MAKALAH

PERAMALAN LAYANAN JASA

Penulisan makalah ini untuk memenuhi tugas mata kuliah Manajemen Jasa,

yang diampu oleh: Abi Hanif Dzulquarnain, S.KM., M.SM

Disusun Oleh:

1. Muhammad Nafis (200301067)

2. Nur Ismalina Salma (200301078)
3. Silvy Rachmawati (200301079)
4. Salsabila Arinda (200301102)
5. Siti Khofifa Savila (200301116)
6. Iqbal Syamsiar Alam (200301119)

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MUHAMMADIYAH GRESIK
i
 2021 / 2022

KATA PENGANTAR

Puji syukur Alhamdulillah, senantiasa penulis ucapkan kehadirat Allah SWT yang
telah memberi rahmat dan hidayahnya, sehingga penulis dapat menyusun dan menyelesaikan
makalah ini dengan baik.
Dengan selesainya makalah yang memaparkan tentang Peramalan Layanan Jasa ini,
penulis mengucapkan terimakasih kepada semua pihak yang telah membantu dalam
menyelesaikan makalah ini, antara lain:
1. Bapak Dr. Tumirin S.E., M.Si, selaku Dekan Fakultas Ekonomi dan Bisnis.
2. Ibu Maulidyah Amalina Rizqi, S.E., MM, selaku Kaprodi Manajemen.
3. Bapak Abi Hanif Dzulquarnain, S.KM., M.SM selaku Dosen Mata Kuliah Manajemen Jasa
4. Teman-teman, serta semua pihak yang telah membantu, dalam penyelesaian makalah ini.

Semoga atas jerih payah dan sumbangsih pemikirannya diterima oleh Allah SWT,
Amin, dan penulis berharap, semoga makalah ini, bagi pembaca dapat dijadikan sebagai
sumber bacaan yang berguna untuk menambah ilmu pengetahuan berbisnis.

Penulis menyadari, bahwa makalah ini masih banyak kekurangan dan jauh dari
kesempurnaan. Oleh karena itu, penulis mengharapkan kritik dan saran demi perbaikan
penulisan selanjutnya.

Penulis

ii
 DAFTAR ISI

Contents
BAB I......................................................................................................................................................1
1.1 Latar Belakang.......................................................................................................................1
1.2 Rumusan Masalah..................................................................................................................2
1.3 Tujuan Penulisan....................................................................................................................2
BAB II.....................................................................................................................................................3
2.1 Pilihan Metode Peramalan (The Choice of Forecasting Method)..........................................3
2.2 Model Subyektif (Subjective Models)....................................................................................4
a) Metode Delphi...........................................................................................................................4
b) Analisis Dampak Lintas (Cross-Impact Analysis).........................................................................6
c) Analogi Historis (Historical Analogy)..........................................................................................7
2.3 Model Kausal (Causal Models)...............................................................................................8
2.4 Model Deret Waktu (Time Series Models)...........................................................................10
BAB III..................................................................................................................................................28
3.1 Kesimpulan......................................................................................................................28

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Peramalan merupakan suatu kegiatan memprediksi sesuatu yang akan terjadi dimasa yang
akan datang. Peramalan yang dilakukan tentunya didasari oleh pengambilan sejumlah data
yang ada sebelumnya (history data), dimana data tersebut akan dianalisis dan diperhitungkan
untuk mendapatkan pola tertentu sehingga bisa menghasilkan data perkiraan untuk masa yang
akan datang. Singgih Santoso (2009) mengungkapkan bahwa peramalan merupakan alat
bantu yang penting dalam sebuah perusahaan atau organisasi. Karena hasil dari sebuah
peramalan yang baik bisa membantu seseorang atau sekelompo orang dalam mengambil
keputusan selanjutnya, baik itu bersifat strategis dan berpengaruh dalam jangka panjang,
ataupun keputusan bersifat taktis dan berjangka pendek. Selain itu Rus Indiyanto (2008) juga
mengungkapkan bahwa dalam kondisi pasar bebas yang kompleks dan dinamis, peramalan
permintaan sangat diperlukan sebagai salah satu acuan dalam membuat perencanaan produksi
yang baik dan akurat. Oleh karena itu, peramalan yang akurat merupakan informasi yang
sangat dibutuhkan dalam pembuatan perencanan produksi. Sebagai contoh, dalam hal
pengelolaan kapasitas. Ketika sebuah peramalanmenunjukan jumlah permintaan yang
melonjak naik, perusahaan bisa mempersiapkan untuk menambah sebuah kapasitas
produknya agar tidak terjadinya kekurangan kapasitas yang bisa mengakibatkan kehilangan
konsumen dan kehilangan pangsa pasar dan sebaliknya ketika hasil peramalan menunjukan
adanya penurunan jumlah permintaan maka perusahaan bisa mempersiapkan strategi apa
yang harus dilakukan sehingga bisa meminimalisir jumlah penurunan permintaan.

Pelayanan merupakan bentuk pemberian layanan atau servis yangdiberikan kepada

pelanggan atau konsumen. Pelayanan ialah usaha melayani kebutuhan orang lain. Pelayanan
pada dasarnya adalah kegiatan yang ditawarkan kepada konsumen atau pelanggan yang
dilayani, yang bersifat tidak berwujud dan tidak dapat dimiliki. Pelayanan kepada konsumen
merupakan salah satu bentuk untuk meningkatkan hubungan psikologi antara produsen dan
pelanggan serta memantau berbagai keluhan pelanggan. Didalam kegiatan memberikan
pelayanan maka sebuah perusahaan atau usaha yang bergerak di bidang jasa khususnya dalam
memberi pelayanan, maka perusahaan tersebut akan berusaha memberikan bentuk layanan
terbaik kepada pelanggan atau konsumen nya.

1
1.2 Rumusan Masalah

2.1 Metode peramalan apa yang baik untuk digunakan ?

2.2 Mengapa menggunakan Model Subyektif dan metode – metode apa saja yang digunakan?

2.3 Mengapa menggunakan Model Kausal ?

2.4 Apa itu Model Deret Waktu ?

1.3 Tujuan Penulisan

2.1 Merekomendasikan model peramalan yang sesuai untuk situasi tertentu

2.2 Agar memahami fungsi Model Subyektif dan metode – metode yang digunakan

2.3 Agar pembaca memahami Model kausal baik digunakan pada suatu kondisi

2.4 Menjelaskan Model Deret Waktu dalam penggunaan Peramalan Layanan Jasa

2
 BAB II
PEMBAHASAN

2.1 Pilihan Metode Peramalan (The Choice of Forecasting Method)

Teknik peramalan memungkinkan kita untuk menerjemahkan banyak informasi yang

tersedia dari database ke dalam strategi yang dapat memberikan layanan keunggulan
kompetitif. Teknik khusus yang akan kami jelaskan diklasifikasikan ke dalam tiga
model dasar: subyektif, kausal, dan deret waktu. Namun, harus dicatat bahwa
sementara beberapa layanan mungkin hanya menggunakan satu atau beberapa model
ini, yang lain akan menggunakan dua atau lebih tergantung pada aplikasinya.
Misalnya, restoran cepat saji mungkin tertarik menggunakan model deret waktu untuk
memperkirakan permintaan harian untuk item menu. Permintaan akan layanan rumah
sakit, bagaimanapun, memiliki karakteristik temporal dan spasial, yang akan
membutuhkan penggunaan model deret waktu dan kausal. Kadang-kadang,
perusahaan jasa dapat menggunakan model subjektif untuk menilai dampak masa
depan dari perubahan demografi, seperti penuaan populasi umum. Secara keseluruhan,
saat kita beralih dari model subyektif ke kausal ke deret waktu, cakrawala waktu
perkiraan menjadi lebih pendek. Model, karakteristiknya, dan kemungkinan
penerapannya ditunjukkan pada Tabel 17.1.

TABEL 17.1 Karakteristik Metode Peramalan

Metode Data yang Biaya Cakrawala Aplikasi

Diperlukan Relatif Prakiraan
Model subyektif :
Metode Delphi Hasil survei Tinggi Jangka Teknologi
panjang peramalan
Analisis dampak Korelasi antara Tinggi Jangka Teknologi
silang acara panjang peramalan
Analogi sejarah Beberapa Tinggi Jangka Permintaan
tahun data menengah siklus hidup
untuk situasi hingga panjang proyeksi
serupa

3
 Model kausal :
Regresi Semua data Sedang Jangka Perkiraan
masa lalu menengah permintaan
untuk semua
variabel
Ekonometrika Semua data Sedang Jangka Kondisi
masa lalu hingga menengah perekonomian
untuk semua tinggi hingga panjang
variabel
Model deret waktu :
Rata-rata bergerak N terbaru Sangat Jangka pendek Perkiraan
pengamatan rendah permintaan
Eksponensial Sebelumnya Sangat Jangka pendek Perkiraan
menghaluskan dihaluskan rendah permintaan
nilai dan
pengamatan
terbaru

2.2 Model Subyektif (Subjective Models)

Sebagian besar teknik peramalan, seperti deret waktu dan model kausal, didasarkan
pada data yang polanya relatif stabil dari waktu ke waktu, sehingga kita dapat
mengharapkan untuk membuat peramalan yang cukup berguna. Namun, dalam
beberapa kasus, kami mungkin memiliki sedikit atau tidak ada data yang dapat
digunakan untuk bekerja, atau kami mungkin memiliki data yang menunjukkan pola
dan hubungan hanya dalam jangka pendek dan, oleh karena itu, tidak berguna untuk
prakiraan jangka panjang.
Ketika kita kekurangan data yang cukup atau sesuai, kita harus menggunakan
metode perkiraan yang bersifat subjektif atau kualitatif. Ini termasuk metode Delphi,
analisis dampak silang, dan analogi historis.

a) Metode Delphi

4
Dikembangkan di Rand Corporation oleh Olaf Helmer, the Metode Delphi didasarkan
pada pendapat ahli. Dalam bentuknya yang paling sederhana, orang-orang dengan
keahlian di bidang tertentu ditanyai, dan orang-orang ini tidak diizinkan untuk
berinteraksi satu sama lain. Biasanya, para peserta diminta untuk membuat perkiraan
numerik. Misalnya, mereka mungkin diminta untuk memprediksi rata-rata Dow Jones
tertinggi untuk tahun mendatang.
Administrator tes mentabulasi hasil menjadi kuartil dan memberikan temuan ini
kepada para ahli, yang kemudian diminta untuk mempertimbangkan kembali jawaban
mereka berdasarkan informasi baru. Selain itu, mereka yang pendapatnya termasuk
dalam dua kuartil luar diminta untuk membenarkan pendapat mereka. Semua
informasi dari putaran pertanyaan ini ditabulasi dan sekali lagi dikembalikan ke
peserta. Pada kesempatan ini, setiap peserta yang tetap berada di luar dua kuartil
tengah (yaitu, rentang interkuartil) dapat diminta untuk memberikan argumen
mengapa dia percaya bahwa mereka yang berada di ekstrem yang berlawanan tidak
benar.
Proses ini dapat berlanjut melalui beberapa iterasi lagi, dengan maksud agar para
ahli mencapai konsensus yang dapat digunakan untuk perencanaan masa depan.
Metode ini sangat padat karya dan membutuhkan masukan dari orang-orang yang
memiliki pengetahuan ahli. Jelas, Delphi adalah metode yang sangat mahal, memakan
waktu dan praktis hanya untuk peramalan jangka panjang.
Contoh metode Delphi dapat dilihat dalam studi industri tenaga nuklir.2 Sembilan
puluh delapan orang setuju untuk berpartisipasi dalam penelitian ini. Orang-orang ini
menduduki posisi kunci tingkat atas dengan perusahaan arsitek-teknik, produsen
reaktor, dan perusahaan utilitas di sektor industri yang berkaitan dengan tenaga nuklir
serta dengan badan pengatur negara, komisi energi negara, staf kongres, dan badan
pengatur nuklir di sektor publik.
Kuesioner putaran 1 berisi 37 pertanyaan, 11 tentang evolusi masa lalu industri
nuklir dan 26 tentang masa depan. Pertanyaan-pertanyaan ini harus dijawab pada
skala Likert tujuh poin, mulai dari "sangat setuju" hingga "tidak yakin" hingga "sangat
tidak setuju," seperti yang ditunjukkan di bawah ini:
Diinginkan bahwa utilitas diizinkan untuk mengintegrasikan biaya investasi modal
secara lebih agresif ke dalam struktur tarif.

5
 Kuesioner juga meminta komentar terbuka. Untuk putaran 2 penelitian ini,
administrator memberikan ringkasan komprehensif dari tanggapan putaran pertama
terhadap 11 pertanyaan tentang masa lalu dan ringkasan komentar terbuka mengenai
masa depan. Jumlah jawaban atas pertanyaan di atas dicatat di bawah ini, dengan
median (M) dan rentang interkuartil (ditunjuk oleh batang vertikal) yang ditunjukkan
di bawah respons:

11 pertanyaan tentang masa lalu dikeluarkan dari kuesioner putaran 2, dan 11

pertanyaan baru yang didorong oleh komentar terbuka dari putaran 1 ditambahkan.
Para peserta diajak untuk “mempertahankan” posisi mereka dengan komentar
pendukung jika pendapat mereka berada di luar jangkauan interkuartil.
Untuk babak 3 yang merupakan babak final dalam penelitian ini, administrator
sekali lagi memberikan feedback kepada peserta, kali ini dari babak 2, dan mengajak
peserta untuk “memilih” lagi pada pertanyaan yang sama. Berikut ilustrasi median
yang dihasilkan dan rentang interkuartil setelah setiap putaran pemungutan suara
menunjukkan bagaimana pendapat bergeser dan akhirnya mencapai konsensus untuk
pertanyaan khusus ini:

Sebagaimana dicatat, beberapa pertanyaan diajukan untuk penilaian tentang di

mana industri telah berada dan di mana posisinya saat ini. Pertanyaan lain tidak hanya
diajukan kepada para ahli di mana mereka pikir itu harus diarahkan tetapi juga untuk
mengatasi masalah seperti alokasi sumber daya dan realitas politik yang
mempengaruhi masa depan tenaga nuklir. Seperti yang ditunjukkan, metode Delphi
adalah alat yang berguna dalam menangani situasi di mana data terukur tidak tersedia.

b) Analisis Dampak Lintas (Cross-Impact Analysis)

Analisis dampak silang mengasumsikan bahwa beberapa peristiwa masa depan terkait
dengan terjadinya peristiwa sebelumnya. Seperti dalam metode Delphi, panel ahli

6
mempelajari serangkaian korelasi antara peristiwa yang disajikan dalam matriks.
Korelasi ini membentuk dasar untuk memperkirakan kemungkinan terjadinya
peristiwa di masa depan.
Misalnya, pertimbangkan perkiraan yang dilakukan pada tahun 2003 yang
mengasumsikan harga bensin $3 per galon pada tahun 2010 (peristiwa A) dan
penggandaan penumpang angkutan massal yang sesuai pada tahun 2020 (peristiwa B).
Dengan konsensus awal, dapat ditentukan bahwa dengan A, probabilitas bersyarat dari
B adalah 0,7, dan dengan memberikan B, probabilitas bersyarat A adalah 0,6.
Probabilitas ini ditunjukkan dalam matriks di bawah ini:

Asumsikan bahwa probabilitas tak bersyarat yang diperkirakan untuk

menggandakan penumpang angkutan massal pada tahun 2020 adalah 1,0 dan bahwa
probabilitas tanpa syarat yang diperkirakan sebesar $3 per galon untuk bensin pada
tahun 2010 adalah 0,8. Nilai-nilai baru ini secara statistik tidak konsisten dengan
nilai-nilai dalam matriks. Ketidakkonsistenan akan ditunjukkan kepada para ahli di
panel, yang kemudian akan merevisi perkiraan mereka dalam serangkaian iterasi.
Seperti metode Delphi, administrator yang berpengalaman diperlukan untuk sampai
pada matriks probabilitas bersyarat yang memuaskan yang dapat digunakan untuk
menghasilkan ramalan.

c) Analogi Historis (Historical Analogy)

Analogi historis mengasumsikan bahwa pengenalan dan pola pertumbuhan layanan

baru akan meniru pola konsep serupa yang datanya tersedia. Analogi historis sering
digunakan untuk meramalkan penetrasi pasar atau siklus hidup layanan baru. Konsep
siklus hidup produk seperti yang digunakan dalam pemasaran melibatkan tahapan,
seperti pengenalan, pertumbuhan, kedewasaan, dan penurunan.
Penggunaan analogi sejarah yang terkenal adalah prediksi penetrasi pasar oleh
televisi berwarna berdasarkan pengalaman dengan televisi hitam-putih hanya
beberapa tahun sebelumnya. Tentu saja, analogi yang tepat tidak selalu begitu jelas.

7
 Misalnya, pertumbuhan permintaan layanan rumah tangga dapat mengikuti kurva
pertumbuhan layanan penitipan anak. Karena pola data sebelumnya dapat memiliki
banyak interpretasi dan analoginya dapat dipertanyakan, kredibilitas ramalan apa pun
yang menggunakan metode ini sering diragukan. Penerimaan ramalan analogi historis
tergantung pada pembuatan analogi yang meyakinkan.

2.3 Model Kausal (Causal Models)

Cukup mudah untuk membuat perkiraan jangka pendek ketika kita disajikan dengan
data yang tidak rumit. Namun, kadang-kadang, organisasi layanan kompetitif harus
berurusan dengan banyak informasi statistik, beberapa di antaranya mungkin relevan
untuk membuat peramalan yang menguntungkan dan beberapa di antaranya mungkin
tidak relevan. Dalam situasi ini, kemungkinan besar ramalan harus dibuat untuk tahun
depan—atau dekade berikutnya—bukan hanya untuk hari, minggu, atau bulan
berikutnya. Jelas, ramalan jangka panjang memiliki potensi keberhasilan atau
kehancuran bagi organisasi. Oleh karena itu, kami membutuhkan cara untuk
memisahkan informasi penting dan memprosesnya untuk membantu kami membuat
perkiraan yang tepat.
Model kausal membuat asumsi yang serupa dengan model deret waktu (yang akan
kita pertimbangkan nanti): bahwa data mengikuti pola yang dapat diidentifikasi dari
waktu ke waktu dan bahwa ada hubungan yang dapat diidentifikasi antara informasi
yang ingin kita prediksi dan faktor lainnya. Model-model ini berkisar dari yang sangat
sederhana, di mana ramalan didasarkan pada teknik yang disebut analisis regresi,
hingga yang dikenal sebagai model ekonometrik, yang menggunakan sistem
persamaan.

Model Regresi (Regression Models)

Model regresi adalah hubungan antara faktor yang diramalkan, yang ditetapkan
sebagai variabel terikat (atau Y), dan faktor-faktor yang menentukan nilai y, yang
ditetapkan sebagai variabel bebas atau (Xi). Jika terdapat n variabel bebas, maka
hubungan antara variabel terikat Y dan variabel bebas Xi dinyatakan sebagai
Y = a0 + a1X1 + a2X2 + ... + anXn (1)
Nilai a0 , a1 , a2 , . . . , an adalah koefisien yang ditentukan oleh program komputer

8
yang digunakan. Jika perhitungan dilakukan dengan tangan, nilai ditentukan dengan
menggunakan persamaan regresi yang ditemukan dalam teks statistik dasar.

Kualitas analisis lokasi fasilitas layanan bertumpu pada penilaian akurat dari
permintaan geografis untuk layanan (yaitu, permintaan berdasarkan wilayah
geografis). Penilaian tersebut memerlukan pemilihan beberapa unit geografis yang
memisahkan area layanan (misalnya, saluran sensus atau kode pos) dan beberapa
metode untuk memprediksi permintaan dari masing-masing partisi ini (misalnya,
pengecer yang meminta kode pos mereka kepada pelanggan).
Untuk mendemonstrasikan proses penilaian permintaan geografis, pertimbangkan
tantangan untuk menemukan pusat penitipan anak. Populasi sasaran terdiri dari
keluarga dengan anak di bawah lima tahun dan setidaknya satu orang dewasa yang
dapat bekerja. Sebuah saluran sensus dipilih sebagai unit geografis karena data
demografi penduduk sudah tersedia dalam bentuk digital dari Biro Sensus AS.
Variabel terikat Yi adalah persentase keluarga dari jalur sensus i yang membutuhkan
penitipan anak. Analisis statistik menggunakan perangkat lunak yang tersedia seperti
SAS menghasilkan model regresi berikut:

Yi = 0.58 X1i + 0.43 X2i + 0.85 X3i

di mana
Yi = persentase keluarga dari jalur sensus i yang membutuhkan penitipan anak
X1i = persentase keluarga di jalur sensus i dengan anak di bawah lima tahun
X2i = persentase keluarga di jalur sensus i dengan satu kepala rumah tangga
perempuan tunggal
X3i = persentase keluarga di jalur sensus i dengan kedua orang tua bekerja

Persentase, Yi , diperkirakan untuk setiap jalur sensus, kemudian dikalikan dengan

jumlah keluarga di jalur sensus dan rata-rata jumlah anak di bawah lima tahun per
keluarga. Hasilnya adalah perkiraan jumlah anak yang membutuhkan layanan
penitipan anak dari setiap jalur sensus (yaitu, permintaan geografis untuk penitipan
siang hari).
Pengembangan model regresi memerlukan upaya pengumpulan data yang ekstensif
untuk memenuhi kebutuhan organisasi individual, yang seringkali melibatkan banyak

9
 waktu dan biaya. Hal ini juga membutuhkan keahlian dalam pemilihan variabel
independen dan dependen untuk memastikan hubungan yang memiliki interpretasi
logis dan bermakna. Untuk alasan ini, model regresi cocok untuk membuat peramalan
jangka menengah dan panjang.

Model Ekonometrika (Econometric Models)

Model ekonometrika adalah versi model regresi yang melibatkan sistem persamaan.
Persamaan terkait satu sama lain, dan koefisien ditentukan seperti pada model regresi
yang lebih sederhana. Model ekonometrika terdiri dari sekumpulan persamaan
simultan yang menyatakan variabel terikat dalam bentuk beberapa variabel bebas
yang berbeda. Model ekonometrik membutuhkan pengumpulan data yang ekstensif
dan analisis yang canggih untuk membuatnya; dengan demikian, mereka umumnya
digunakan untuk prakiraan jangka panjang.

2.4 Model Deret Waktu (Time Series Models)

Model deret waktu dapat diterapkan untuk membuat prakiraan jangka pendek ketika
nilai pengamatan terjadi dalam pola yang dapat diidentifikasi dari waktu ke waktu.
Model-model ini berkisar dari model rata-rata pergerakan periode-N sederhan hingga
model pemulusan eksponensial yang lebih canggih dan berguna.
Model pemulusan eksponensial sangat berguna karena dapat disesuaikan untuk
melacak komponen perkiraan (yaitu, rata-rata, tren, dan musiman). Rata-rata adalah
perkiraan rata-rata yang mendasari variabel acak (misalnya, permintaan pelanggan),
tren adalah kenaikan atau penurunan yang meningkat di setiap periode, dan musiman
adalah siklus yang berulang seperti permintaan harian di restoran atau permintaan
tahunan di restoran. Perhatikan bahwa masing-masing komponen ini bersifat stokastik
dan nilai dasarnya dapat berubah seiring waktu (misalnya, tren dapat beralih dari
positif ke negatif). Menggunakan pemulusan eksponensial, setiap komponen dilacak
dan hasilnya digabungkan untuk mendapatkan perkiraan. Kami memulai studi kami
tentang model deret waktu dengan rata-rata pergerakan periode-N sederhana.

Rata-Rata Pergerakan N-Periode (N-Period Moving Average)

Terkadang, pengamatan yang dilakukan selama periode waktu tertentu tampak
memiliki pola acak; akibatnya, kami tidak merasa percaya diri dalam mendasarkan

10
prakiraan pada mereka. Perhatikan data pada Tabel 17.2 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. Misalnya, pada hari kerja, permintaan dihasilkan oleh
pelancong bisnis, tetapi tamu akhir pekan seringkali adalah orang-orang yang sedang
berlibur atau mengunjungi teman.
Pemilihan periode peramalan merupakan pertimbangan penting dan harus
didasarkan pada sifat permintaan dan kemampuan untuk menggunakan informasi
tersebut. Misalnya, restoran cepat saji memperkirakan permintaan berdasarkan jam
dalam sehari.

Tabel 17.2 Penghuni Sabtu di Hotel 100 Kamar

Pemilik hotel telah mencatat peningkatan hunian selama dua hari Sabtu terakhir
dan ingin bersiap untuk akhir pekan yang akan datang (yaitu, 12 September), mungkin
dengan menghentikan praktik menawarkan tarif diskon. Apakah angka hunian yang
lebih tinggi menunjukkan perubahan rata-rata hunian yang mendasarinya? Untuk
menjawab pertanyaan ini, kita membutuhkan cara untuk menghilangkan “noise” dari
blip yang kadang-kadang terjadi pada pola tersebut sehingga kita tidak bereaksi
berlebihan terhadap suatu perubahan yang bersifat acak, bukan permanen dan
signifikan.
Metode rata-rata pergerakan N-periode dapat digunakan dalam contoh sederhana
ini untuk menghaluskan variasi acak dan menghasilkan perkiraan yang andal dari rata-
rata hunian yang mendasarinya. Metode menghitung rata-rata pergerakan MAt untuk
periode t atas dasar pemilihan N dari pengamatan aktual terbaru At, seperti yang
ditunjukkan pada persamaan (2):

(2)

11
 Jika kita memilih N sama dengan 3, maka kita tidak dapat memulai perhitungan
sampai periode 3 (yaitu, 15 Agustus), pada saat itu kita menambahkan angka hunian
untuk tiga hari Sabtu terakhir (yaitu, 1, 8, dan 15 Agustus) dan membagi jumlahnya
dengan 3 untuk sampai pada rata-rata pergerakan tiga periode [(83 + 84 + 79)/3] = 82.
Kami menggunakan nilai ini untuk memperkirakan hunian untuk hari Sabtu
berikutnya (yaitu, 22 Agustus). Perkiraan rata-rata bergerak telah menghaluskan
fluktuasi acak untuk melacak dengan lebih baik rata-rata hunian, yang kemudian
digunakan untuk meramalkan periode berikutnya. Oleh karena itu, setiap perkiraan
rata-rata bergerak tiga periode hanya melibatkan penambahan tiga nilai hunian terbaru
dan membaginya dengan 3. Misalnya, untuk sampai pada rata-rata bergerak untuk 22
Agustus, kita turunkan nilai untuk 1 Agustus, tambahkan nilai untuk 22 Agustus, dan
hitung ulang rata-ratanya, mendapatkan 83. Melanjutkan proses berulang ini untuk
data yang tersisa, kita melihat bagaimana rata-rata hunian bergerak sekitar 82 persen
untuk hari Sabtu di bulan Agustus telah meningkat baru-baru ini, yang mencerminkan
hampir kapasitas hunian dari dua akhir pekan terakhir. Jika tim sepak bola perguruan
tinggi setempat, setelah memainkan dua pertandingan kandang berturut-turut,
dijadwalkan untuk pertandingan tandang pada 12 September, seberapa yakin Anda
dalam memperkirakan hunian Sabtu depan sebesar 93 persen?
Meskipun rata-rata pergerakan N-periode kami telah mengidentifikasi perubahan
dalam hunian rata-rata yang mendasarinya, metode ini lambat bereaksi karena data
lama diberi bobot yang sama (yaitu, 1/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 memberikan bobot lebih pada pengamatan
terbaru. Daripada secara sewenang-wenang menetapkan bobot ke data rata-rata
bergerak kami untuk memperbaiki kekurangan ini, kami malah akan menggunakan
metode peramalan yang lebih canggih yang secara sistematis membuat data menjadi
tua. Topik kami berikutnya, pemulusan eksponensial, juga dapat mengakomodasi tren
dan musiman dalam data.

Penghalusan Eksponensial Sederhana (Simple Exponential Smoothing)

Pemulusan eksponensial sederhana adalah metode deret waktu yang paling sering
digunakan untuk peramalan permintaan. Pemulusan eksponensial sederhana juga

12
"memperhalus" blip dalam data, tetapi kekuatannya atas rata-rata pergerakan N-
periode adalah tiga kali lipat:
1) data lama tidak pernah jatuh atau hilang,
2) data lama diberi bobot yang semakin berkurang, dan
3) perhitungannya sederhana dan hanya membutuhkan data terbaru.
Pemulusan eksponensial sederhana didasarkan pada konsep umpan balik kesalahan
perkiraan untuk memperbaiki nilai pemulusan sebelumnya. Pada persamaan (3) di
bawah ini, St adalah nilai pemulusan untuk periode t, At adalah nilai pengamatan
aktual untuk periode t, dan α dalah konstanta pemulusan yang biasanya diberi nilai
antara 0,1 dan 0,5.
(3)

Syarat (At – St-1) mewakili kesalahan peramalan karena merupakan selisih antara
pengamatan aktual dan nilai pemulusan yang dihitung pada periode sebelumnya.
Sebagian kecil dari kesalahan peramalan ini ditambahkan ke nilai pemulusan
sebelumnya untuk mendapatkan nilai pemulusan baru St. Perhatikan bagaimana
mengoreksi diri metode ini ketika Anda mempertimbangkan bahwa kesalahan
perkiraan bisa positif atau negatif.
Analisis rata-rata bergerak kami dari data hunian di Tabel 17.2 menunjukkan
peningkatan aktual rata-rata hunian selama dua hari Sabtu terakhir. Data hunian yang
sama ini diulang pada Tabel 17.3, dengan nilai aktual untuk setiap periode (At)
ditunjukkan pada kolom ketiga. Menggunakan pemulusan eksponensial sederhana,
kami akan mendemonstrasikan lagi bahwa perubahan signifikan dalam hunian rata-
rata telah terjadi.
Karena kita harus memulai di suatu tempat, biarkan nilai yang diamati pertama,
atau aktual, nilai At dalam serangkaian data sama dengan nilai pemulusan pertama
nilai St. Oleh karena itu, seperti yang ditunjukkan Tabel 17.3, S1 untuk 1 Agustus
sama dengan A1 untuk 1 Agustus, atau 79.00. Nilai pemulusan untuk 8 Agustus (S2)
kemudian dapat diturunkan dari nilai aktual untuk 8 Agustus (A2) dan nilai pemulusan
sebelumnya untuk 1 Agustus (S1) sesuai dengan persamaan (3). Kami telah memilih α
yang sama dengan 0,5 karena, seperti yang akan ditunjukkan nanti, ini menghasilkan
perkiraan yang mirip dengan yang diperoleh dengan menggunakan rata-rata bergerak
tiga periode. Untuk 8 Agustus:

13
 S2 = S1 + α(A2 – S1)
= 79.00 + 0.5(84 – 79.00)
= 81.50
Perhitungan serupa kemudian dilakukan untuk menentukan nilai pemulusan (S3, S4,
S5, S6) untuk periode yang berurutan.
Pemulusan eksponensial sederhana mengasumsikan bahwa pola data
didistribusikan di sekitar rata-rata konstan. Dengan demikian, nilai pemulusan yang
dihitung dalam periode t digunakan sebagai ramalan untuk periode (t + 1) dibulatkan
menjadi bilangan bulat, seperti yang ditunjukkan di bawah ini:
Ft+1 = St (4)
Estimasi terbaik kami untuk hunian 15 Agustus adalah 81.50, nilai pemulusan
terbaru pada akhir 8 Agustus. Perhatikan bahwa kesalahan perkiraan (84 – 79) adalah
positif 5 (yaitu, kami meremehkan permintaan sebesar 5), dan yang satu setengah dari
kesalahan ini ditambahkan ke nilai pemulusan sebelumnya untuk meningkatkan
perkiraan baru rata-rata hunian. Konsep umpan balik kesalahan untuk mengoreksi
perkiraan sebelumnya adalah ide yang dipinjam dari teori kontrol.
Nilai-nilai yang dihaluskan yang ditunjukkan pada Tabel 17.3 dihitung
menggunakan nilai α 0,5. Namun, seperti yang dicatat, jika kita ingin membuat nilai
yang dihaluskan menjadi kurang responsif terhadap data terbaru, kita dapat
menetapkan nilai yang lebih kecil untuk α. Gambar 17.1 menunjukkan secara grafis
bagaimana α 0,1 dan 0,5 menghaluskan kurva dari nilai sebenarnya. Mudah dilihat
pada gambar ini bahwa kurva yang dihaluskan, terutama dengan α 0,5, telah
mengurangi ekstrem (yaitu, penurunan dan puncak) dan menanggapi peningkatan
hunian dalam dua Sabtu terakhir. Oleh karena itu, mendasarkan prakiraan pada data
yang dihaluskan membantu mencegah reaksi berlebihan terhadap nilai-nilai aktual
yang diamati secara ekstrem. Persamaan (3) dapat ditulis ulang sebagai berikut:
St = α(At) + (1 – α) St-1 (5)

14
Tabel 17.3 Simple Exponential Smoothing: Hunian Hotel Sabtu (α = 0,5)

15
GAMBAR 17.1
Simple Exponential
Smoothing:
Hunian Hotel Sabtu
(α = 0,1 dan α = 0,5)

Dasar untuk nama "pemulusan eksponensial" dapat diamati dalam bobot yang
diberikan data masa lalu dalam persamaan (5). Kita melihat bahwa At diberi bobot
dalam menentukan St, dan kita dapat dengan mudah menunjukkan dengan substitusi
bahwa At–1 diberi bobot (1 – α). Secara umum, nilai sebenarnya At–n diberikan bobot
α(1 – α)n. Seperti yang ditunjukkan pada Gambar 17.2 dengan membuat grafik
peluruhan eksponensial bobot yang diberikan serangkaian pengamatan dari waktu ke
waktu. Perhatikan bahwa pengamatan yang lebih lama tidak pernah hilang
sepenuhnya dari perhitungan St seperti yang mereka lakukan ketika rata-rata
pergerakan N-periode digunakan, tetapi mereka mengasumsikan bahwa pentingnya
semakin berkurang.

Hubungan antara α dan N (Relationship Between α and N)

Memilih nilai untuk α adalah masalah penilaian, sering kali didasarkan pada pola data
historis, dengan nilai yang besar memberikan banyak bobot pada data terkini untuk
mengantisipasi perubahan. Untuk membantu memilih α, hubungan dapat dibuat antara
jumlah periode N dalam metode rata-rata bergerak dan konstanta pemulusan
eksponensial. Jika kita berasumsi bahwa kedua metode serupa ketika usia rata-rata
data masa lalu sama, maka hasil hubungan berikut:

16
 Pergerakan rata-rata (Moving average) :

Pemulusan eksponensial (Exponential smoothing) :

GAMBAR 17.2
Distribusi Bobot
Yang diberikan Data
Masa Lalu
dalam Exponential
Smoothing
(α = 0.3)

Usia rata-rata untuk pemulusan eksponensial adalah deret geometri dengan jumlah
sama dengan

Ketika usia rata-rata untuk pemulusan eksponensial dan rata-rata bergerak

disamakan, hasilnya adalah:

Menggunakan hubungan ini menghasilkan nilai sampel berikut untuk menyamakan

α dan N:

17
Seperti yang ditunjukkan, penetapan nilai pemulusan yang biasa antara 0,1 dan 0,5
masuk akal jika dibandingkan dengan jumlah periode dalam perkiraan rata-rata
bergerak yang setara. Nilai tertentu yang ditetapkan untuk α adalah trade-off antara
bereaksi berlebihan terhadap fluktuasi acak tentang rata-rata konstan dan mendeteksi
perubahan nilai rata-rata. Nilai yang lebih tinggi dari α lebih responsif terhadap
perubahan karena bobot yang lebih besar yang diberikan pada data terbaru. Dalam
prakteknya, nilai α sering dipilih atas dasar meminimalkan kesalahan perkiraan yang
diukur dengan mean absolute deviasi (MAD).

Kesalahan Prakiraan (Forecast Error)

Meskipun jelas pada Gambar 17.1 bahwa kurva perkiraan telah merapikan puncak dan
lembah data aktual, meskipun dengan beberapa lag. Bagaimana kita mengukur
keakuratan prakiraan?
Pertama, kita harus mengharapkan prakiraan yang tidak bias sehubungan dengan
pelacakan rata-rata aktual untuk data. Dengan demikian, jumlah kesalahan ramalan
harus cenderung ke nol, dengan mempertimbangkan perbedaan positif dan negatif.
Jika ya, maka kita harus mencari tren atau musim yang mendasarinya dan
memperhitungkannya secara eksplisit. Untuk hasil yang ditunjukkan pada Tabel 17.3,
dengan menggunakan Rumus 6, kesalahan perkiraan kumulatif (CFE) adalah 31.

Cumulative Forecast Error (CFE) = ∑At – Ft (6)

Ukuran kesalahan peramalan yang paling umum digunakan adalah simpangan
mutlak rata-rata (MAD) dihitung menggunakan Persamaan 7. Pada Tabel 17.3, mean
absolute deviasi (MAD) adalah 6.6. Kami akan terus menggunakan MAD, yang
memberikan bobot yang sama untuk setiap kesalahan, sebagai ukuran kesalahan
perkiraan kami sepanjang sisa bab ini.

(7)

Jika kesalahan besar sangat serius, mengkuadratkan kesalahan akan memberi

mereka bobot lebih. Mean squared error (MSE) untuk hasil pada Tabel 17.3 dihitung

18
menggunakan Rumus 8 dan menghasilkan nilai 76.6 yang mencerminkan kesalahan
besar pada periode 5 dan 6.

(8)

Berarti persentase kesalahan mutlak (MAPE) digunakan ketika kesalahan perlu

dimasukkan ke dalam perspektif. Misalnya, kesalahan absolut 2 dalam ramalan 10
sangat besar dibandingkan dengan kesalahan absolut 2 untuk ramalan 1.000, yang
tidak signifikan. Untuk data pada Tabel 17.3, dengan menggunakan Rumus 9,
menghasilkan MAPE yang dapat diterima sebesar 6.8.

(9)

Ingatlah bahwa nilai prakiraan dalam contoh ini diturunkan dari nilai pemulusan
yang dihitung dengan α = 0,5, karena metode ini mirip dengan metode rata-rata
bergerak tiga periode. Untuk perkiraan rata-rata bergerak tiga periode yang
dikembangkan sebelumnya, nilai MAD adalah 9.7. Dalam hal ini, pemulusan
eksponensial sederhana menghasilkan perkiraan yang lebih akurat daripada metode
rata-rata bergerak tiga periode yang sesuai. Jika sebuah α 0,1 digunakan, namun, nilai
MAD adalah 8.8, yang mencerminkan tidak responsifnya terhadap perubahan
konstanta pemulusan kecil. Perlu dicatat bahwa memilih salah satu α untuk
meminimalkan MAD untuk sekumpulan data dapat dilakukan dengan menggunakan
Excel Solver.

Nilai positif 31 untuk CFE ini menunjukkan bahwa ada tren naik dalam data, dan
prakiraan pemulusan eksponensial sederhana kami tidak memenuhi tingkat hunian
hotel yang sebenarnya. Jadi, kita harus memasukkan penyesuaian tren ke dalam
perkiraan kita.

19
 Penghalusan Eksponensial dengan Penyesuaian Tren

17.4

Itu kecenderungan dalam satu set data adalah tingkat rata-rata di mana nilai-nilai
yang diamati berubah dari satu periode ke periode berikutnya dari waktu ke waktu.
Perubahan yang diciptakan oleh tren dapat diperlakukan dengan menggunakan
perpanjangan pemulusan eksponensial sederhana. Tabel 17.4 mengikuti pengalaman
maskapai penerbangan komuter baru selama delapan minggu pertama bisnisnya.
Faktor beban mingguan rata-rata (yaitu, persentase kursi yang terjual) menunjukkan
peningkatan yang stabil, dari sekitar 30 persen untuk minggu 1 menjadi sekitar 70
persen untuk minggu 8. Dalam contoh ini, nilai yang dihaluskanStdihitung
menggunakan persamaan (10), yaitu persamaan (5) yang dimodifikasi dengan
penambahan nilai trendTt1ke nilai yang dihaluskan sebelumnyaSt1untuk
memperhitungkan tingkat mingguan kenaikan faktor beban.

St--(SEBUAHt) - (1 - ) (St1-Tt1)

Untuk memasukkan penyesuaian tren dalam perhitungan kami, kami akan

menggunakansebagai konstanta pemulusan. Konstanta ini biasanya diberi nilai antara
0,1 dan 0,5 dan mungkin sama dengan, atau berbeda dari,-. Tren untuk periode
tertentutditentukan oleh (St St1), tingkat perubahan nilai yang dihaluskan dari satu
periode ke periode berikutnya (yaitu, kemiringan kurva permintaan). Tren yang
dihaluskanTtmaka dihitung pada periodetmenggunakan persamaan (11), yang
merupakan modifikasi dari persamaan dasar pemulusan eksponensial—persamaan (5)
—dengan tren yang diamati (St

Tt--(St St1) - (1 - )Tt1

Untuk mengantisipasi arus kas selama periode permulaan bisnis, pemilik maskapai
komuter tertarik untuk memperkirakan faktor beban mingguan di masa mendatang.
Setelah mengamati aktivitas dua minggu pertama, Anda diminta untuk memberikan

20
ramalan untuk minggu ke-3. Nilai yang dihaluskan, angka tren, dan ramalan pada
Tabel 17.4 dihitung secara bertahap. Untuk pengamatan pertama dalam seri, minggu 1
dalam hal ini, nilai yang dihaluskanS1sama dengan nilai sebenarnya SEBUAH1, dan
trenT1ditetapkan sama dengan 0,00. Prakiraan untuk minggu ke-2 dihitung
menggunakan persamaan (12). Pada kasus ini,F2- 31 - 0,00 - 31 dibulatkan menjadi
bilangan bulat.

Ft-1-St-T

Untuk menghitung nilai yang dihaluskan untuk minggu ke-2 dan perkiraan untuk
minggu ke-3, kita akan menggunakan-- 0,5 dan-- 0,3. Pertama, nilai yang
dihaluskanS2untuk minggu ke-2 dihitung menggunakan persamaan (6):

S2- (0,5)(40) - (1 - 35.50 0,5)(31 - 0,00)

Sekarang, kami menghitung tren untuk minggu ke-2 dengan persamaan (7):

T2 - (0,3)(35,50 31,00) - (1 0,3)0,00 - 1.35

Langkah terakhir adalah membuat ramalan untuk minggu ke 3 menurut persamaan

(8): F3- 35,5 - 1,35 - 36,85 - 37

Ketika data aktual untuk minggu-minggu berikutnya diterima, perhitungan serupa

dapat dilakukan untuk nilai yang dihaluskan, tren, ramalan, dan kesalahan ramalan.
Untuk semua prakiraan yang ditunjukkan pada Tabel 17.4, MAD adalah 6.7. Jumlah
nilai kesalahan ramalan (baik positif maupun negatif) adalah ukuran bias ramalan.
Untuk contoh ini (SEBUAHFtt) - 9 - 6 - 10 2 - 11 6 - 3 - 31. Jumlah kesalahan
prakiraan untuk prakiraan yang tidak bias harus mendekati nol (yaitu, kesalahan
positif dan negatif saling meniadakan).

Pada Gambar 17.3, faktor beban aktual diplot terhadap prakiraan. Perhatikan,
bahwa bahkan dengan penyesuaian tren, perkiraan telah tertinggal dari aktual kecuali
untuk minggu ke 5 dan 7

21
 17.3

17.5

Sebuah indeks musiman Itdigunakan untuk menghilangkan musim data dalam

siklus tertentuLMulanya,Sayat diperkirakan dengan menghitung rasio nilai aktual
untuk periodet, At, dibagi dengan nilai rata-rataSEBUAHuntuk semua periode dalam
siklusLseperti yang ditunjukkan pada persamaan (13):

22
 Dalam contoh feri penumpang kami,SEBUAH-1.971,83 (rata-rata penumpang
per bulan untuk tahun 2009), dan dengan mensubstitusikan nilai ini ke persamaan
(13), kita dapat menghitung indeksSayat 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 menghilangkan musim data
untuk bulanbulan yang sesuai pada tahun 2010 menurut persamaan (14), yang
merupakan modifikasi kecil dari persamaan pemulusan eksponensial dasar kami —
persamaan (5)—dengan SEBUAHtdisesuaikan untuk memperhitungkan musiman
menggunakan indeks Sayat

Untuk contoh ini, data selama 12 bulan di tahun 2009 digunakan untuk memberikan
perkiraan awal dari indeks musiman. Oleh karena itu, kami tidak dapat mulai
menghitung data baru yang dihaluskan hingga periode 13 (yaitu, Januari 2010). Untuk
memulai proses, kita asumsikan bahwaS12sama dengan SEBUAH12, seperti terlihat
pada Tabel 17.5 dengan nilai 1.794,00. Nilai pemulusan untuk Januari 2010 sekarang
dapat dihitung menggunakan persamaan (14), denganSayat L-0,837 (yaitu,
indeksSayat12 bulan yang lalu untuk Januari 2009) dan - 0.2:

Prakiraan untuk Februari (periodet-1) kemudian dibuat musiman nilai pemulusan

bulan Januari dengan rumus sebagai berikut:

Perhatikan bahwa faktor musimanSayat 2009. Oleh karena itu, perkiraan kami untuk
Februari 2010 adalah L-1dalam hal ini adalah indeks Sayat untuk bulan Februari

23
 Jika indeks musiman stabil, prakiraan yang didasarkan hanya pada satu siklus,L,akan
dapat diandalkan. Namun, jika indeks tidak stabil, indeks dapat disesuaikan, atau
dihaluskan, saat data baru tersedia. Setelah menghitung nilai yang dihaluskanStuntuk
nilai sebenarnya SEBUAHtpada periode terbarut,kita dapat menunjukkan pengamatan
baru untuk indeks musiman pada periodet sebagai (SEBUAHt/St). Untuk menerapkan
konsep pemulusan eksponensial ke indeks, kami menggunakan konstanta baru , yang
biasanya diberi nilai antara 0,1 dan 0,5. Estimasi smoothed dari indeks musiman
kemudian dihitung dari rumus berikut :

Sekarang, kita dapat melanjutkan perhitungan untuk tahun 2010 pada Tabel 17.5
dengan menggunakan persamaan (16) untuk memperbarui indeks musiman untuk
setiap bulan untuk penggunaan di masa mendatang. Ingat, bagaimanapun, bahwa
dalam praktik sebenarnya, nilai yang dihaluskan, indeks, dan prakiraan untuk setiap
periode (yaitu, bulan) di musim baru iniLperiode akan dihitung dari bulan ke bulan
karena nilai aktual terbaru tersedia. Di sini, menurut persamaan (16), indeks musiman
smoothed baru untuk Januari 2010,Saya13, menggunakan - 0,3 adalah

MAD untuk Februari hingga Desember 2010 adalah 110, yang menunjukkan kesesuaian yang
sangat baik antara prakiraan dengan data aktual yang menunjukkan musim tertentu. Namun,
apakah mungkin membuat prakiraan yang lebih akurat?

Penghalusan Eksponensial dengan Penyesuaian Tren dan Musiman

Jawaban atas pertanyaan sebelumnya—Apakah mungkin membuat ramalan yang lebih

akurat? — adalah ya (kadang-kadang). Dalam beberapa kasus, menyesuaikan hanya untuk
tren atau musiman akan memberikan perkiraan rata-rata terbaik saat ini; di lain pihak,
ramalan dapat ditingkatkan dengan mempertimbangkan semua faktor bersama-sama. Kami
dapat menyertakankeduanyapenyesuaian tren dan musiman di Bab 17Peramalan Permintaan
Layanan467 pemulusan eksponensial dengan pembobotan abasismerapikan nilai dengan tren
dan indeks musiman untuk meramalkan periode berikutnya. Persamaan yang sesuai adalah

24
Nilai dalam Tabel 17.6 yang ditampilkan dalam huruf tebal adalah hasil dari rumus Excel.
Tabel 17.7 berisi rumus 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 pemulusan (alfa, beta, gamma) saat rumus disalin. Fitur ini memungkinkan
seseorang untuk mengubah parameter ini dan menghitung ulang prakiraan untuk menemukan
nilai untuk-,-, dan yang meminimalkan MAD. MAD yang dihasilkan sebesar 160 memberi
tahu kami bahwa, dalam kasus ini, kami belum memperoleh peningkatan apa pun dalam
perkiraan kami dengan menambahkan penyesuaian tren ke penyesuaian musiman yang
digunakan pada Tabel 17.5. Gambar 17.4 menunjukkan secara grafis hasil pengolahan data
aktual hanya dengan penyesuaian musiman, dan dengan penyesuaian musiman dan tren.

25
26
27
 BAB III
PENUTUP

3.1 Kesimpulan
Keputusan untuk memulai konsep layanan baru seringkali memerlukan penilaian
subjektif tentang kebutuhan pelanggan di masa depan. Model subyektif seperti metode
Delphi memungkinkan panel ahli untuk mempertahankan posisi mereka mengenai masa
depan, dan melalui sejumlah iterasi, para ahli ini mendekati konsensus. Model regresi
telah menemukan aplikasi dalam analisis lokasi layanan karena kebutuhan untuk
memperhitungkan beberapa variabel independen yang berkontribusi terhadap
pembangkitan permintaan. Kami mengakhiri diskusi kami tentang peramalan dengan
pemeriksaan model deret waktu. Meskipun metode rata-rata bergerak sangat mudah, kami
menemukan bahwa pemulusan eksponensial memiliki banyak kualitas unggul dan telah
diterima secara luas dalam praktik

FORM PENILAIAN KINERJA KELOMPOK

Muhammad Nur Silvy Salsabila Siti Iqbal

Nafis Ismalina Rachmawati Arinda Khofifa Syamsiar
Salma Savila Alam
Muhammad
Nafis
Nur Ismalina
Salma
Silvy
Rachmawati
Salsabila
Arinda
Siti Khofifa
Savila
Iqbal
Syamsiar
Alam

28