-orang yang sedang berlibur atau mengunjungi teman. F. Pemilihan
periode perkiraan merupakan pertimbangan penting restoran makanan
memperkirakan permintaan pada jam hari untuk mempersiapkan kedatangan.
weckend (ic, 12 September), mungkin dengan tidak melanjutkannya d harus
dikaitkan dengan sifat permintaan dan kemampuan untuk menggunakan informasi
itu. Sebagai contoh, pemilik hotel telah mencatat peningkatan hunian selama dua
hari Sabtu terakhir dan berharap ractice menawarkan tingkat diskon. Apakah
angka hunian yang lebih tinggi menunjukkan perubahan dalam hunian rata-rata
yang mendasarinya? Untuk menjawab pertanyaan ini, kita perlu cara untuk
mengambil.
409-411

"noise" dari bocasional blip adalah acak daripada ps permanen dan sigauficant di
dalam patem sehingga kita benar-benar bereaksi berlebihan terhadap perubahan
sehingga metode N-period moving-average dapat digunakan dalam contoh
sederhana ini untuk mengeluarkan variasi acak dan menghasilkan. Estimasi yang
dapat diandalkan dari rata-rata yang mendasari Metode ini menghitung MA rata-
rata muving, untuk periode i berdasarkan N dari pengamatan aktual terbaru A,
seperti yang ditunjukkan dalam persamaan (2 dari pemilihan.
Jika kita memilih N sama dengan 3, maka kita tidak dapat memulai
perhitungan sampai (yaitu, 15 Agustus), pada saat itu kami menambahkan periode
hunian 3 hari Sabtu (yaitu, 1 Agustus, 8, dan 15) dan membagi jumlah dengan 3
untuk sampai pada angka tiga petion untuk tiga yang paling rapuh. rata-rata
bergerak ((83 +84 + 79)/3)=82. Kami menggunakan nilai ini untuk meramalkan
hunian untuk hari Sabtu berikutnya (yaitu, 22 Agustus). Perkiraan rata-rata
bergerak telah menghaluskan fluktuasi acak untuk melacak lebih baik perkiraan
periode nex. Masing-masing tiga Perkiraan moving average rata-rata dengan
demikian melibatkan rata-rata hunian, yang kemudian digunakan untuk
menambahkan tiga nilai hunian terbaru dan membaginya dengan 3, Sebagai
contoh tiba pada rata-rata bergerak untuk 22 Agustus, kami menjatuhkan nilai
untuk Agustus I, menambahkan nilai untuk 22 Agustus, dan menghitung ulang
rata-rata, mendapatkan 83. Melanjutkan proses ini untuk data yang tersisa, kita
melihat bagaimana dia bergerak rata-rata hunian kira-kira persen untuk hari Sabtu
di Agustus telah meningkat baru-baru ini, yang mencerminkan hunian kapasitas
dekat dari dua akhir pekan terakhir. Jika tim sepak bola perguruan tinggi
setempat, setelah memainkan dua pertandingan kandang secara berurutan,
dijadwalkan untuk pertandingan tandang pada 12 September, seberapa yakin
Anda dalam meramalkan Sabtu depan di 93 persen?
Meskipun rata-rata bergerak periode-N kami telah mengidentifikasi
perubahan dalam hunian usia rata-rata yang mendasari, metode ini lambat
bereaksi karena data lama diberikan wergint yang sama (mis., I / N) sebagai data
baru dalam menghitung rata-rata. Data yang lebih baru mungkin merupakan
indikator perubahan yang lebih baik, oleh karena itu, kami mungkin ingin
menetapkan bobot yang lebih besar untuk pengamatan terbaru. Daripada secara
tak langsung menetapkan bobot pada data rata-rata bergerak kami untuk
memperbaiki kedatangan, kami malah akan menggunakan metode peramalan yang
lebih canggih yang secara sistematis umur data. Topik kita berikutnya,
pemulusan eksponensial, juga dapat musiman dalam data.
Penghalusan Eksponensial Sederhana
Dapat mengakomodasi tren dan Penghalusan Eksponensial Sederhana.
Peramalan sederhana diberi bobot yang semakin sedikit, dan (3) perhitungannya
sederhana dan membutuhkan data terbaru. Smoothing eksponensial sederhana
didasarkan pada konsep umpan balik kesalahan forecet untuk memperbaiki nilai
smoothed sebelumnya. Dalam persamaan (3) di bawah, S, adalah nilai yang
dihaluskan untuk periode t, A, adalah nilai aktual yang diamati untuk periode I,
dan a adalah stant yang biasanya diberi nilai antara 0,1 dan 0,5. Istilah (4, S)
mewakili kesalahan yang paling baru karena itu adalah perbedaan antara
pengamatan aktual dan nilai smoothed yang dihitung pada periode sebelumnya.
Sebagian kecil dari kesalahan ramalan ini ditambahkan ke nilai smoothed
sebelumnya untuk mendapatkan nilai smoothed baru S, Perhatikan bagaimana
metode ini mengoreksi salf ketika Anda menganggap bahwa analisis avernge
bergerak kami dari data oscupancy pada Tabel 14.2 menunjukkan ed aktual pada
Tabel 143, dengan nilai aktual untuk setiap periode (4) showo dalam erosi
perkiraan dapat berupa kenaikan positif atau negatif dalam hunian rata-rata selama
t kolom ketiga Menggunakan mantan sederhana ia dua hari Sabtu terbaru.
Okupansi hunian yang sama ini, kami akan menunjukkan lagi bahwa sedikit.
perubahan yang signifikan dalam okupansi rata-rata telah terjadi.
Karena kita harus mulai dari suatu tempat, biarkan yang pertama diamati,
atau yang sebenarnya, nilai A, dalam serangkaian data sama dengan nilai
smoothed pertama St. . nilai smoothed untuk Agustus 8 (S2) kemudian dapat
diturunkan dari nilai aktual untuk Agustus 8 (A2) dan nilai smoothed sebelumnya
untuk Agustus 1 (Si) menurut persamaan (3). kami telah memilih A sama dengan
0,5 karena, seperti yang akan ditampilkan nanti, ini menghasilkan perkiraan yang
mirip dengan yang diperoleh menggunakan rata-rata pergerakan tiga periode.
Perhitungan yang sama kemudian dibuat untuk menentukan nilai yang
disertakan (S3,S4,S3,Sg) untuk tetap berarti. Oleh karena itu, nilai yang
ditetapkan dalam waktu yang ditentukan dalam periode t digunakan sebagai es
krim untuk periode (t+i) dibulatkan oleh bilangan bulat.
Perkiraan terbaik kami untuk tanggal 15 agustus adalah 81,50, nilai
terhalus yang terbaru pada akhir tanggal 8 agustus. Note that the prakiraan (84 —
79) adalah nilai yang positif dari 5 sebelumnya untuk meningkatkan nilai estimasi
rata-rata orang. Konsep kesalahan umpan balik ini untuk mengoreksi perkiraan
sebelumnya adalah gagasan yang dipinjam dari teori kontrol. "Nilai halus yang
diperlihatkan di meja 4.3 diperhitungkan dengan nilai 0.5. Seperti dapat assizn
nilai yang lebih kecil untuk angka 4. Saya memperlihatkan dengan sangat jelas
bagaimana nilai a dari 0. L dan kurva, terutama dengan nilai 0.3, telah mengurangi
tingkat ekstrem (yakni. THC dips dan peak) dan menanggapi peningkatan
penghuninya pada dua hari sabtu terakhir. Oleh karena itu, dengan mendasarkan
toregips pada data yang halus, kita dibantu untuk tidak berlebihan dalam nilai-
nilai yang benar-benar diamati.
Dasar untuk nama "smooential smoothing" dapat diamati pada bobot yang
diberikan data masa lalu dalam persamaan (5). Kita melihat bahwa A, diberi berat
A dalam menentukan S, dan kita dengan mudah dapat menunjukkan dengan
substitusi bahwa A-l diberi berat A (-). Secara umum, nilai sebenarnya A-,
diberikan berat A (l - A) ", sebagai gambar 14,2 menunjukkan dengan bergulat
kerusakan [en] aneka [dari] pemberat diberikan serangkaian observasi dari waktu
ke waktu.
Mereka tidak pernah bisa menghilang dari perhitungan S, sebagaimana
yang mereka lakukan pada waktu rata-rata waktu yang digunakan untuk
menghitung waktu, tetapi mereka menganggap hal itu secara progresif
mengurangi pentingnya.
Perkiraan Gagal
Meskipun hal ini jelas terlihat pada tahun 1412 bahwa lengkungan yang
terjadi di lengkungan itu telah mengentalkan puncak-puncak dan lembah-lembah
iata yang sebenarnya, dengan beberapa lag, bagaimana kita mengukur aki-bunyi
dari prakiraan?
Pertama, kita harus mengharapkan perkiraan yang tidak bias terhadap
pelacakan yang sebenarnya berarti untuk dhiu. Jadi, jumlah kesalahan prakiraan
hendaknya cenderung ke angka nol, mempertimbangkan perbedaan postive
maupun negatif. Jika itu terjadi, maka kita harus mencari penyebab yang jelas dari
tren atau seson dan bertanggung jawab untuk itu. Kita menggunakan persamaan
(b) dan hasil yang ditunjukkan di meja 14.3 untuk menghitung kesalahan
perkiraan kumulatif (CFE) sampai sm 31.
Hal yang paling umum dari perkiraan masa depan adalah penyimpangan
yang berarti penyimpangan total (gila) yang dikalkulasi menggunakan persamaan
(7), di meja 143, yang berarti penyimpangan absolut adalah 6.6. Kami akan terus
menggunakan gila, whnich GVCS berat setara dengan setiap etror, sebagai
langkah kami dari kesalahan ramalan sepanjang sisa bab.
Jika kesalahan besar adalah partisi yang sangat serius, menghambat
kesalahan akan memberikan lebih banyak beban. The mean kuadrat (MSE) untuk
hasil di tabel 143 dihitung menggunakan persamaan (8) dan hasil dalam nilai 76,6,
yang memuat kesalahan besar dalam periode 5 dan 6.
Hubungan Antara α dan N
Memilih nilai untuk α adalah masalah penilaian, sering didasarkan pada
pola data histori, dengan nilai-nilai besar memberikan banyak bobot untuk data
terbaru untuk mengantisipasi biaya. Untuk membantu memilih, suatu hubungan
dapat bergerak-membalas metode dan konstanta menghaluskan eksponensia α.
Jika kita mengasumsikan bahwa kedua metode serupa ketika usia rata-rata
data masa lalu adalah sama, maka hasil hubungan berikut ini
Rata-rata bergerak :
N
Rata-rata usia :
( 0+1+2+… ..+ N−1 )
N
=
( N −1 )( ) = N −1
2
2
N

Penghalusan Eksponensial dengan Penyesuaian Tren.

Penghalusan Eksponensial adalah suatu metode peramalan rata-rata bergerak yang
memberikan bobot secara eksponensial atau bertingkat pada data-data terbarunya
sehingga data-data terbaru tersebut akan mendapatkan bobot yang lebih besar.
Dengan kata lain, semakin baru atau semakin kini datanya, semakin besar pula
bobotnya. Hal ini dikarenakan data yang terbaru dianggap lebih relavan sehingga
diberikan bobot yang lebih besar. Parameter penghalusan (smoothing) biasanya
dilambangkan dengan α (alpha).
Cara Menghitung Exponential Smoothing
Peramalan dengan Exponential Smoothing atau Metode Penghalusan
Eksponensial ini cukup mudah, yaitu dengan memasukan prakiraan permintaan
sekarang dengan data permintaan nyata atau data permintaan aktual ke dalam
rumus Exponential Smoothing. Berikut ini adalah rumus untuk menghitung
exponential smoothing :
Rumus Exponential Smoothing (Penghalusan Eksponensial)
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Dimana :
Ft = Prakiraan Permintaan sekarang
Ft-1 = Prakiraan Permintaan yang lalu
α = Konstanta Eksponensial
Dt-1 = Permintaan Nyata

Contoh Kasus Cara Menghitung Exponential Smoothing

Sebuah perusahaan yang menjual Kalkulator ingin meramalkan permintaan
produknya di pasar. Metode yang digunakan adalah metode Penghalusan
Eksponensial atau Exponential Smoothing. Perusahaan tersebut menggunakan
Konstanta  α = 0,1. Prakiraan Permintaan atau demand untuk bulan Januari adalah
10.000 unit. Namun pada kenyataannya, permintaan aktual pada bulan Januari
tersebut hanya sebanyak 9.000 unit. Berapakah prakiraan untuk bulan Februari?
Diketahui :
α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?
Jawaban :
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Ft = 10.000 + 0,1 (9.000 – 10.000)
Ft = 10.000 + 0,1 (-1.000)
Ft = 10.000 + (-100)
Ft = 9.900
Jadi prakiraan permintaan untuk bulan Februari adalah 9.900 units.

Penghalusan Eksponensial dengan Penyesuaian Musiman

Variasi musiman 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
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
denganmenjumlahkan permintaan bulan tersebut dalam setiap bulan,
dibagidengan jumlah tahun yang tersedia.
2. Hitung rata-rata permintaan untuk semua bulan dengan membagi rata-rata
permintaan tahunan total dengan jumlah musim.
3. Hitunglah indeks musiman untuk setiap musim dengan membagi
permintaan histroris actual bulan itu (dari langkah pertama) dengan rata-
rata 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 (Weeks)
Halaman 315-316
TABEL 17.5 Penghalusan Eksponensial dengan Penyesuaian Musiman:
Penumpang Feri Diambil ke Pulau Resor
 Dalam contoh feri penumpang kami, = 1.971,83 (rata-rata penumpang per
bulan untuk 2009), dan dengan mengganti nilai ini ke dalam persamaan (13), kita
dapat menghitung indeksnya untuk setiap periode di musim pertama dari 12
periode. Indeks yang dihasilkan untuk bulan-bulan 2009, yang ditunjukkan pada
kolom 5 dari Tabel 17.5, kemudian digunakan untuk menasionalisasi data untuk
bulan-bulan yang sesuai pada tahun 2010 menurut persamaan (14), yang
merupakan modifikasi kecil dari persamaan smoothing eksponensial dasar kami
Merasa (5) dengan At disesuaikan untuk memperhitungkan musiman
menggunakan indeks ItL.
S At
t =¿α + ( 1−α ) St −1 ¿
I t− L

Untuk contoh ini, data untuk 12 bulan pada tahun 2009 digunakan untuk
memberikan perkiraan awal dari indeks musiman. Oleh karena itu, kami tidak
dapat mulai menghitung data yang dihaluskan baru hingga periode 13 (mis.,
Januari 2010). Untuk memulai proses, kita asumsikan bahwa S12 sama dengan
A12, seperti yang ditunjukkan pada Tabel 17.5 dengan nilai 1,794.00. Nilai
perataan untuk Januari 2010 sekarang dapat dihitung menggunakan persamaan
(14), dengan ItL 0,837 (yaitu, indeks dari 12 bulan lalu untuk Januari 2009) dan
0,2:

Perkiraan untuk bulan Februari (periode t 1) kemudian dibuat dengan melegalkan

nilai yang dihaluskan untuk bulan Januari menurut rumus berikut:

Perhatikan bahwa faktor musiman It L 1 dalam kasus ini adalah indeks It untuk
Februari 2009. Oleh karena itu, perkiraan kami untuk Februari 2010 adalah

Jika indeks musiman stabil, perkiraan yang hanya didasarkan pada satu siklus, L,
akan dapat diandalkan. Namun, jika indeks tidak stabil, mereka dapat disesuaikan,
atau dihaluskan, saat data baru tersedia. Setelah menghitung nilai smoothed St
untuk nilai aktual Di pada periode t terbaru, kita dapat menunjukkan pengamatan
baru untuk indeks musiman pada periode t as (At / St). Untuk menerapkan konsep
pemulusan eksponensial ke indeks, kami menggunakan konstanta baru, yang
biasanya diberi nilai antara 0,1 dan 0,5. Perkiraan indeks musiman yang
dihaluskan kemudian dihitung dari rumus berikut:

Sekarang, kita dapat melanjutkan perhitungan untuk 2010 di Tabel 17.5 dengan
menggunakan persamaan (16) untuk memperbarui indeks musiman untuk setiap
bulan untuk penggunaan di masa mendatang. Ingat, bagaimanapun, bahwa dalam
praktik aktual, nilai yang dihaluskan, indeks, dan perkiraan untuk setiap periode
(yaitu, bulan) di musim baru periode L ini akan dihitung berdasarkan bulan-ke-
bulan karena nilai aktual terkini tersedia. . Di sini, menurut persamaan (16),
indeks musiman baru yang dihaluskan untuk Januari 2010, I13, menggunakan 0,3
adalah

MAD untuk bulan Februari hingga Desember 2010 adalah 110, yang
menunjukkan kecocokan perkiraan yang sangat baik terhadap data aktual yang
menunjukkan musiman tertentu. Namun, apakah mungkin untuk membuat
perkiraan yang lebih akurat?
Perataan Eksponensial dengan Tren dan Penyesuaian Musiman
Jawaban atas pertanyaan sebelumnya — Apakah mungkin membuat ramalan yang
lebih akurat? —Adalah ya (kadang-kadang). Dalam beberapa kasus, penyesuaian
hanya untuk tren atau musiman akan memberikan perkiraan rata-rata terbaik saat
ini; di sisi lain, ramalan dapat ditingkatkan dengan mempertimbangkan semua
faktor secara bersamaan. Kami dapat menyertakan penyesuaian tren dan musiman
dalam smoothing eksponensial dengan memberi bobot pada nilai smoothing basis
dengan indeks tren dan musiman untuk memperkirakan periode berikutnya.
Persamaan yang sesuai adalah

Nilai dalam Tabel 17.6 yang ditunjukkan dalam huruf tebal adalah hasil dari
rumus Excel. Tabel 17.7 berisi formula untuk Februari 2010 yang ditunjukkan
pada baris 20 dari Tabel 17.6. Rumus ini secara otomatis diulang untuk baris 21
hingga 30 menggunakan perintah salin di Excel. Perhatikan penggunaan $ B $ 1,
$ B $ 2, dan $ B $ 3 untuk membekukan referensi sel ke parameter penghalusan
(alfa, beta, gamma) ketika formula disalin. Fitur ini memungkinkan seseorang
untuk mengubah parameter ini dan menghitung ulang perkiraan untuk
menemukan nilai dan yang meminimalkan MAD. MAD 160 yang dihasilkan
memberi tahu kita bahwa, dalam hal ini, kami belum memperoleh peningkatan
dalam perkiraan kami dengan menambahkan penyesuaian tren pada penyesuaian
musiman yang digunakan pada Tabel 17.5. Gambar 17.4 menunjukkan secara
grafis hasil pengolahan data aktual dengan penyesuaian musiman saja, dan dengan
penyesuaian musiman dan tren.
GAMBAR 17.4 Penghalusan Eksponensial dengan Penyesuaian Musiman

TABEL 17.6 Eksponensial dengan Penyesuaian Musiman dan Tren: Ilustrasi

Penumpang Feri Excel Spreadsheet Dibawa ke Pulau Resort (alpha 0,2, beta
0,2, gamma 0,3)
TABEL 17.7 Februari 2010 Rumus Excel Ditemukan pada Tabel 17.6

Ringkasan Pemulusan Eksponensial

Perataan eksponensial adalah cara yang relatif mudah dan langsung untuk
membuat prakiraan jangka pendek. Ini memiliki banyak atribut, termasuk:
 Semua data masa lalu dipertimbangkan dalam proses perataan.
 Data terbaru diberi bobot lebih dari data yang lebih lama.
 Hanya data terbaru yang diperlukan untuk memperbarui perkiraan.
 Model ini mudah diterapkan pada komputer pribadi menggunakan
perangkat lunak spreadsheet.
 Konstanta smoothing memungkinkan kita untuk mengubah kecepatan di
mana model merespons perubahan dalam pola yang mendasarinya dalam
data.