ATAU-Catatan adalah serangkaian catatan pengantar tentang topik-topik yang termasuk dalam judul penelitian lapangan yang luas ATAU Mereka pada awalnya digunakan oleh saya dalam kursus perkenalan ATAU yang saya berikan di Imperial College Mereka sekarang tersedia untuk digunakan oleh siswa manapun dan Guru yang tertarik pada ATAU tunduk pada kondisi berikut. Daftar lengkap dari topik yang tersedia di OR-Notes dapat ditemukan di sini. Contoh-contoh untuk pengujian. Contoh pengujian 1996 UG ujian. Permintaan akan produk dalam setiap lima bulan terakhir ditunjukkan di bawah ini. Gunakan rata-rata moving average dua bulan untuk menghasilkan perkiraan permintaan di bulan 6.Apply smoothing eksponensial dengan konstanta pemulusan 0 9 untuk menghasilkan perkiraan permintaan permintaan di bulan 6. Dari kedua prakiraan yang Anda sukai dan mengapa. Rata-rata pergerakan dua bulan untuk bulan dua sampai lima diberikan oleh. Prakiraan untuk bulan keenam hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata pergerakan untuk bulan 5 m 5 2350.Applying eksponensial smoothing dengan smoothing Konstan dari 0 9 yang kita dapatkan. Seperti sebelum ramalan untuk bulan enam hanya rata-rata untuk bulan 5 M 5 2386. Untuk membandingkan dua perkiraan, kita menghitung mean squared deviation MSD Jika kita melakukan ini, kita akan menemukan bahwa untuk moving average. MSD 15 - 19 18 - 23 21 - 24 3 16 67. dan untuk rata - rata merapikan secara eksponensial dengan konstanta pemulusan 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44.Overall then we Lihat bahwa pemulusan eksponensial tampaknya memberikan perkiraan satu bulan yang terbaik di depan karena memiliki MSD yang lebih rendah. Oleh karena itu, kami lebih memilih perkiraan 2386 yang telah diproduksi oleh pemulusan eksponensial. Contoh pengujian ujian UG 1994. Tabel di bawah ini menunjukkan permintaan akan aftershave baru. Di toko untuk masing-masing 7 bulan terakhir. Hitung dua bulan rata-rata bergerak selama berbulan-bulan dua sampai tujuh. Apa perkiraan ramalan permintaan Anda di bulan ke delapan. Terapkan eksponensial smoothing dengan konstanta pemulusan 0 1 untuk menurunkan perkiraan untuk Permintaan di bulan delapan. Yang kedua perkiraan untuk bulan delapan lakukan yo Anda lebih memilih dan mengapa. Penjaga toko percaya bahwa pelanggan beralih ke aftershave baru ini dari merek lain Diskusikan bagaimana Anda dapat memodelkan perilaku switching ini dan menunjukkan data yang Anda perlukan untuk mengkonfirmasi apakah peralihan ini terjadi atau tidak. Pergerakan dua bulan Rata-rata untuk bulan dua sampai tujuh diberikan oleh. Prakiraan untuk bulan ke delapan hanyalah rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak untuk bulan 7 m 7 46.Applying eksponensial smoothing dengan konstanta pemulusan 0 1 yang kita dapatkan. 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 dua prakiraan kita menghitung mean squared deviation MSD Jika kita melakukan ini, kita akan menemukan bahwa untuk moving average. Untuk rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0 1.Overall maka kita melihat bahwa rata-rata pergerakan dua bulan tampaknya memberikan perkiraan satu bulan terbaik di depan karena memiliki MSD lebih rendah Oleh karena itu, kita lebih menyukai perkiraan o F 46 yang telah diproduksi oleh rata-rata pergerakan 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. Untuk contoh contoh ujian UG 1992. Tabel di bawah ini menunjukkan permintaan untuk merek pisau cukur tertentu di toko untuk masing-masing sembilan bulan terakhir. Hitung tiga bulan bergerak Rata-rata untuk bulan tiga sampai sembilan Berapa perkiraan perkiraan permintaan Anda pada bulan ke sepuluh. Apply smoothing eksponensial dengan konstanta pemulusan 0 3 untuk menurunkan perkiraan permintaan pada sepuluh bulan. Yang dua perkiraan untuk sepuluh bulan yang Anda inginkan Dan mengapa. Rata-rata pergerakan tiga bulan untuk bulan 3 sampai 9 diberikan oleh perkiraan. Ramalan untuk bulan ke-10 hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata pergerakan untuk bulan 9 m 9 20 33. Hal yang tidak dapat kita miliki Permintaan fraksional ramalan untuk bulan ke 10 adalah 20.Applying eksponensial smoothing dengan konstanta pemulusan 0 3 yang kita dapatkan. Seperti sebelum ramalan untuk bulan ke 10 hanya rata-rata untuk bulan 9 M 9 18 57 19 karena kita tidak dapat memiliki permintaan fraksional. Bandingkan dua perkiraan yang kita hitung MSD kuadrat kuadrat rata-rata Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak. Dan untuk rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0 3.Overall maka kita melihat bahwa rata-rata pergerakan tiga bulan tampak memberi Perkiraan satu bulan yang terbaik di depan karena memiliki MSD yang lebih rendah Oleh karena itu, kami lebih memilih perkiraan 20 yang telah dihasilkan oleh rata-rata pergerakan tiga bulan. Contoh pengujian ujian UG 1991. Tabel di bawah ini menunjukkan permintaan untuk merek mesin faks tertentu di Sebuah department store dalam masing-masing dua belas bulan terakhir. Hitunglah rata-rata pergerakan empat bulan untuk bulan 4 sampai 12. Berapa perkiraan perkiraan permintaan Anda pada bulan 13.Akhir eksponensial dengan rata-rata smoothing 0 2 ke deri Ada perkiraan untuk permintaan di bulan 13.Which dari dua perkiraan untuk bulan 13 yang Anda inginkan dan mengapa. Faktor lain, yang tidak dipertimbangkan dalam perhitungan di atas, dapat mempengaruhi permintaan mesin faks pada bulan ke 13. Empat bulan yang pindah Rata-rata untuk bulan 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 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 sebelum itu yaitu rata-rata bergerak untuk bulan 12 m 12 46 25.Haus karena kita tidak dapat memiliki permintaan fraksional perkiraan untuk bulan ke 13 adalah 46.Applying eksponensial smoothing dengan konstanta pemulusan 0 2 kita dapatkan. Seperti sebelum perkiraan untuk bulan 13 Hanya rata-rata untuk bulan 12 M 12 38 618 39 karena kita tidak dapat memiliki permintaan fraksional. Untuk membandingkan dua prakiraan kita menghitung mean squared deviation MSD Jika kita melakukan ini kita menemukan bahwa untuk moving average. dan untuk rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0 2.Overall maka kita melihat bahwa rata-rata pergerakan empat bulan tampaknya memberikan perkiraan satu bulan terbaik di depan karena memiliki MSD yang lebih rendah. Oleh karena itu, kita lebih menyukai perkiraan 46 yang telah Diproduksi oleh rata-rata pergerakan empat bulan. Permintaan uang. Perubahan harga, baik merek dan merek lainnya. Situasi ekonomi umum. Teknologi baru. Untuk contoh contoh ujian UG 1989. Tabel di bawah ini menunjukkan permintaan untuk merek microwave oven tertentu di departemen Simpan dalam masing-masing dua belas bulan terakhir. Hitunglah rata-rata pergerakan enam bulan untuk setiap bulan. Apa perkiraan perkiraan permintaan Anda di bulan 13.Akhir eksponensial dengan rata-rata smoothing 0 7 untuk menurunkan perkiraan permintaan pada bulan ke 13 . Dari dua prakiraan untuk bulan 13 yang Anda inginkan dan mengapa. Sekarang kita tidak dapat menghitung moving average enam bulan sampai kita memiliki setidaknya 6 pengamatan - yaitu kita hanya bisa menghitung rata-rata dari bulan ke 6 sampai sekarang. E kita memiliki. m6 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.Perkiraan untuk bulan ke 13 hanyalah rata-rata pergerakan untuk Bulan sebelum itu yaitu moving average untuk bulan 12 m 12 38 17.Hence karena kita tidak dapat memiliki permintaan fraksional ramalan untuk bulan ke 13 adalah 38.Applying eksponensial smoothing dengan konstanta smoothing sebesar 0 7 kita dapatkan. Dalam prakteknya moving average akan memberikan Perkiraan yang baik dari mean deret waktu jika mean konstan atau berubah secara perlahan Dalam kasus mean konstan, nilai m terbesar akan memberikan perkiraan terbaik dari mean yang mendasari. Periode pengamatan yang lebih lama akan rata-rata menghasilkan efek dari Variabilitas. Tujuan pemberian m yang lebih kecil adalah memungkinkan ramalan untuk merespons perubahan pada proses yang mendasarinya. Sebagai ilustrasi, kami mengusulkan kumpulan data yang menggabungkan perubahan pada m Dari deret waktu Angka tersebut menunjukkan deret waktu yang digunakan untuk ilustrasi bersamaan dengan permintaan rata-rata dari mana deret dihasilkan. Mean dimulai sebagai konstanta pada 10 Dimulai pada waktu 21, meningkat satu unit dalam setiap periode sampai mencapai Nilai 20 pada waktu 30 Kemudian menjadi konstan lagi Data disimulasikan dengan menambahkan mean, noise acak dari distribusi normal dengan mean nol dan standar deviasi 3 Hasil simulasi dibulatkan ke bilangan bulat terdekat. Tabel menunjukkan Pengamatan simulasi yang digunakan untuk contoh Ketika kita menggunakan tabel, kita harus ingat bahwa pada waktu tertentu, hanya data masa lalu yang diketahui. Perkiraan parameter model,, untuk tiga nilai m yang berbeda ditunjukkan bersamaan dengan mean dari Deret waktu pada gambar di bawah Angka tersebut menunjukkan perkiraan rata-rata bergerak rata-rata pada setiap waktu dan bukan perkiraan Prakiraan akan menggeser kurva rata-rata bergerak ke kanan berdasarkan periode. Satu kesimpulan segera Yang jelas terlihat dari gambar Untuk ketiga perkiraan, rata-rata bergerak tertinggal dari tren linier, dengan lag meningkat dengan m Keterlambatan adalah jarak antara model dan perkiraan dalam dimensi waktu Karena lag, rata-rata bergerak meremehkan pengamatan Sebagai mean meningkat Bias estimator adalah perbedaan pada waktu tertentu dalam nilai rata-rata model dan nilai rata-rata yang diprediksi oleh moving average Bias ketika mean meningkat negatif Untuk mean yang menurun, biasnya adalah Positif Keterlambatan waktu dan bias yang diperkenalkan dalam estimasi adalah fungsi m Semakin besar nilai m semakin besar besarnya lag dan bias. Untuk rangkaian yang terus meningkat dengan tren nilai lag dan bias estimator dari Mean diberikan dalam persamaan di bawah. Lekukan contoh tidak sesuai dengan persamaan ini karena model contoh tidak terus meningkat, melainkan dimulai sebagai konstanta, berubah menjadi tren dan kemudian menjadi Omes konstan lagi Juga kurva contoh dipengaruhi oleh noise. The perkiraan rata-rata bergerak periode ke masa depan diwakili oleh pergeseran kurva ke kanan Kelemahan dan bias meningkat secara proporsional Persamaan di bawah ini mengindikasikan lag dan bias dari periode perkiraan ke Masa depan bila dibandingkan dengan parameter model Sekali lagi, formula ini untuk rangkaian waktu dengan tren linier konstan. Kita tidak perlu heran dengan hasil ini Pengukur rata-rata bergerak didasarkan pada asumsi mean konstan, dan contohnya memiliki Tren linier dalam mean selama sebagian periode penelitian Karena deret waktu nyata jarang sekali menaati asumsi model apapun, kita harus siap untuk hasil seperti itu. Kita juga bisa menyimpulkan dari gambaran bahwa variabilitas noise memiliki terbesar. Efek untuk m lebih kecil Perkiraan ini jauh lebih mudah berubah untuk rata-rata pergerakan 5 dari rata-rata pergerakan 20 Kami memiliki keinginan yang saling bertentangan untuk meningkatkan m untuk mengurangi efek o F variabilitas karena kebisingan, dan untuk menurunkan m untuk membuat perkiraan lebih responsif terhadap perubahan mean. Kesalahannya adalah perbedaan antara data sebenarnya dan nilai yang diperkirakan Jika deret waktu benar-benar merupakan nilai konstan nilai kesalahan yang diharapkan Adalah nol dan varians dari kesalahan tersebut terdiri dari sebuah istilah yang merupakan fungsi dari dan istilah kedua yaitu varians dari noise. Istilah pertama adalah varians dari mean yang diperkirakan dengan sampel pengamatan m, dengan mengasumsikan data Berasal dari populasi dengan mean konstan Istilah ini diminimalkan dengan membuat m sebesar mungkin m besar membuat ramalan tidak responsif terhadap perubahan deret waktu yang mendasari Agar ramalan responsif terhadap perubahan, kita ingin m sekecil mungkin 1 , Tapi ini meningkatkan varians kesalahan Peramalan praktis memerlukan nilai menengah. Untuk penayangan dengan Excel. Peramalan add-in menerapkan rumus rata-rata bergerak Contoh di bawah ini menunjukkan analisis yang diberikan oleh add-in f Atau data sampel di kolom B 10 observasi pertama diindeks -9 sampai 0 Dibandingkan dengan tabel di atas, indeks periode digeser oleh -10. Observasi sepuluh pertama memberikan nilai awal untuk estimasi dan digunakan untuk menghitung pergerakan Rata-rata untuk periode 0 Kolom MA 10 C menunjukkan rata-rata bergerak yang dihitung Rata-rata moving average m ada di sel C3 Kolom Fore 1 D menunjukkan perkiraan untuk satu periode ke masa depan Interval perkiraan ada pada sel D3 Bila interval perkiraan diubah Ke angka yang lebih besar angka di kolom Fore digeser ke bawah. Kolom Err 1 E menunjukkan perbedaan antara pengamatan dan perkiraan. Misalnya, pengamatan pada waktu 1 adalah 6 Nilai perkiraan yang dibuat dari rata-rata bergerak pada waktu 0 adalah 11 1 Kesalahannya adalah -5 1 Deviasi standar dan rata-rata deviasi rata-rata MAD dihitung masing-masing sel E6 dan E7. Penarikan melibatkan pembuatan sejumlah, kumpulan angka, atau skenario yang sesuai dengan nilai fu Kejadian ini sangat penting untuk perencanaan jangka pendek dan jangka panjang. Menurut definisi, perkiraan didasarkan pada data masa lalu, berlawanan dengan prediksi, yang lebih subjektif dan berdasarkan naluri, naluri, atau dugaan Misalnya, Berita malam memberi ramalan cuaca bukan ramalan cuaca Terlepas dari itu, istilah perkiraan dan prediksi sering digunakan secara bergantian Sebagai contoh, definisi regresi teknik yang kadang-kadang digunakan dalam peramalan secara umum menyatakan bahwa tujuannya adalah untuk menjelaskan atau memprediksi. Forecast didasarkan pada Sejumlah asumsi. Masa lalu akan berulang dengan sendirinya Dengan kata lain, apa yang telah terjadi di masa lalu akan terjadi lagi di masa depan. Seiring perkiraan horison semakin pendek, perkiraan peningkatan akurasi 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. Untuk penayangan 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, Jenderal Motor dapat memperkirakan secara lebih akurat jumlah mobil yang dibutuhkan untuk tahun depan dibandingkan dengan jumlah Chevrolet Impala putih dengan paket pilihan tertentu. Perkiraan jarang akurat. Prediksinya hampir tidak pernah benar-benar akurat. Sementara beberapa di antaranya sangat dekat, hanya sedikit yang tepat. Uang Oleh karena itu, adalah bijaksana untuk menawarkan kisaran perkiraan Jika seseorang meramalkan permintaan 100.000 unit untuk bulan depan, sangat tidak mungkin permintaan tersebut sama dengan 100.000 persis. Namun, perkiraan 90.000 sampai 110.000 akan memberikan nilai yang jauh lebih besar. Target untuk perencanaan. William J Stevenson mencantumkan sejumlah karakteristik yang umum untuk perkiraan yang baik. Akurat beberapa tingkat akurasi harus Ditentukan dan dinyatakan sehingga perbandingan dapat dibuat dengan perkiraan alternatif. Metode perkiraan yang dapat diandalkan secara konsisten harus memberikan perkiraan yang baik jika pengguna menetapkan tingkat kepercayaan tertentu. Mungkin diperlukan waktu tertentu untuk merespons perkiraan sehingga peramalan Cakrawala harus memungkinkan waktu yang diperlukan untuk melakukan perubahan. Mudah untuk menggunakan dan memahami pengguna ramalan harus yakin dan nyaman bekerja dengannya. Biaya yang efektif biaya pembuatan ramalan seharusnya tidak melebihi manfaat yang didapat dari ramalan. Teknik penempaan Berkisar dari yang sederhana sampai yang sangat kompleks Teknik ini biasanya diklasifikasikan bersifat kualitatif atau kuantitatif. TEKNIK Kualifikasi. Teknik peramalan kuantitatif umumnya lebih subjektif daripada rekan kuantitatif mereka. Teknik kualitatif lebih bermanfaat pada tahap awal siklus hidup produk, bila kurang Data masa lalu ada untuk digunakan dalam metode kuantitatif Metode kualitatif termasuk Ude teknik Delphi, Teknik Nominal Group NGT, opini tenaga penjualan, pendapat eksekutif, dan riset pasar. TEKNIK DELPHI. Teknik Delphi menggunakan panel ahli untuk menghasilkan ramalan Setiap ahli diminta memberikan perkiraan yang spesifik terhadap kebutuhan di Setelah prakiraan awal dibuat, masing-masing ahli membaca apa yang oleh setiap ahli lainnya tulis dan, tentu saja, dipengaruhi oleh pandangan mereka. Perkiraan berikutnya kemudian dibuat oleh masing-masing ahli. Setiap ahli kemudian membaca lagi apa yang oleh setiap ahli lainnya ditulis dan sekali lagi dipengaruhi oleh Persepsi orang lain Proses ini berulang dengan sendirinya sampai masing-masing ahli mendekati kesepakatan mengenai skenario atau angka yang dibutuhkan. TEKNIK KELOMPOK KELOMPOK. Nominal Group Technique mirip dengan teknik Delphi karena menggunakan sekelompok peserta, biasanya para ahli Setelah para peserta merespons Pertanyaan yang berhubungan dengan ramalan, mereka memberi peringkat tanggapan mereka sesuai dengan kepentingan yang dirasakan. Kemudian rangking dikumpulkan dan dikumpulkan secara berkala Jika kelompok tersebut harus mencapai konsensus mengenai prioritas isu-isu peringkat. PEMBAGIAN FORCE FORCE. Staf penjualan sering merupakan sumber informasi yang baik mengenai permintaan masa depan Manajer penjualan dapat meminta masukan dari setiap orang penjualan dan mengumpulkan tanggapan mereka ke dalam Perkiraan komparatif tenaga penjualan Perhatian harus dilakukan saat menggunakan teknik ini karena anggota tenaga penjualan mungkin tidak dapat membedakan antara apa yang dikatakan pelanggan dan apa yang sebenarnya mereka lakukan. Jika prakiraan tersebut akan digunakan untuk menetapkan kuota penjualan, penjualan Kekuatan mungkin tergoda untuk memberikan perkiraan yang lebih rendah. OPINI EKSEKUTIF. Kadang manajer tingkat atas bertemu dan mengembangkan prakiraan berdasarkan pengetahuan mereka tentang bidang tanggung jawab mereka. Hal ini kadang-kadang disebut sebagai juri opini eksekutif. PENELITIAN DIET. Dalam riset pasar, konsumen Survei digunakan untuk menetapkan permintaan potensial Penelitian pemasaran semacam itu biasanya melibatkan pembuatan kuesioner yang meminta informasi pribadi, demografis, Ekonomi, dan pemasaran Kadang-kadang, periset pasar mengumpulkan informasi semacam itu secara langsung di gerai ritel dan mal, di mana konsumen dapat merasakan, merasakan, mencium, dan melihat suatu produk tertentu Peneliti harus berhati-hati agar sampel orang yang disurvei mewakili Dari target konsumen yang diinginkan. TEKNIK PERHATIAN. Teknik peramalan kuantitatif umumnya lebih obyektif daripada rekan kualitatifnya. Perkiraan kuantitatif dapat menjadi perkiraan deret waktu yaitu proyeksi masa lalu ke masa depan atau prakiraan berdasarkan model asosiatif yaitu berdasarkan satu atau lebih variabel penjelas. Data deret waktu mungkin memiliki perilaku mendasar yang perlu diidentifikasi oleh peramal. Selain itu, perkiraan mungkin perlu mengidentifikasi sebab-sebab perilaku Beberapa perilaku ini mungkin merupakan pola atau variasi acak Di antara pola tersebut. Gerakan jangka panjang naik atau turun di data. Seasonality, yang menghasilkan var jangka pendek Iations yang biasanya terkait 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 seperti gelombang yang bertahan lebih lama. Daripada setahun yang biasanya terkait dengan kondisi ekonomi atau politik. Variasi reguler yang tidak mencerminkan perilaku khas, seperti periode cuaca ekstrem atau pemogokan serikat. Variasi acak, yang mencakup semua perilaku non-khas yang tidak dipertanggungjawabkan oleh pihak lain. Klasifikasi. Di antara model time-series, yang paling sederhana adalah perkiraan yang telah diperkirakan hanya menggunakan permintaan aktual untuk periode lalu karena perkiraan permintaan untuk periode berikutnya Hal 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 na disajikan pada Tabel 1. Tabel 1 Na ve Forecasting. Anothe R teknik sederhana adalah penggunaan rata-rata Untuk membuat perkiraan menggunakan rata-rata, kita hanya menghitung rata-rata beberapa periode periode data sebelumnya 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 tertimbang bergerak Rata-rata bergerak mengambil jumlah periode yang telah ditentukan, menghitung permintaan aktual mereka, dan membagi dengan jumlah periode untuk mencapai perkiraan 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 membaginya menjadi tiga Sampai pada perkiraan untuk April 45 60 72 177 3 59. Untuk sampai pada perkiraan untuk bulan Mei, seseorang akan menurunkan permintaan Januari dari persamaan dan menambahkan permintaan dari bulan April Tabel 2 menyajikan sebuah contoh dari tiga mont H bergerak perkiraan rata-rata. Tabel 2 Tiga Bulan Bergerak Rata-rata Forecast. Actual Permintaan 000 sA rata-rata tertimbang menerapkan berat yang telah ditentukan untuk setiap bulan data terakhir, jumlah data masa lalu dari setiap periode, dan dibagi dengan total bobot Jika peramal menyesuaikan Bobot sehingga jumlah mereka sama dengan 1, maka bobotnya dikalikan dengan permintaan aktual setiap periode yang berlaku. Hasil kemudian dijumlahkan untuk mencapai perkiraan tertimbang. Umumnya, data yang lebih baru semakin tinggi bobotnya, dan semakin tua Data bobot yang lebih kecil Dengan menggunakan contoh permintaan, rata-rata tertimbang menggunakan bobot 4 3 2, dan 1 akan menghasilkan ramalan untuk bulan Juni sebagai 60 1 72 2 58 3 40 4 53 8. Pemanasan juga dapat menggunakan kombinasi rata-rata tertimbang Dan prakiraan rata-rata bergerak Prediksi rata-rata bergerak tertimbang memberikan bobot pada jumlah data aktual yang telah ditentukan sebelumnya dan menghitung perkiraan dengan cara yang sama seperti yang dijelaskan di atas. Seperti semua perkiraan pergerakan, karena setiap periode baru Ditambahkan, data dari periode tertua dibuang Tabel 3 menunjukkan perkiraan rata-rata bergerak berbobot tiga bulan dengan menggunakan bobot 5 3, dan 2.Tiga Prediksi Rata-Rata Bergerak Rata-Rata Beribu Bulanan. Permintaan Demokratis 000 sA bentuk yang lebih kompleks dari rata-rata bergerak tertimbang Adalah smoothing eksponensial, dinamakan demikian karena beratnya turun secara eksponensial karena data umur Exponential smoothing mengambil perkiraan periode sebelumnya dan menyesuaikannya dengan konstanta perataan yang telah ditentukan sebelumnya, yang disebut alpha nilai alpha kurang dari satu dikalikan dengan perbedaan sebelumnya. Perkiraan dan permintaan yang benar-benar terjadi selama periode yang diperkirakan sebelumnya yang disebut perkiraan kesalahan Eksponensial smoothing dinyatakan secara simultan seperti perkiraan perkiraan sebelumnya perkiraan sebelumnya alfa aktual permintaan perkiraan sebelumnya FFA F. Ekspektif pemulusan mengharuskan peramal untuk memulai perkiraan dalam periode lalu dan bekerja ke depan Ke periode dimana perkiraan saat ini dibutuhkan Sejumlah besar waktu lalu Dan perkiraan awal atau awal juga diperlukan Perkiraan awal dapat menjadi perkiraan aktual dari periode sebelumnya, permintaan aktual dari periode sebelumnya, atau dapat diperkirakan dengan rata-rata semua atau sebagian data masa lalu Beberapa heuristik ada untuk komputasi Perkiraan awal Misalnya, heuristik N 2 1 dan alpha dari 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 mengoreksi diri sendiri Mengingat periode data yang cukup, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi perkiraan awal yang tidak akurat Menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alpha dari 7, sebuah ramalan untuk bulan Februari dihitung seperti perkiraan baru di bulan Februari 50 7 45 50 41 5. Selanjutnya, perkiraan untuk perkiraan Maret Baru 41 Mei 5 7 60 41 5 54 45 Th Adalah proses berlanjut sampai peramal mencapai periode yang diinginkan Pada Tabel 4 ini adalah untuk bulan Juni, karena permintaan aktual untuk bulan Juni tidak diketahui. Permintaan Demokratis 000 s. Perpanjangan smoothing eksponensial dapat digunakan saat data deret waktu Menunjukkan tren linier Metode ini dikenal dengan beberapa peramalan pemulusan eksponensial double smoothing yang disesuaikan dengan tren termasuk trend FIT dan Model Holt Tanpa penyesuaian, hasil smoothing eksponensial sederhana akan tertinggal tren, yaitu ramalan akan selalu rendah jika trend Meningkat, atau tinggi jika trennya menurun Dengan model ini ada dua konstanta pemulusan, dan dengan mewakili komponen tren. Perpanjangan Model Holt, yang disebut Metode Holt-Winter, mempertimbangkan tren dan musiman Ada dua Versi, perkalian dan aditif, dengan multiplikatif yang paling banyak digunakan Dalam model aditif, musiman diekspresikan sebagai kuantitas yang akan ditambahkan atau dikurangkan dari Seri rata-rata Model multiplikatif mengekspresikan musiman sebagai persentase yang dikenal sebagai kerabat musiman atau indeks musiman rata-rata atau tren Ini kemudian dikalikan nilai waktu untuk menggabungkan musiman A kerabat 0 8 akan mengindikasikan permintaan yaitu 80 persen dari rata-rata, sementara 1 10 akan menunjukkan 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 lain yang menarik 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 independen prediktor pada dependensi yang diperkirakan Variabel Jika variabel prediktor diplot, objeknya akan didapat Sebuah persamaan garis lurus yang meminimalkan jumlah penyimpangan kuadrat dari garis dengan penyimpangan adalah jarak dari setiap titik ke garis Persamaan akan muncul seperti y bx, di mana y adalah variabel dependen yang diprediksi, x adalah variabel bebas prediktor , B adalah kemiringan garis, dan a sama dengan tinggi garis pada intercept y Setelah persamaan ditentukan, pengguna dapat memasukkan nilai arus untuk variabel independen prediktor untuk sampai pada variabel dependen perkiraan. Ada lebih dari satu variabel prediktor atau jika hubungan antara prediktor dan ramalan tidak linier, regresi linier sederhana tidak akan memadai. Untuk situasi dengan banyak prediktor, regresi berganda harus digunakan, sementara hubungan non linier memerlukan penggunaan regresi curvilinear. EKONOMETRIK PERAMALAN. Ekonometrik metode, seperti autoregressive terpadu bergerak rata-rata model ARIMA, menggunakan persamaan matematika yang kompleks untuk menunjukkan hubungan masa lalu Antara permintaan dan variabel yang mempengaruhi permintaan Suatu persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa representasi hubungan pastilah mungkin dapat diandalkan Begitu hal ini dilakukan, proyeksi nilai variabel yang mempengaruhi pendapatan, harga, dll. Dimasukkan ke dalam persamaan untuk membuat perkiraan. EVALUATING FORECASTS. Ukurnya akurasi dapat ditentukan dengan menghitung bias, mean deviasi absolut MAD, mean square error MSE, atau mean absolute percent error MAPE untuk perkiraan menggunakan nilai yang berbeda untuk alpha Bias adalah Jumlah kesalahan perkiraan FE Untuk contoh smoothing eksponensial di atas, bias yang dihitung adalah 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jika seseorang mengasumsikan bahwa bias rendah mengindikasikan kesalahan perkiraan secara keseluruhan rendah, seseorang dapat menghitung Bias untuk sejumlah nilai potensial alpha dan berasumsi bahwa yang memiliki bias terendah adalah yang paling akurat Namun, kehati-hatian harus diperhatikan dalam perkiraan yang tidak akurat tersebut dapat menghasilkan Bias rendah jika mereka cenderung berada di atas perkiraan dan di bawah perkiraan negatif dan positif Misalnya, selama tiga periode, perusahaan dapat menggunakan nilai alpha tertentu ke perkiraan lebih dari 75.000 unit 75.000, di bawah perkiraan 100.000 unit 100.000, dan kemudian di atas perkiraan Oleh 25.000 unit 25.000, menghasilkan bias nol 75.000 100.000 25.000 0 Sebagai perbandingan, alfa 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, maka Alpha pertama akan menghasilkan perkiraan yang turun sebanyak 100 persen sementara alpha kedua akan turun maksimal 3 persen, meskipun bias pada perkiraan pertama adalah zero. Sebuah ukuran yang lebih aman dari perkiraan akurasi adalah mean absolute Penyimpangan MAD Untuk menghitung MAD, peramal menentukan nilai absolut dari kesalahan perkiraan dan kemudian membaginya dengan jumlah perkiraan FE N Dengan mengambil nilai absolut dari kesalahan perkiraan, offset dari p Nilai ositif 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 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Oleh karena itu, peramal tersebut rata-rata mencapai 16 35 unit per perkiraan Bila dibandingkan dengan hasil alfa lainnya, peramal akan mengetahui bahwa alfa dengan MAD terendah menghasilkan ramalan paling akurat. Kesalahan persegi MSE Juga bisa dimanfaatkan dengan cara yang sama MSE adalah penjumlahan dari ramalan kesalahan kuadrat dibagi dengan N-1 FE N-1 Squaring kesalahan perkiraan menghilangkan kemungkinan mengimbangi angka negatif, karena tidak ada hasilnya yang negatif Memanfaatkan data yang sama. Seperti di atas, MSE akan menjadi 18 5 17 55 8 74 20 62 3 383 94 Seperti pada MAD, peramal dapat membandingkan MSE prakiraan yang diturunkan dengan menggunakan berbagai nilai alfa dan mengasumsikan alfa dengan MSE terendah menghasilkan ramalan yang paling akurat. . Mea N kesalahan persen absolut MAPE adalah kesalahan persentase absolut rata-rata Untuk sampai pada MAPE seseorang harus memperhitungkan jumlah rasio antara kesalahan perkiraan dan waktu permintaan aktual 100 untuk mendapatkan persentase dan bagi N Aktual permintaan perkiraan Permintaan aktual 100 N Menggunakan data Dari contoh smoothing eksponensial, MAPE dapat dihitung sebagai berikut 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Seperti MAD dan MSE, semakin rendah kesalahan relatif semakin akurat perkiraannya. 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 seseorang harus mencerminkan keseimbangan kepentingan antara akurasi dan daya tanggap relatif, seperti yang ditentukan oleh Peramal. MAKING FORECAST. William J Stevenson mencantumkan hal-hal berikut sebagai langkah dasar dalam proses peramalan. Menentukan perkiraan tujuan Faktor-faktor seperti bagaimana dan kapan ramalan akan digunakan , Tingkat akurasi yang dibutuhkan, dan tingkat detail yang diinginkan menentukan waktu biaya, uang, karyawan yang bisa dipersembahkan untuk ramalan dan jenis metode peramalan yang akan digunakan. Menetapkan horizon waktu Hal ini terjadi setelah seseorang telah menentukan tujuannya. Dari ramalan Perkiraan jangka panjang memerlukan cakrawala waktu yang lebih lama dan sebaliknya Akurasi lagi menjadi pertimbangan. Pilih teknik peramalan Teknik yang dipilih bergantung pada tujuan ramalan, cakrawala waktu yang diinginkan, dan biaya yang diijinkan. Gather dan analisis data Jumlah dan jenis data yang dibutuhkan diatur oleh perkiraan tujuan, teknik peramalan yang dipilih, dan pertimbangan biaya. Pikirkan perkiraan. Pantau perkiraan Evaluasi kinerja ramalan dan modifikasi, jika perlu. PEMBACAAN YANG 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 Teknik Kelompok Nominal Proses Penelitian yang Tersedia dari. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005. Juga baca artikel tentang Peramalan dari Wikipedia.
No comments:
Post a Comment