Permintaan Peramalan Untuk Layanan [PDF]

Citation preview

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 sebabakibat, 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, orangorang dengan keahlian dalam suatu pertanyaan diberikan pertanyaan, dan orangorang 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 masingmasing 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 ratarata 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 nilainilai 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 ( N −1 ) ( 0+1+2+… ..+ N−1 ) 2 Rata-rata usia : = N N



( ) = N −1 2



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 ratarata 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



t =¿α



At + ( 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-kebulan 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.