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.
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.
"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
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:
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