Oleh :
Sidik Nurjaman, ST., MT
sidik.nurjaman@unpas.ac.id
Referensi:
Jay Heizer dan Ram Naresh Roy
Figure 2.5
Jenis-jenis Peramalan
Peramalan Ekonomi
Siklus bisnis - tingkat inflasi, jumlah uang beredar,
perumahan, dll.
Peramalan Teknologi
Memprediksi laju kemajuan teknologi
Dampak pengembangan produk baru
Peramalan Permintaan
Memprediksi penjualan barang dan jasa yang ada
Pentingnya Strategi dari
Peramalan
Human Resources – Mempekerjakan,
melatih, merumahkan pekerja
Capacity – Kekurangan kapasitas dapat
menyebabkan pengiriman yang tidak sesuai
planning, kehilangan pelanggan, kehilangan
pangsa pasar
Supply Chain Management – Hubungan
supplier yang baik dan keuntungan harga
Tujuh Langkah dalam Peramalan
1. Tentukan kegunaan peramalan
2. Pilih item/hal yang akan diramalkan
3. Tentukan horison waktu peramalan
4. Pilih model peramalan
5. Kumpulkan data
6. Buat peramalan
7. Validasi dan terapkan hasilnya
The Realities!
Peramalan sangat jarang sekali
sempurna
Sebagian besar teknik peramalan
mengasumsikan stabilitas yang
mendasari dalam sistem
Peramalan beberapa produk sejenis
akan lebih akurat dibanding
meramalkan produk secara individu
Pendekatan Peramalan
Metoda Kualitatif
Digunakan ketika situasi tidak jelas
dan data yang sedikit
New products
New technology
Melibatkan intuisi, pengalaman
e.g., Peramalan penjualan di internet
Pendekatan Peramalan
Quantitative Methods
Digunakan ketika situasinya 'stabil' dan
ada data secara historis
Existing products
Current technology
Melibatkan Teknik matematika
e.g., peramalan penjualan televisi
berwarna
Tinjauan Metode Kualitatif
partisipan
Pembuat keputusan
Staff
Respondents
Responden (Orang yang bisa membuat
penilaian penting)
Consumer Market Survey
Menanyakan langsung kepada
pelanggan tentang rencana pembelian
Apa yang dikatakan konsumen, dan apa
yang sebenarnya mereka lakukan
seringkali berbeda
Terkadang sulit dijawab
Ikhtisar Pendekatan Kuantitatif
1. Naive approach
2. Moving averages
3. Exponential time-series
models
smoothing
4. Trend projection
5. Linear regression associative
model
Peramalan Berbasis Waktu
Trend Siklus
Musiman Acak
Komponen Permintaan
Trend
component
Demand for product or service
Seasonal peaks
Actual demand
line
Average demand
over 4 years
Random variation
| | | |
1 2 3 4
Time (years)
Figure 4.1
Komponen tren
Polanya persisten, secara
keseluruhan polanya naik atau turun
Perubahan karena populasi,
teknologi, usia, budaya, dll.
Durasinya biasanya beberapa tahun
Komponen Musiman
Umumnya naik turun secara
fluktuatif
Karena cuaca, bea cukai, dll.
Terjadi dalam satu tahun
Number of
Period Length Seasons
Week Day 7
Month Week 4-4.5
Month Day 28-31
Year Quarter 4
Year Month 12
Year Week 52
Komponen Siklus
Mengulangi pola naik dan turun
Dipengaruhi oleh siklus bisnis, faktor
politik, dan ekonomi
Durasi beberapa tahun
Seringkali hubungan kausal atau asosiatif
0 5 10 15 20
Komponen acak
Fluktuasi yang tidak menentu, tidak
sistematis, 'residual'
Karena variasi acak atau peristiwa yang tidak
terduga
Durasi pendek
dan tidak berulang
M T W T F
Naive Approach
Mengasumsikan kebutuhan yang akan
datang sama dengan periode
sebelumnya
e.g., jika penjualan Januari adalah 68,
maka penjualan Februari akan menjadi
68
Terkadang hemat biaya dan efisien
Bisa menjadi titik awal yang baik
Moving Average Method
January 10
February 12
March 13
April 16 (10 + 12 + 13)/3 = 11 2/3
May 19 (12 + 13 + 16)/3 = 13 2/3
June 23 (13 + 16 + 19)/3 = 16
July 26 (16 + 19 + 23)/3 = 19 1/3
Grafik Moving Average
Moving Average
Forecast
30 –
28 –
Actual Sales
26 –
24 –
Shed Sales
22 –
20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Weighted Moving Average
Digunakan ketika beberapa tren mungkin ada
Data yang lebih lama biasanya kurang penting
Bobot berdasarkan pengalaman dan intuisi
January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 121/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Potensi Masalah
Moving Average
Meningkatkan dan memperlancar
perkiraan tetapi membuatnya kurang
sensitif terhadap perubahan
Jangan memperkirakan tren dengan baik
Membutuhkan data historis yang luas
Moving Average And
Weighted Moving Average
Weighted
moving
30 – average
25 –
Sales demand
20 – Actual
sales
15 –
Moving
10 – average
5 –
| | | | | | | | | | | |
Figure 4.2
J F M A M J J A S O N D
Exponential Smoothing
Bentuk dari weighted moving average
Bobot menurun secara eksponensial
Sebagian besar data terbaru paling berbobot
Memerlukan smoothing constant ()
Ranges from 0 to 1
Dipilih secara subyektif
Melibatkan sedikit penyimpanan data
masa lalu
Exponential Smoothing
ru = Peramalan periode sebelumnya
+ a (Permintaan aktual periode terakhir
- Prakiraan periode terakhir)
Ft = Ft – 1 + a(At – 1 - Ft – 1)
Dimana Ft = Peramalan baru
Ft – 1 = Peramalan sebelumnya
a = smoothing (or weighting)
constant (0 ≤ a ≤ 1)
Contoh Exponential Smoothing
Weight Assigned to
Most 2nd Most 3rd Most 4th Most 5th Most
Recent Recent Recent Recent Recent
Smoothing Period Period Period Period Period
Constant (a) a(1 - a) a(1 - a)2 a(1 - a)3 a(1 - a)4
225 –
Actual a = .5
demand
200 –
Demand
175 –
a = .1
| | | | | | | | |
150 –
1 2 3 4 5 6 7 8 9
Quarter
Dampak dari perbedaan
225 –
Actual
Memilih nilai tinggi a = .5
demand ketika
rata-rata
200 – yang
Demand
mendasarinya cenderung
berubah
175 –
Pilih nilai rendah ketika
a = .1
rata-rata yang
mendasarinya
150 –
| | | stabil
| | | | | |
1 2 3 4 5 6 7 8 9
Quarter
Menentukan
n
∑100|Actuali - Forecasti|/Actuali
MAPE = i=1
n
Perbandingan Kesalahan Peramalan
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Perbandingan Kesalahan Peramalan
∑ |deviations|
Rounded Absolute Rounded Absolute
MADActual
= Forecast Deviation Forecast Deviation
Tonnage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1
For a =
180
.10 175 5.00 175 5.00
2 168 = 82.45/8
175.5 = 10.31
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a 175
= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 = 98.62/8
175.02 = 12.33
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Perbandingan Kesalahan Peramalan
∑ (forecast errors)
Rounded
2
Absolute Rounded Absolute
MSE = Actual Forecast Deviation Forecast Deviation
Tonnage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1
For a 180
= .10 175 5.00 175 5.00
2 = 1,526.54/8
168 175.5 = 190.82
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a 175
= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 = 1,561.91/8
205 175.02 = 195.24
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
Perbandingan Kesalahan Peramalan
n
∑100|deviation
Rounded i|/actuali Rounded
Absolute Absolute
MAPE =Actual
i=1 Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 n a = .10 a = .50 a = .50
1
For a =
180
.10 175 5.00 175 5.00
2 168 = 175.5
44.75/8 = 5.59%
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a
175= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 = 54.05/8
175.02 =29.98
6.76% 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
Perbandingan Kesalahan Peramalan
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
Exponential Smoothing with Trend
Adjustment
Ketika tren hadir, smoothing eksponensial
harus dimodifikasi
Ft = a(At - 1) + (1 - a)(Ft - 1 + Tt - 1)
Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1
Step 1: Menghitung Ft
Step 2: Menghitung Tt
Step 3: Hitung peramalannya FITt = Ft + Tt
Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17
3 20
4 19
Step 1: Peramalan untuk bulan ke-2
5 24
6 21
F2 = aA1 + (1 - a)(F1 + T1)
7 31
8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36 = 2.4 + 10.4 = 12.8 units
10
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
Step 2: Trend untuk bulan kedua
5 24
6 21
T2 = b(F2 - F1) + (1 - b)T1
7 31
8 28 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36 = .72 + 1.2 = 1.92 units
10
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
Step 3: Menghitung FIT untuk bulan kedua
5 24
6 21
FIT2 = F2 + T2
7 31
8 28 FIT2 = 12.8 + 1.92
9 36 = 14.72 units
10
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
35 –
Actual demand (At)
30 –
Product demand
25 –
20 –
15 –
10 –
Forecast including trend (FITt)
with = .2 and = .4
5 –
0 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
Proyeksi Tren
Menyesuaikan garis tren ke titik data historis
untuk diproyeksikan ke jangka menengah dan
panjang
Tren linier dapat ditemukan menggunakan teknik
kuadrat terkecil
^
y = a + bx
^ Dimana y = nilai yang dihitung dari variabel yang
akan diprediksi (variabel tak bebas)
a = y-axis intercept
b = slope dari grafik regresi
x = variabel independen
Values of Dependent Variable Least Squares Method
Deviation5 Deviation6
Deviation3
Deviation4
Deviation1
(error) Deviation2
Trend line, y^ = a + bx
Deviation5 Deviation6
Deviation3
Metode kuadrat terkecil meminimalkan
jumlah kesalahan kuadrat
(penyimpangan)
Deviation4
Deviation1
(error) Deviation2
Trend line, y^ = a + bx
^
y = a + bx
Sxy - nxy
b=
Sx2 - nx2
a = y - bx
Least Squares Example
Time Electrical Power
Year Period (x) Demand x2 xy
2003 1 74 1 74
2004 2 79 4 158
2005 3 80 9 240
2006 4 90 16 360
2007 5 105 25 525
2008 6 142 36 852
2009 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
Variasi Musiman Dalam Data
Model musiman
multiplikatif dapat
menyesuaikan data
tren untuk variasi
musiman dalam
permintaan
Variasi Musiman Dalam Data
Langkah-langkah dalam proses:
1. Temukan rata-rata permintaan historis untuk setiap musim
2. Hitung permintaan rata-rata dari semua musim
3. Hitung indeks musiman untuk setiap musim
4. Perkirakan total permintaan tahun depan
5. Bagilah perkiraan ini dari total permintaan dengan jumlah musim, lalu
kalikan dengan indeks musiman untuk musim itu
Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr 90 95 115 100 94
May 113 125 131 123 94
Jun 110 115 120 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94
Mar 80 93 Rata-rata
82 85 bulanan 2007-2009
permintaan 94
AprSeasonal90index 95
= 115
Permintaan 100 bulanan 94
rata-rata
May 113 125 131 123 94
Jun 110 115= 90/94 120 = .957 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80 93 82 85 94 0.904
Apr 90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Aug 88 102 110 100 94 1.064
Sept 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dec 82 78 80 80 94 0.851
Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 Peramalan
85 untuk 2010
80 94 0.851
Mar 80 93 82 85 94 0.904
Apr 90Permintaan
95 tahunan
115 yang diharapkan
100 = 1,200 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 1,200 115 94 1.223
Jan x .957 = 96
Jul 100 102 113 105 94 1.117
Aug 88 102 110 12 100 94 1.064
1,200
Sept 85 90 Feb 95 90
x .851 = 85 94 0.957
Oct 77 78 85 80 94 0.851
12
Nov 75 72 83 80 94 0.851
Dec 82 78 80 80 94 0.851
Contoh Indeks Musiman
2010 Peramalan
140 – 2009 Permintaan
130 – 2008 Permintaan
2007 Permintaan
120 –
Demand
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Time
San Diego Hospital
Trend Data
10,200 –
10,000 –
Inpatient Days
9745
9,800 – 9659 9702
9573 9616 9766
9,600 – 9530 9680 9724
9594 9637
9551
9,400 –
9,200 –
| | | | | | | | | | | |
9,000 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.6
San Diego Hospital
Seasonal Indices
1.06 –
1.04 1.04
Index for Inpatient Days
1.04 – 1.03
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
| | | | | | | | | | | |
0.92 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.7
San Diego Hospital
Combined Trend and Seasonal Forecast
10,200 – 10068
9949
10,000 – 9911
Inpatient Days
9764 9724
9,800 – 9691
9572
9,600 –
9520 9542
9,400 –
9411
9265 9355
9,200 –
| | | | | | | | | | | |
9,000 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.8
Peramalan Asosiatif
Digunakan ketika perubahan dalam satu atau lebih
variabel independen dan dapat digunakan untuk
memprediksi perubahan dalam variabel dependen
^
y = a + bx
^ y = computed value of the variable to be predicted
(dependent variable)
a = y-axis intercept
b = slope of the regression line
x = the independent variable though to predict the
value of the dependent variable
Contoh Peramalan Asosiatif
Sales Area Payroll
($ millions), y ($ billions), x
2.0 1
3.0 3
2.5 4
2.0 2 4.0 –
2.0 1
3.0 –
3.5 7 Sales
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
Contoh Peramalan Asosiatif
Sales, y Payroll, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18 ∑x2 = 80 ∑xy = 51.5
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
Kesalahan Standar Estimasi
Peramalan hanyalah perkiraan titik dari nilai
masa depan
Titik ini sebenarnya
adalah rata-rata
4.0 –
dari distribusi 3.25
3.0 –
Nodel’s sales
probabilitas
2.0 –
1.0 –
Figure 4.9 | | | | | | |
0 1 2 3 4 5 6 7
Area payroll
Kesalahan Standar Estimasi
∑(y - yc)2
Sy,x =
n-2
Dimana y = nilai-y dari setiap titik data
yc = nilai yang dihitung dari variabel
dependen, dari persamaan regresi
n = jumlah titik data
Kesalahan Standar Estimasi
Secara komputasi, persamaan ini jauh
lebih mudah digunakan
Sy,x = .306
4.0 –
3.25
Nodel’s sales 3.0 –
Kesalahan standar dari
estimasi ini adalah $ 306.000
2.0 –
dalam penjualan
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
Korelasi
Seberapa kuat hubungan linier antar
variabel?
Korelasi tidak selalu menyiratkan
hubungan sebab akibat!
Koefisien korelasi, r, mengukur derajat
asosiasi
Nilai berkisar dari -1 hingga +1
Koefisien korelasi
nSxy - SxSy
r=
[nSx2 - (Sx)2][nSy2 - (Sy)2]
y y
Correlation Coefficient
nSxy - SxSy
r=
(a) Korelasi positif [nSx
x
2
- (Sx)2][nSy(b)
2
- Korelasi
(Sy)2]positif: x
sempurna: r = +1 0 <r <1
y y
^
y = 1.80 + .30x1 - 5.0x2
Koefisien korelasi yang diperbaiki dari r = 0,96 berarti model ini melakukan
pekerjaan yang lebih baik dalam memprediksi perubahan dalam penjualan
konstruksi
Acceptable
0 MADs range
Time
Contoh Tracking Signal
Cumulative
Absolute Absolute
Actual Forecast Cumm Forecast Forecast
Qtr Demand Demand Error Error Error Error MAD
1 90 100 -10 -10 10 10 10.0
2 95 100 -5 -15 5 15 7.5
3 115 100 +15 0 15 30 10.0
4 100 110 -10 -10 10 40 10.0
5 125 110 +15 +5 15 55 11.0
6 140 110 +30 +35 30 85 14.2
Contoh Tracking Signal
Cumulative
Tracking Absolute Absolute
Signal Forecast
Actual Cumm Forecast Forecast
Qtr (Cumm Demand
Demand Error/MAD)
Error Error Error Error MAD
1 90-10/10 =100
-1 -10 -10 10 10 10.0
2 95-15/7.5 100
= -2 -5 -15 5 15 7.5
3 1150/10 = 0100 +15 0 15 30 10.0
4 100-10/10 =110
-1 -10 -10 10 40 10.0
5 125+5/11 =110
+0.5 +15 +5 15 55 11.0
6 140+35/14.2110= +2.5 +30 +35 30 85 14.2
Variasi sinyal pelacakan antara -2.0 dan +2.5 berada dalam batas
yang dapat diterima
Peramalan Adaptif
Dapat menggunakan komputer untuk
memonitor secara terus-menerus
kesalahan ramalan dan menyesuaikan
nilai-nilai koefisien a dan b yang
digunakan dalam perataan eksponensial
untuk terus meminimalkan kesalahan
ramalan
Teknik ini disebut pemulusan adaptif
Peramalan Focus
Dikembangkan oleh American Hardware Supply,
berdasarkan dua prinsip:
1. Model peramalan yang canggih tidak selalu lebih baik dari yang
sederhana
2. Tidak ada teknik tunggal yang harus digunakan untuk semua
produk atau layanan
15% –
10% –
5% –
10% –
8% –
6% –
4% –
2% –
0% – 2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hour of day
Figure 4.12