Peramalan sederhana yang rata rata bergerak

OR-Notes adalah serangkaian catatan pengantar tentang topik yang termasuk dalam judul penelitian bidang operasi (OR). Mereka awalnya digunakan oleh saya dalam kursus perkenalan ATAU yang saya berikan di Imperial College. Mereka sekarang tersedia untuk digunakan oleh siswa dan guru yang tertarik atau tunduk pada kondisi berikut. Daftar lengkap topik yang tersedia di OR-Notes dapat ditemukan di sini. Contoh peramalan Peramalan contoh 1996 UG exam Permintaan produk dalam setiap lima bulan terakhir ditunjukkan di bawah ini. Gunakan rata-rata pergerakan dua bulan untuk menghasilkan perkiraan permintaan di bulan 6. Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,9 untuk menghasilkan perkiraan permintaan permintaan di bulan 6. Manakah dari kedua perkiraan yang Anda inginkan dan mengapa perpindahan kedua bulan ini Rata-rata untuk bulan dua sampai lima diberikan oleh: Prakiraan untuk bulan ke enam hanyalah rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak untuk bulan 5 m 5 2350. Menerapkan pemulusan eksponensial dengan konstanta pemulusan sebesar 0,9, kita mendapatkan: Seperti sebelumnya Ramalan untuk bulan enam hanya rata-rata untuk bulan 5 M 5 2386 Untuk membandingkan dua prakiraan kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 dan untuk rata-rata merapikan secara eksponensial dengan konstanta smoothing 0,9 MSD (13 - 17) sup2 10.44 Secara keseluruhan, kita melihat bahwa pemulusan eksponensial tampaknya memberikan perkiraan satu bulan terbaik di depan karena memiliki MSD yang lebih rendah. Makanya kita lebih memilih ramalan 2386 yang telah diproduksi oleh smoothing eksponensial. Peramalan contoh ujian UG 1994 Tabel di bawah ini menunjukkan permintaan aftershave baru di toko untuk masing-masing 7 bulan terakhir. Hitung moving average dua bulan untuk bulan dua sampai tujuh. Berapa perkiraan Anda untuk permintaan di bulan delapan Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,1 untuk menurunkan perkiraan permintaan di bulan ke delapan. Manakah dari dua prakiraan untuk bulan delapan yang Anda sukai dan mengapa penjaga toko percaya bahwa pelanggan beralih ke merek baru ini dari merek lain. Diskusikan bagaimana Anda bisa memodelkan perilaku switching ini dan menunjukkan data yang Anda perlukan untuk mengkonfirmasi apakah peralihan ini terjadi atau tidak. Rata-rata pergerakan dua bulan untuk bulan kedua sampai tujuh diberikan oleh: Perkiraan untuk bulan ke delapan hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak untuk bulan 7 m 7 46. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,1 Dapatkan: Seperti sebelum perkiraan untuk bulan ke delapan hanya rata-rata untuk bulan 7 M 7 31.11 31 (karena kita tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,1 keseluruhan, maka kita melihat bahwa rata-rata pergerakan dua bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kita lebih memilih perkiraan 46 yang telah dihasilkan oleh moving average dua bulan. Untuk memeriksa peralihan kita perlu menggunakan model proses Markov, di mana negara merek dan kita memerlukan informasi keadaan awal dan probabilitas switching pelanggan (dari survei). Kita perlu menjalankan model pada data historis untuk melihat apakah kita memiliki kesesuaian antara model dan perilaku historis. Peramalan contoh ujian UG 1992 Tabel di bawah ini menunjukkan permintaan untuk merek pisau cukur tertentu di toko untuk masing-masing sembilan bulan terakhir. Hitung rata-rata pergerakan tiga bulan selama bulan tiga sampai sembilan. Berapa perkiraan perkiraan permintaan Anda pada bulan ke sepuluh Terapkan smoothing eksponensial dengan konstanta pemulusan 0,3 untuk mendapatkan perkiraan permintaan pada bulan ke sepuluh. Manakah dari dua perkiraan untuk sepuluh bulan yang Anda inginkan dan mengapa rata-rata moving average tiga bulan untuk bulan 3 sampai 9 diberikan oleh: Prakiraan untuk bulan ke 10 hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata pergerakan untuk bulan 9 m 9 20.33. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk 10 bulan adalah 20. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,3 kita dapatkan: Seperti sebelum perkiraan untuk bulan ke 10 hanya rata-rata untuk bulan 9 M 9 18.57 19 (seperti kita Tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,3 Secara keseluruhan, kita melihat bahwa rata-rata pergerakan tiga bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kami lebih memilih perkiraan 20 yang telah dihasilkan oleh moving average tiga bulan. Peramalan contoh ujian UG 1991 Tabel di bawah ini menunjukkan permintaan untuk merek mesin faks tertentu di sebuah toserba dalam masing-masing dua belas bulan terakhir. Hitung moving average empat bulan untuk bulan 4 sampai 12. Berapa perkiraan perkiraan permintaan Anda di bulan 13 Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,2 untuk mendapatkan perkiraan permintaan di bulan 13. Manakah dari dua perkiraan untuk bulan 13 apakah Anda lebih suka dan mengapa Faktor lain apa, yang tidak dipertimbangkan dalam perhitungan di atas, mungkin mempengaruhi permintaan untuk mesin faks di bulan 13 Rata-rata moving average empat bulan untuk bulan ke 4 sampai 12 diberikan oleh: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prakiraan untuk bulan ke 13 hanyalah rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak Untuk bulan 12 m 12 46,25. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk bulan ke 13 adalah 46. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,2 kita dapatkan: Seperti sebelum perkiraan untuk bulan ke 13 hanya rata-rata untuk bulan 12 M 12 38.618 39 (seperti kita Tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,2 Secara keseluruhan, kita melihat bahwa rata-rata pergerakan empat bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kita lebih memilih perkiraan 46 yang telah dihasilkan oleh rata-rata pergerakan empat bulan. Perubahan permintaan harga iklan musiman, kedua merek dan merek lain ini situasi ekonomi umum teknologi baru Peramalan contoh 1989 UG exam Tabel di bawah ini menunjukkan permintaan untuk merek microwave oven tertentu di sebuah department store dalam masing-masing dua belas bulan terakhir. Hitung moving average enam bulan untuk setiap bulannya. Berapa perkiraan Anda untuk permintaan di bulan 13 Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,7 untuk mendapatkan perkiraan permintaan pada bulan 13. Manakah dari dua perkiraan untuk bulan 13 yang Anda inginkan dan mengapa Sekarang kita tidak dapat menghitung enam Bulan bergerak sampai kita memiliki setidaknya 6 pengamatan - yaitu kita hanya bisa menghitung rata-rata seperti itu dari bulan ke 6 dan seterusnya. Oleh karena itu kita memiliki: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38.17 Prakiraan untuk bulan 13 hanyalah rata-rata pergerakan untuk Bulan sebelumnya yaitu moving average untuk bulan 12 m 12 38.17. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk bulan ke 13 adalah 38. Menerapkan pemulusan eksponensial dengan konstanta pemulusan sebesar 0,7 yang kita dapatkan: Moving Average Contoh ini mengajarkan cara menghitung rata-rata pergerakan deret waktu di Excel. Rata-rata bergerak digunakan untuk memperlancar penyimpangan (puncak dan lembah) agar mudah mengenali tren. 1. Pertama, mari kita lihat rangkaian waktu kita. 2. Pada tab Data, klik Analisis Data. Catatan: cant menemukan tombol Analisis Data Klik disini untuk memuat add-in Analisis ToolPak. 3. Pilih Moving Average dan klik OK. 4. Klik pada kotak Input Range dan pilih range B2: M2. 5. Klik di kotak Interval dan ketik 6. 6. Klik pada kotak Output Range dan pilih sel B3. 8. Plot grafik nilai-nilai ini. Penjelasan: karena kita mengatur interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan titik data saat ini. Akibatnya, puncak dan lembah dihaluskan. Grafik menunjukkan tren yang semakin meningkat. Excel tidak bisa menghitung moving average untuk 5 poin data pertama karena tidak ada cukup data point sebelumnya. 9. Ulangi langkah 2 sampai 8 untuk interval 2 dan interval 4. Kesimpulan: Semakin besar interval, semakin puncak dan lembah dihaluskan. Semakin kecil interval, semakin dekat rata-rata bergerak ke titik data aktual. Peramalan Perkiraan melibatkan pembuatan sejumlah, kumpulan angka, atau skenario yang sesuai dengan kejadian di masa depan. Ini sangat penting untuk perencanaan jangka pendek dan jarak jauh. Menurut definisi, perkiraan didasarkan pada data masa lalu, berlawanan dengan prediksi, yang lebih subjektif dan berdasarkan naluri, naluri, atau dugaan. Misalnya, berita malam memberi cuaca x0022forecastx0022 bukan cuaca x0022prediction. x0022 Apapun, istilah ramalan dan prediksi sering digunakan secara bergantian. Misalnya, definisi teknik regresix2014a yang kadang-kadang digunakan dalam peramalan secara umum menyatakan bahwa tujuannya adalah untuk menjelaskan atau x0022predict. x0022 Peramalan didasarkan pada sejumlah asumsi: Masa lalu akan berulang sendiri. Dengan kata lain, apa yang telah terjadi di masa lalu akan terjadi lagi di masa depan. Seiring perkiraan horison semakin pendek, perkiraan akurasi meningkat. Misalnya, ramalan untuk besok akan lebih akurat daripada perkiraan untuk bulan depan perkiraan untuk bulan depan akan lebih akurat daripada perkiraan untuk tahun depan dan perkiraan untuk tahun depan akan lebih akurat daripada perkiraan selama sepuluh tahun di masa depan. Peramalan secara agregat lebih akurat daripada meramalkan item individual. Ini berarti bahwa perusahaan akan dapat meramalkan permintaan total atas keseluruhan spektrum produknya secara lebih akurat daripada yang dapat meramalkan unit penyimpanan individual (SKU). Misalnya, General Motors bisa memperkirakan secara lebih akurat jumlah mobil yang dibutuhkan untuk tahun depan dibanding jumlah Chevrolet Impalas putih dengan paket pilihan tertentu. Perkiraan jarang akurat. Selanjutnya, prakiraan hampir tidak pernah benar-benar akurat. Sementara beberapa di antaranya sangat dekat, hanya sedikit yang benar-benar menghasilkan uang. x0022 Oleh karena itu, bijaksana untuk menawarkan perkiraan x0022range. x0022 Jika seseorang meramalkan permintaan 100.000 unit untuk bulan depan, sangat tidak mungkin permintaan tersebut setara dengan 100.000 persis. Namun, perkiraan 90.000 sampai 110.000 akan memberikan target perencanaan yang jauh lebih besar. William J. Stevenson mencantumkan sejumlah karakteristik yang umum untuk perkiraan yang baik: Tingkat ketelitian yang akurat harus ditentukan dan dinyatakan sehingga perbandingan dapat dilakukan terhadap prakiraan alternatif. Metode perkiraan harus konsisten memberikan perkiraan yang baik jika pengguna menetapkan tingkat kepercayaan diri tertentu. Timelyx2014a sejumlah waktu diperlukan untuk merespons ramalan sehingga cakrawala peramalan harus memungkinkan waktu yang diperlukan untuk melakukan perubahan. Mudah digunakan dan dipahami para peramal ramalan harus yakin dan nyaman bekerja dengannya. Biaya-efektifx2014 biaya pembuatan ramalan seharusnya tidak melebihi manfaat yang diperoleh dari perkiraan. Teknik peramalan berkisar dari yang sederhana sampai yang sangat kompleks. Teknik ini biasanya diklasifikasikan bersifat kualitatif atau kuantitatif. TEKNIK KUALITATIF Teknik peramalan kualitatif umumnya lebih subjektif daripada rekan kuantitatif mereka. Teknik kualitatif lebih bermanfaat pada tahap awal siklus hidup produk, bila data di masa lampau tidak ada untuk digunakan dalam metode kuantitatif. Metode kualitatif meliputi teknik Delphi, Nominal Group Technique (NGT), pendapat sales force, pendapat eksekutif, dan riset pasar. TEKNIK DELPHI Teknik Delphi menggunakan panel ahli untuk menghasilkan ramalan. Setiap ahli diminta memberikan perkiraan khusus untuk kebutuhan di tangan. Setelah prakiraan awal dibuat, setiap ahli membaca apa yang ditulis oleh setiap ahli lainnya dan, tentu saja, dipengaruhi oleh pandangan mereka. Perkiraan berikutnya kemudian dibuat oleh masing-masing ahli. Setiap ahli kemudian membaca lagi apa yang setiap ahli lainnya tulis dan sekali lagi dipengaruhi oleh persepsi orang lain. Proses ini berulang dengan sendirinya sampai setiap ahli mendekati kesepakatan mengenai skenario atau angka yang dibutuhkan. TEKNIK KELOMPOK KELOMPOK Teknik Nominal Group mirip dengan teknik Delphi karena menggunakan sekelompok peserta, biasanya para ahli. Setelah para peserta menanggapi pertanyaan yang terkait dengan ramalan, mereka memberi peringkat tanggapan mereka sesuai dengan kepentingan kepentingan yang dirasakan. Kemudian rangking dikumpulkan dan dikumpulkan. Akhirnya, kelompok tersebut harus mencapai konsensus mengenai prioritas isu-isu peringkat. PENDAPATAN FORCE PENJUALAN. Staf penjualan sering menjadi sumber informasi yang baik mengenai permintaan masa depan. Manajer penjualan dapat meminta masukan dari masing-masing sales person dan mengumpulkan tanggapan mereka ke dalam ramalan penjualan komparator. Perhatian harus dilakukan saat menggunakan teknik ini karena anggota tenaga penjualan mungkin tidak dapat membedakan antara apa yang pelanggan katakan dan apa yang sebenarnya mereka lakukan. Juga, jika prakiraan akan digunakan untuk menetapkan kuota penjualan, tenaga penjualan mungkin tergoda untuk memberikan perkiraan yang lebih rendah. PENDAPAT EKSEKUTIF. Terkadang manajer tingkat atas bertemu dan mengembangkan prakiraan berdasarkan pengetahuan mereka tentang wilayah tanggung jawab mereka. Hal ini kadang disebut sebagai juri opini eksekutif. PENELITIAN PASAR. Dalam riset pasar, survei konsumen digunakan untuk menetapkan permintaan potensial. Penelitian pemasaran semacam itu biasanya melibatkan pembuatan kuesioner yang meminta informasi pribadi, demografis, ekonomi, dan pemasaran. Terkadang, para periset pasar mengumpulkan informasi semacam itu secara langsung di gerai ritel dan mal, di mana konsumen dapat merasakan, mencium, merasakan, mencium, dan mengeluarkan produk tertentu. Peneliti harus berhati-hati agar sampel orang yang disurvei mewakili target konsumen yang diinginkan. TEKNIK KUANTITATIF Teknik peramalan kuantitatif umumnya lebih obyektif daripada rekan kualitatif mereka. Perkiraan kuantitatif dapat berupa perkiraan waktu seri (yaitu proyeksi masa lalu ke masa depan) atau perkiraan berdasarkan model asosiatif (yaitu berdasarkan satu atau lebih variabel penjelas). Data deret waktu mungkin mendasari perilaku yang perlu diidentifikasi oleh peramal. Selain itu, ramalan mungkin perlu mengidentifikasi penyebab perilaku. Beberapa perilaku ini mungkin merupakan pola atau variasi acak saja. Di antara pola-pola tersebut adalah: Tren, yaitu pergerakan jangka panjang (atas atau bawah) dalam data. Musiman, yang menghasilkan variasi jangka pendek yang biasanya berhubungan dengan waktu tahun, bulan, atau bahkan hari tertentu, seperti yang disaksikan oleh penjualan eceran pada hari Natal atau lonjakan aktivitas perbankan pada bulan pertama dan pada hari Jumat. Siklus, yang merupakan variasi mirip gelombang yang berlangsung lebih dari satu tahun yang biasanya terkait dengan kondisi ekonomi atau politik. Variasi tidak beraturan yang tidak mencerminkan perilaku khas, seperti periode cuaca ekstrem atau pemogokan serikat. Variasi acak, yang mencakup semua perilaku non-tipikal yang tidak diperhitungkan oleh klasifikasi lainnya. Di antara model time-series, yang paling sederhana adalah perkiraan naxexpve. Perkiraan naxEFve hanya menggunakan permintaan aktual untuk periode lalu sebagai perkiraan permintaan untuk periode berikutnya. Ini, tentu saja, membuat asumsi bahwa masa lalu akan berulang. Ini juga mengasumsikan bahwa setiap tren, musiman, atau siklus tercermin dalam permintaan periode sebelumnya atau tidak ada. Contoh peramalan naxEFve disajikan pada Tabel 1. Tabel 1 Peramalan NaxEFve Teknik sederhana lainnya adalah penggunaan rata-rata. Untuk membuat perkiraan menggunakan rata-rata, kita hanya menghitung rata-rata beberapa periode periode data terakhir dengan menjumlahkan setiap periode dan membagi hasilnya dengan jumlah periode. Teknik ini telah ditemukan sangat efektif untuk peramalan jangka pendek. Variasi rata-rata meliputi rata-rata bergerak, rata-rata tertimbang, dan rata-rata pergerakan tertimbang. Rata-rata bergerak mengambil jumlah periode yang telah ditentukan, menghitung permintaan aktual mereka, dan membagi dengan jumlah periode untuk mencapai perkiraan. Untuk setiap periode berikutnya, periode data tertua turun dan periode terakhir ditambahkan. Dengan asumsi rata-rata pergerakan tiga bulan dan menggunakan data dari Tabel 1, satu akan menambahkan 45 (Januari), 60 (Februari), dan 72 (Maret) dan membagi dengan tiga untuk mencapai perkiraan untuk bulan April: 45 60 72 177 X00F7 3 59 Untuk sampai pada perkiraan untuk bulan Mei, seseorang akan menurunkan permintaan Januarix0027 dari persamaan dan menambahkan permintaan dari bulan April. Tabel 2 menyajikan contoh ramalan rata-rata bergerak tiga bulan. Tabel 2 Tiga Bulan Bergerak Rata-rata Prakiraan Permintaan Aktual (000x0027s) Rata-rata tertimbang menerapkan bobot yang telah ditentukan untuk setiap bulan data sebelumnya, meramalkan data masa lalu dari setiap periode, dan membaginya dengan total bobotnya. Jika peramal menyesuaikan bobot sehingga jumlah mereka sama dengan 1, maka bobotnya dikalikan dengan permintaan aktual setiap periode yang berlaku. Hasilnya kemudian dijumlahkan untuk mencapai ramalan tertimbang. Umumnya, data yang lebih baru semakin tinggi bobotnya, dan semakin tua data semakin kecil bobotnya. Dengan menggunakan contoh permintaan, rata-rata tertimbang menggunakan bobot 0,4. 3. 2, dan .1 akan menghasilkan ramalan untuk bulan Juni sebagai: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Peramal juga dapat menggunakan kombinasi rata-rata tertimbang dan perkiraan rata-rata bergerak . Perkiraan rata-rata bergerak tertimbang memberi bobot pada jumlah data aktual yang telah ditentukan sebelumnya dan menghitung perkiraan dengan cara yang sama seperti yang dijelaskan di atas. Seperti semua perkiraan yang bergerak, karena setiap periode baru ditambahkan, data dari periode tertua dibuang. Tabel 3 menunjukkan perkiraan rata-rata pergerakan tertimbang tiga bulan dengan menggunakan bobot .5. 3, dan .2. Tabel 3 Moving Average Average Average Moving Average Actual Demand (000x0027s) Bentuk yang lebih kompleks dari rata-rata bergerak tertimbang adalah eksponensial smoothing, dinamakan demikian karena beratnya turun secara eksponensial seperti umur data. Pemulusan eksponensial mengambil ramalan periodx0027 sebelumnya dan menyesuaikannya dengan konstanta perataan yang telah ditentukan sebelumnya, x03AC (disebut alpha nilai untuk alpha kurang dari satu) dikalikan dengan perbedaan pada perkiraan sebelumnya dan permintaan yang benar-benar terjadi selama periode yang diperkirakan sebelumnya (disebut Kesalahan perkiraan). Eksponasi eksponensial dinyatakan secara simultan seperti: Perkiraan baru perkiraan sebelumnya alfa (permintaan aktual x2212 perkiraan sebelumnya) FF x03AC (A x2212 F) Eksponensial smoothing memerlukan peramal untuk memulai perkiraan pada periode sebelumnya dan bekerja maju ke periode dimana arus Perkiraan diperlukan Sejumlah besar data masa lalu dan perkiraan awal atau awal juga diperlukan. Perkiraan awal bisa menjadi perkiraan aktual dari periode sebelumnya, permintaan aktual dari periode sebelumnya, atau dapat diperkirakan dengan rata-rata seluruh atau sebagian data masa lalu. Beberapa heuristik ada untuk menghitung perkiraan awal. Sebagai contoh, heuristik N (2 xF7 x03AC) x2212 1 dan alfa 0,5 akan menghasilkan N dari 3, menunjukkan bahwa pengguna akan rata-rata tiga periode pertama data untuk mendapatkan perkiraan awal. Namun, keakuratan perkiraan awal tidak penting jika seseorang menggunakan data dalam jumlah besar, karena pemulusan eksponensial adalah x0022 self-correcting. x0022 Mengingat periode data masa lalu yang cukup, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi awal yang tidak tepat. ramalan cuaca. Dengan menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alfa 0,7, perkiraan untuk bulan Februari dihitung sebagai berikut: Perkiraan baru (Februari) 50,97 (45 x2212 50) 41,5 Selanjutnya, perkiraan untuk bulan Maret : Perkiraan baru (Maret) 41,5 .7 (60 x2212 41,5) 54,45 Proses ini berlanjut sampai peramal mencapai periode yang diinginkan. Pada Tabel 4 ini akan dilakukan untuk bulan Juni, karena permintaan aktual untuk Juni tidak diketahui. Permintaan Aktual (000x0027s) Perpanjangan smoothing eksponensial dapat digunakan saat data deret waktu menunjukkan tren linier. Metode ini dikenal dengan beberapa nama: perataan eksponensial smoothing trend smoothing yang disesuaikan dengan trend termasuk tren (FIT) dan Model Holtx0027s. Tanpa penyesuaian, hasil smoothing eksponensial sederhana akan tertinggal tren, yaitu ramalan akan selalu rendah jika trennya meningkat, atau tinggi jika trennya menurun. Dengan model ini ada dua konstanta smoothing, x03AC dan x03B2 dengan x03B2 yang mewakili komponen tren. Perpanjangan Model Holtx0027, yang disebut Metode Holt-Winterx0027s, mempertimbangkan tren dan musiman. Ada dua versi, multiplicative dan aditif, dengan multiplicative yang paling banyak digunakan. Dalam model aditif, musiman dinyatakan sebagai kuantitas yang akan ditambahkan atau dikurangkan dari rata-rata seri. Model multiplikatif mengekspresikan musiman sebagai persentase yang dikenal sebagai kerabat musiman atau indeks musiman dari rata-rata (atau tren). Ini kemudian dikalikan nilai kali untuk menggabungkan musiman. Seorang kerabat dari 0,8 akan mengindikasikan permintaan yaitu 80 persen dari rata-rata, sementara 1,10 akan mengindikasikan permintaan yang 10 persen di atas rata-rata. Informasi terperinci mengenai metode ini dapat ditemukan di sebagian besar buku teks manajemen operasi atau salah satu dari sejumlah buku tentang peramalan. Teknik asosiatif atau kausal melibatkan identifikasi variabel yang dapat digunakan untuk memprediksi variabel minat lainnya. Misalnya, suku bunga dapat digunakan untuk meramalkan permintaan refinancing rumah. Biasanya, ini melibatkan penggunaan regresi linier, di mana tujuannya adalah untuk mengembangkan persamaan yang merangkum efek variabel prediktor (independen) pada variabel perkiraan (dependen). Jika variabel prediktor diplot, objeknya adalah untuk mendapatkan persamaan garis lurus yang meminimalkan jumlah penyimpangan kuadrat dari garis (dengan penyimpangan adalah jarak dari setiap titik ke garis). Persamaan akan muncul sebagai: ya bx, di mana y adalah variabel yang diprediksi (tergantung), x adalah variabel prediktor (independen), b adalah kemiringan garis, dan a sama dengan tinggi garis pada y - mencegat. Setelah persamaan ditentukan, pengguna dapat memasukkan nilai arus untuk variabel prediktor (independen) sampai pada perkiraan (variabel dependen). Jika ada lebih dari satu variabel prediktor atau jika hubungan antara prediktor dan ramalan tidak linier, regresi linier sederhana tidak akan memadai. Untuk situasi dengan beberapa prediktor, regresi berganda harus digunakan, sementara hubungan non linier memerlukan penggunaan regresi curvilinear. PERAMALAN EKONOMETRIK Metode ekonometrik, seperti model moving-average terintegrasi autoregressive (ARIMA), menggunakan persamaan matematis yang kompleks untuk menunjukkan hubungan masa lalu antara permintaan dan variabel yang mempengaruhi permintaan. Persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa representasi hubungan pastilah mungkin dapat diandalkan. Setelah ini dilakukan, proyeksi nilai variabel yang mempengaruhi (pendapatan, harga, dll.) Dimasukkan ke dalam persamaan untuk membuat perkiraan. EVALUASI FORECAS Prakiraan akurasi dapat ditentukan dengan menghitung bias, mean absolute deviation (MAD), mean square error (MSE), atau mean absolute percent error (MAPE) untuk perkiraan menggunakan nilai alpha yang berbeda. Bias adalah jumlah kesalahan perkiraan x2211 (FE). Untuk contoh eksponensial smoothing di atas, bias yang dihitung adalah: (60 x2212 41,5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6.69 Jika seseorang mengasumsikan bahwa bias rendah mengindikasikan kesalahan perkiraan secara keseluruhan rendah, seseorang dapat Hitung bias untuk sejumlah nilai potensial alpha dan asumsikan yang satu dengan bias terendah akan menjadi yang paling akurat. Namun, kehati-hatian harus diperhatikan dalam ramalan yang tidak akurat tersebut dapat menghasilkan bias rendah jika mereka cenderung mengalami perkiraan dan perkiraan (negatif dan positif). Misalnya, selama tiga periode, perusahaan dapat menggunakan nilai alfa tertentu hingga perkiraan lebih dari 75.000 unit (x221275.000), yang diperkirakan oleh 100.000 unit (100.000), dan kemudian diperkirakan lebih dari 25.000 unit (x221225.000), menghasilkan Bias nol (x221275.000 100.000 x2212 25.000 0). Sebagai perbandingan, alpha lain yang menghasilkan perkiraan dari 2.000 unit, 1.000 unit, dan 3.000 unit akan menghasilkan bias 5.000 unit. Jika permintaan normal 100.000 unit per periode, alpha pertama akan menghasilkan perkiraan yang turun sebanyak 100 persen sementara alpha kedua akan turun maksimal 3 persen, meskipun bias pada perkiraan pertama adalah nol. Ukuran yang lebih aman dari perkiraan akurasi adalah mean absolute deviation (MAD). Untuk menghitung MAD, peramal menentukan nilai absolut dari kesalahan perkiraan dan kemudian dibagi dengan jumlah prakiraan (x2211 FE x00F7 N). Dengan mengambil nilai absolut dari kesalahan perkiraan, offset nilai positif dan negatif dihindari. Ini berarti bahwa perkiraan di atas 50 dan perkiraan di bawah 50 dinihari dengan 50. Dengan menggunakan data dari contoh smoothing eksponensial, MAD dapat dihitung sebagai berikut: (60 x2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) X00F7 4 16.35 Oleh karena itu, peramal tersebut rata-rata mencapai 16,35 unit per perkiraan. Bila dibandingkan dengan hasil alpha lainnya, peramal akan mengetahui bahwa alfa dengan MAD terendah menghasilkan ramalan yang paling akurat. Mean square error (MSE) juga bisa digunakan dengan cara yang sama. MSE adalah jumlah dari ramalan kesalahan kuadrat dibagi dengan N-1 (x2211 (FE)) x00F7 (N-1). Mengkuadratkan kesalahan perkiraan menghilangkan kemungkinan mengimbangi angka negatif, karena tidak ada hasilnya yang negatif. Dengan menggunakan data yang sama seperti di atas, MSE adalah: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Seperti pada MAD, peramal dapat membandingkan MSE prakiraan yang diturunkan dengan menggunakan berbagai nilai alfa dan Asumsikan alpha dengan MSE terendah menghasilkan ramalan yang paling akurat. Kesalahan persentase absolut rata-rata (MAPE) adalah kesalahan persentase absolut rata-rata. Untuk sampai pada MAPE seseorang harus mengambil jumlah rasio antara kesalahan perkiraan dan waktu permintaan aktual 100 (untuk mendapatkan persentase) dan bagi dengan N (x2211 Permintaan aktual x2212 perkiraan x00F7 Permintaan aktual) xD7 100 x00F7 N. Menggunakan data dari Contoh smoothing eksponensial, MAPE dapat dihitung sebagai berikut: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Seperti MAD dan MSE, semakin rendah kesalahan relatif perkiraan ramalan yang lebih akurat. Perlu dicatat bahwa dalam beberapa kasus kemampuan ramalan untuk berubah dengan cepat untuk merespons perubahan pola data dianggap lebih penting daripada akurasi. Oleh karena itu, pilihan metode peramalan onex0027 harus mencerminkan keseimbangan kepentingan antara akurasi dan responsif, seperti yang ditentukan oleh peramal. MEMBUAT FORECAST William J. Stevenson mencantumkan hal-hal berikut sebagai langkah dasar dalam proses peramalan: Tentukan tujuan forecastx0027s. Faktor-faktor seperti bagaimana dan kapan ramalan akan digunakan, tingkat akurasi yang dibutuhkan, dan tingkat detail yang diinginkan menentukan biaya (waktu, uang, karyawan) yang bisa dipersembahkan untuk ramalan dan jenis metode peramalan yang akan digunakan. . Menetapkan cakrawala waktu. Hal ini terjadi setelah seseorang menentukan tujuan ramalan tersebut. Perkiraan jangka panjang membutuhkan cakrawala waktu lebih lama dan sebaliknya. Akurasi lagi menjadi pertimbangan. Pilih teknik peramalan. Teknik yang dipilih tergantung pada tujuan ramalan, horison waktu yang diinginkan, dan biaya yang diijinkan. Kumpulkan dan analisis data. Jumlah dan jenis data yang dibutuhkan diatur oleh perkiraan perkiraan waktu, teknik peramalan yang dipilih, dan pertimbangan biaya apapun. Buat perkiraan. Pantau ramalannya. Evaluasi kinerja ramalan dan modifikasi, jika perlu. BACAAN LEBIH LANJUT: Finch, Byron J. Operasi Sekarang: Profitabilitas, Proses, Kinerja. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Analisis Ekonometrik. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 Proses Penelitian. Tersedia dari x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Juga baca artikel tentang Peramalan dari Wikipedia