Peramalan rata-rata pergerakkan

Peramalan rata-rata pergerakkan

Berbicara-forex-live-free
Cara-to-treat-stock-options-for-taxes
Stock-options-private-company-go-public


Top-sepuluh-forex-trading-systems Opsi ppp-stock Lr-thomas-forex Online-trading-books-free-download Stock-options-math Stock-options-trading-strategies-india

Moving Average: Apa itu dan Cara Menghitungnya Menonton video atau membaca artikel di bawah ini: Rata-rata bergerak adalah teknik untuk mendapatkan gambaran keseluruhan tentang tren dalam kumpulan data, rata-rata dari setiap subset angka. Rata-rata bergerak sangat berguna untuk meramalkan tren jangka panjang. Anda bisa menghitungnya untuk jangka waktu tertentu. Misalnya, jika Anda memiliki data penjualan selama dua puluh tahun, Anda dapat menghitung rata-rata pergerakan lima tahun, rata-rata pergerakan empat tahun, rata-rata pergerakan tiga tahun dan sebagainya. Analis pasar saham akan sering menggunakan rata-rata pergerakan 50 atau 200 hari untuk membantu mereka melihat tren di pasar saham dan (semoga) meramalkan posisi saham. Rata-rata mewakili nilai 8220middling8221 dari serangkaian angka. Rata-rata bergerak sama persis, namun rata-rata dihitung beberapa kali untuk beberapa himpunan bagian data. Misalnya, jika Anda menginginkan rata-rata pergerakan dua tahun untuk kumpulan data dari tahun 2000, 2001, 2002 dan 2003, Anda akan menemukan rata-rata untuk subset 20002001, 20012002 dan 20022003. Rata-rata pergerakan biasanya diplot dan paling baik divisualisasikan. Menghitung Contoh Rata-rata Bergerak 5 Tahun Contoh Soal: Hitunglah rata-rata pergerakan lima tahun dari kumpulan data berikut: (4M 6M 5M 8M 9M) ​​5 6.4M Penjualan rata-rata untuk subset kedua selama lima tahun (2004 8211 2008). Yang berpusat di sekitar tahun 2006, adalah 6.6M: (6M 5M 8M 9M 5M) 5 6.6M Penjualan rata-rata untuk subset ketiga selama lima tahun (2005 8211 2009). Berpusat di sekitar tahun 2007, adalah 6.6M: (5M 8M 9M 5M 4M) 5 6.2M Lanjutkan menghitung setiap rata-rata lima tahun, sampai Anda mencapai akhir himpunan (2009-2013). Ini memberi Anda serangkaian poin (rata-rata) yang dapat Anda gunakan untuk merencanakan grafik rata-rata bergerak. Tabel Excel berikut menunjukkan rata-rata bergerak yang dihitung untuk 2003-2012 bersamaan dengan kumpulan data yang tersebar: Tonton video atau baca langkah-langkah di bawah ini: Excel memiliki add-in yang kuat, Data Analysis Toolpak (cara memuat Data Analysis Toolpak) yang memberi Anda banyak pilihan tambahan, termasuk fungsi moving average otomatis. Fungsi tidak hanya menghitung rata-rata bergerak untuk Anda, namun juga grafik data asli pada saat bersamaan. Menghemat banyak penekanan tombol. Excel 2013: Langkah Langkah 1: Klik tab 8220Data8221 dan kemudian klik 8220Data Analysis.8221 Langkah 2: Klik 8220Moving average8221 dan kemudian klik 8220OK.8221 Langkah 3: Klik kotak 8220Input Range8221 dan kemudian pilih data Anda. Jika Anda menyertakan tajuk kolom, pastikan Anda mencentang Label di kotak Row pertama. Langkah 4: Ketik interval ke dalam kotak. Interval adalah berapa banyak poin sebelumnya yang ingin Anda gunakan Excel untuk menghitung rata-rata bergerak. Sebagai contoh, 822058221 akan menggunakan 5 titik data sebelumnya untuk menghitung rata-rata untuk setiap titik berikutnya. Semakin rendah interval, semakin dekat rata-rata pergerakan Anda ke kumpulan data asli Anda. Langkah 5: Klik di kotak 8220Output Range8221 dan pilih area pada lembar kerja yang Anda inginkan hasilnya muncul. Atau, klik tombol radio 8220New worksheet8221. Langkah 6: Centang kotak 8220Chart Output8221 jika Anda ingin melihat grafik kumpulan data Anda (jika Anda lupa melakukan ini, Anda dapat selalu kembali dan menambahkannya atau memilih grafik dari tab 8220Insert8221.8221 Langkah 7: Tekan 8220OK .8221 Excel akan mengembalikan hasil di area yang Anda tentukan di Langkah 6. Tonton video, atau baca langkah-langkah di bawah ini: Contoh masalah: Hitung moving average tiga tahun di Excel untuk data penjualan berikut: 2003 (33M), 2004 (22M), 2005 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2010 (36M), 2011 (45M), 2012 (56 juta), 2013 (64 juta). 1: Ketik data Anda menjadi dua kolom di Excel Kolom pertama harus memiliki kolom tahun dan kolom kedua dengan data kuantitatif (dalam contoh ini masalah, angka penjualan). Pastikan tidak ada baris kosong dalam data sel Anda. : Hitunglah rata-rata tiga tahun pertama (2003-2005) untuk data.Untuk contoh ini, ketik 8220 (B2B3B4) 38221 ke dalam sel D3 Menghitung rata-rata pertama Langkah 3: Tarik kotak di sudut kanan bawah d Miliki untuk memindahkan formula ke semua sel di kolom. Ini menghitung rata-rata untuk tahun-tahun berikutnya (misalnya 2004-2006, 2005-2007). Menyeret formula. Langkah 4: (Opsional) Buat grafik. Pilih semua data di lembar kerja. Klik tab 8220Insert8221, lalu klik 8220Scatter, 8221 lalu klik 8220Scatter dengan garis dan spidol yang halus.8221 Grafik rata-rata bergerak Anda akan muncul di lembar kerja. Lihat saluran YouTube kami untuk mendapatkan lebih banyak statistik bantuan dan tip Moving Average: Apa itu dan Cara Menghitungnya terakhir diubah: 8 Januari 2016 oleh Andale 22 pemikiran tentang ldquo Moving Average: Apa itu dan Cara Menghitungnya rdquo Ini adalah Sempurna dan sederhana untuk berasimilasi. Terima kasih untuk pekerjaan ini sangat jelas dan informatif. Pertanyaan: Bagaimana seseorang menghitung rata-rata pergerakan 4 tahun Tahun berapa pusat pergerakan rata-rata 4 tahun di atasnya akan berpusat pada akhir tahun kedua (yaitu 31 Desember). Dapatkah saya menggunakan penghasilan rata-rata untuk meramalkan penghasilan masa depan siapa tahu tentang berpusat berarti tolong beritahu saya jika ada yang tahu. Ini berarti kita harus mempertimbangkan 5 tahun untuk mendapatkan mean yang ada di center.Then bagaimana dengan sisa tahun jika kita ingin mendapatkan rata-rata tahun 20118230 karena kita tidak memiliki nilai lebih lanjut setelah 2012, lalu bagaimana kita menghitungnya? Tidak ada info lagi, tidak mungkin untuk menghitung MA 5 tahun untuk 2011. Anda bisa mendapatkan rata-rata pergerakan dua tahun sekalipun. Hai, terima kasih atas videonya. Namun, satu hal tidak jelas. Bagaimana melakukan ramalan untuk bulan-bulan mendatang Video menunjukkan perkiraan untuk bulan-bulan dimana data sudah tersedia. Hai, Raw, I8217m sedang mengembangkan artikel untuk memasukkan peramalan. Prosesnya sedikit lebih rumit daripada menggunakan data masa lalu sekalipun. Lihatlah artikel Duke University ini, yang menjelaskannya secara mendalam. Salam, Stephanie terima kasih untuk penjelasan yang jelas. Hai Tidak dapat menemukan tautan ke artikel Universitas Duke yang disarankan. Permintaan untuk memposting link againFORECASTING Peramalan dapat secara luas dianggap sebagai metode atau teknik untuk memperkirakan banyak aspek masa depan bisnis atau operasi lainnya. Ada banyak teknik yang bisa digunakan untuk mencapai tujuan peramalan. Misalnya, perusahaan ritel yang telah menjalankan bisnis selama 25 tahun dapat memperkirakan volume penjualannya di tahun yang akan datang berdasarkan pengalamannya selama periode 25 tahun seperti teknik peramalan yang mendasari perkiraan masa depan pada data sebelumnya. Sementara istilah x0022forecastingx0022 mungkin tampak agak teknis, perencanaan untuk masa depan adalah aspek penting dalam mengelola setiap organisasi, bisnis, nirlaba, atau lainnya. Kenyataannya, kesuksesan jangka panjang dari setiap organisasi terkait erat dengan seberapa baik manajemen organisasi dapat meramalkan masa depannya dan untuk mengembangkan strategi yang tepat untuk menghadapi kemungkinan skenario di masa depan. Intuisi, penilaian yang baik, dan kesadaran akan seberapa baik kinerja ekonomi dapat memberi manajer sebuah gagasan kasar (atau x0022feelingx0022) tentang apa yang mungkin terjadi di masa depan. Meskipun demikian, tidak mudah untuk mengubah perasaan tentang masa depan menjadi jumlah yang tepat dan berguna, seperti volume penjualan tahun depan atau biaya bahan baku per unit output. Metode peramalan dapat membantu memperkirakan banyak aspek masa depan dari operasi bisnis. Misalkan seorang ahli perkiraan telah diminta untuk memberikan perkiraan volume penjualan untuk produk tertentu selama empat kuartal berikutnya. Orang dapat dengan mudah melihat bahwa sejumlah keputusan lain akan terpengaruh oleh perkiraan atau perkiraan volume penjualan yang disediakan oleh peramal. Jelas, jadwal produksi, rencana pembelian bahan baku, kebijakan mengenai persediaan, dan kuota penjualan akan terpengaruh oleh perkiraan tersebut. Akibatnya, prakiraan atau perkiraan yang buruk dapat menyebabkan perencanaan yang buruk dan dengan demikian mengakibatkan kenaikan biaya untuk bisnis. Bagaimana seharusnya seseorang mempersiapkan perkiraan volume penjualan kuartalan Satu pasti ingin meninjau data penjualan aktual untuk produk yang dipermasalahkan untuk periode yang lalu. Misalkan peramal memiliki akses ke data penjualan aktual untuk setiap kuartal selama periode 25 tahun perusahaan telah menjalankan bisnis. Dengan menggunakan data historis ini, peramal dapat mengidentifikasi tingkat penjualan secara umum. Dia juga bisa menentukan apakah ada pola atau tren, seperti kenaikan atau penurunan volume penjualan dari waktu ke waktu. Tinjauan lebih lanjut terhadap data dapat mengungkapkan beberapa jenis pola musiman, seperti penjualan puncak yang terjadi sebelum liburan. Dengan demikian dengan meninjau data historis dari waktu ke waktu, peramal seringkali dapat mengembangkan pemahaman yang baik tentang pola penjualan sebelumnya. Memahami pola seperti itu seringkali dapat menyebabkan prakiraan penjualan produk masa depan yang lebih baik. Selain itu, jika peramal mampu mengidentifikasi faktor-faktor yang mempengaruhi penjualan, data historis mengenai faktor-faktor (atau variabel) ini juga dapat digunakan untuk menghasilkan perkiraan volume penjualan di masa depan. Semua metode peramalan dapat dibagi menjadi dua kategori besar: kualitatif dan kuantitatif. Banyak teknik peramalan menggunakan data masa lalu atau historis dalam bentuk deret waktu. Seri waktu hanyalah seperangkat pengamatan yang diukur pada poin berturut-turut dalam waktu atau selama periode waktu berikutnya. Prakiraan pada dasarnya memberikan nilai masa depan dari seri waktu pada variabel tertentu seperti volume penjualan. Pembagian metode peramalan menjadi kategori kualitatif dan kuantitatif didasarkan pada tersedianya data deret waktu historis. Teknik peramalan kualitatif umumnya menggunakan penilaian ahli di bidang yang tepat untuk menghasilkan prakiraan. Keuntungan utama dari prosedur ini adalah penerapannya dalam situasi di mana data historis tidak tersedia. Selain itu, walaupun data historis tersedia, perubahan signifikan dalam kondisi lingkungan yang mempengaruhi deret waktu yang relevan dapat membuat penggunaan data masa lalu tidak relevan dan dipertanyakan dalam meramalkan nilai masa depan dari deret waktu. Pertimbangkan, misalnya, data historis tentang penjualan bensin tersedia. Jika pemerintah kemudian menerapkan program penjatahan bensin, mengubah cara bensin dijual, seseorang harus mempertanyakan validitas perkiraan penjualan bensin berdasarkan data masa lalu. Metode peramalan kualitatif menawarkan cara untuk menghasilkan perkiraan dalam kasus tersebut. Tiga metode peramalan kualitatif penting adalah: teknik Delphi, penulisan skenario, dan pendekatan subjek. TEKNIK DELPHI Dalam teknik Delphi, sebuah upaya dilakukan untuk mengembangkan prakiraan melalui konsensus x0022group.x0022 Biasanya, panel ahli diminta untuk menanggapi serangkaian kuesioner. Para ahli, yang secara fisik terpisah dari dan tidak dikenal satu sama lain, diminta untuk menanggapi kuesioner awal (satu set pertanyaan). Kemudian, kuesioner kedua disiapkan dengan memasukkan informasi dan pendapat dari keseluruhan kelompok. Setiap ahli diminta untuk mempertimbangkan kembali dan merevisi respons awal pertanyaannya. Proses ini berlanjut sampai beberapa tingkat konsensus di antara para ahli tercapai. Perlu dicatat bahwa tujuan teknik Delphi adalah tidak menghasilkan jawaban tunggal pada akhirnya. Sebagai gantinya, ia mencoba untuk menghasilkan penyebaran opini yang relatif sempit, di mana pendapat sebagian besar ahli berbohong. SKENARIO MENULIS Dengan pendekatan ini, peramal dimulai dengan berbagai asumsi yang berbeda. Untuk setiap rangkaian asumsi, skenario kemungkinan hasil bisnis dipetakan. Dengan demikian, peramal akan mampu menghasilkan banyak skenario masa depan yang berbeda (sesuai dengan berbagai asumsi yang berbeda). Pembuat keputusan atau pelaku bisnis disajikan dengan skenario yang berbeda, dan harus menentukan skenario mana yang paling mungkin untuk dipastikan. PENDEKATAN SUBJEKTIF. Pendekatan subjektif memungkinkan individu yang berpartisipasi dalam keputusan peramalan untuk mencapai perkiraan berdasarkan perasaan subjektif dan gagasan mereka. Pendekatan ini didasarkan pada pemikiran bahwa pikiran manusia bisa sampai pada keputusan berdasarkan faktor-faktor yang seringkali sangat sulit untuk dihitung. X0022Brainstorming sessionsx0022 sering digunakan sebagai cara untuk mengembangkan ide baru atau untuk memecahkan masalah yang kompleks. Dalam sesi yang diatur secara longgar, para peserta merasa bebas dari tekanan teman sebaya dan, yang lebih penting, dapat mengekspresikan pandangan dan gagasan mereka tanpa takut dikritik. Banyak perusahaan di Amerika Serikat sudah mulai semakin menggunakan pendekatan subjektif. METODE PERAMALAN KUANTITATIF Metode peramalan kuantitatif digunakan saat data historis mengenai variabel minat tersedia. Metode ini didasarkan pada analisis data historis mengenai deret waktu dari variabel minat tertentu dan kemungkinan deret waktu terkait lainnya. Ada dua kategori utama metode peramalan kuantitatif. Jenis pertama menggunakan tren masa lalu dari variabel tertentu untuk mendasari perkiraan variabel masa depan. Karena kategori metode peramalan ini menggunakan deret waktu pada data terakhir dari variabel yang sedang diprediksi, teknik ini disebut metode time series. Kategori kedua teknik peramalan kuantitatif juga menggunakan data historis. Namun, untuk meramalkan nilai variabel masa depan, peramal meneliti hubungan sebab-akibat variabel tersebut dengan variabel lain yang relevan seperti tingkat kepercayaan konsumen, perubahan pada pendapatan konsumen sekali pakai, tingkat bunga di mana konsumen dapat membiayai pengeluaran mereka. Melalui pinjaman, dan keadaan ekonomi yang ditunjukkan oleh variabel-variabel seperti tingkat pengangguran. Dengan demikian, kategori teknik peramalan ini menggunakan deret waktu lalu pada banyak variabel yang relevan untuk menghasilkan perkiraan variabel minat. Teknik peramalan yang termasuk dalam kategori ini disebut metode kausal, karena dasar peramalan tersebut adalah hubungan sebab-akibat antara variabel yang diperkirakan dan deret waktu lainnya yang dipilih untuk membantu menghasilkan perkiraan. TIME SERIES METODE PERAMALAN. Sebelum membahas metode time series, sangat membantu untuk memahami perilaku deret waktu secara umum. Seri waktu terdiri dari empat komponen terpisah: komponen tren, komponen siklis, komponen musiman, dan komponen tidak beraturan. Keempat komponen ini dipandang memberikan nilai spesifik untuk deret waktu saat digabungkan. Dalam deret waktu, pengukuran dilakukan pada titik-titik berturut-turut atau selama periode berturut-turut. Pengukuran dapat dilakukan setiap jam, hari, minggu, bulan, atau tahun, atau interval reguler lainnya (atau tidak teratur). Sementara kebanyakan data deret umumnya menampilkan fluktuasi acak, deret waktu mungkin masih menunjukkan pergeseran bertahap ke nilai yang relatif lebih tinggi atau lebih rendah dalam waktu yang lama. Pergeseran bertahap deret waktu sering disebut oleh peramal profesional sebagai tren dalam deret waktu. Tren muncul karena satu atau lebih faktor jangka panjang, seperti perubahan ukuran populasi, perubahan karakteristik demografi populasi, dan perubahan selera dan preferensi konsumen. Misalnya, produsen mobil di Amerika Serikat mungkin melihat ada variasi besar dalam penjualan mobil dari satu bulan ke bulan berikutnya. Tapi, dalam meninjau penjualan mobil selama 15 sampai 20 tahun terakhir, produsen mobil mungkin akan mengalami peningkatan volume penjualan tahunan secara bertahap. Dalam kasus ini, tren penjualan mobil meningkat dari waktu ke waktu. Dalam contoh lain, trennya mungkin akan menurun seiring berjalannya waktu. Peramal profesional sering menggambarkan tren yang meningkat dengan garis lurus miring ke atas dan tren menurun dengan garis lurus miring ke bawah. Dengan menggunakan garis lurus untuk mewakili sebuah tren, bagaimanapun, hanyalah penyederhanaan sederhana dalam banyak situasi, tren nonlinear mungkin lebih tepat mewakili tren sebenarnya dalam deret waktu. Meskipun deret waktu mungkin sering menunjukkan tren dalam waktu lama, mungkin juga menampilkan urutan bolak-balik titik yang berada di atas dan di bawah garis tren. Urutan berulang dari titik di atas dan di bawah garis tren yang bertahan lebih dari satu tahun dianggap merupakan komponen siklis pada deret waktu, yaitu, pengamatan dalam deret waktu ini menyimpang dari tren karena fluktuasi siklik (fluktuasi yang berulang pada interval Lebih dari satu tahun). Rangkaian waktu output agregat dalam ekonomi (disebut produk domestik bruto riil) memberikan contoh bagus dari serangkaian waktu yang menampilkan perilaku siklis. Sementara garis tren untuk produk domestik bruto (PDB) miring ke atas, pertumbuhan output menampilkan perilaku siklis di sekitar garis tren. Perilaku siklus PDB ini telah dijuluki siklus bisnis oleh para ekonom. Komponen musiman mirip dengan komponen siklis karena keduanya mengacu pada beberapa fluktuasi reguler dalam deret waktu. Ada satu perbedaan utama. Sementara komponen siklus dari deret waktu diidentifikasi dengan menganalisis pergerakan multiyears dalam data historis, komponen musiman menangkap pola variabilitas reguler dalam deret waktu dalam periode satu tahun. Banyak variabel ekonomi menampilkan pola musiman. Misalnya, produsen kolam renang mengalami penjualan rendah pada musim gugur dan musim dingin, namun mereka menyaksikan penjualan puncak kolam renang selama bulan-bulan musim semi dan musim panas. Produsen peralatan penghilang salju, di sisi lain, mengalami pola penjualan tahunan yang berlawanan. Komponen deret waktu yang menangkap variabilitas data karena fluktuasi musiman disebut komponen musiman. Komponen tidak teratur dari deret waktunya mewakili residu kiri dalam pengamatan deret waktu setelah efek karena komponen tren, siklis, dan musiman diekstraksi. Komponen tren, siklis, dan musiman dianggap memperhitungkan variasi sistematis dalam deret waktu. Komponen yang tidak beraturan ini menyumbang variabilitas acak dalam deret waktu. Variasi acak dalam deret waktu, pada gilirannya, disebabkan oleh faktor jangka pendek, tidak diantisipasi dan tidak berulang yang mempengaruhi deret waktu. Komponen tak beraturan dari rangkaian waktu, secara alami, tidak dapat diprediksi sebelumnya. PERINGATAN WAKTU SERIES MENGGUNAKAN METODE SMOOTHING. Metode penghalusan sesuai bila rangkaian waktu tidak menampilkan efek yang signifikan dari komponen tren, siklis, atau musiman (sering disebut deret waktu yang stabil). Dalam kasus seperti itu, tujuannya adalah untuk memperlancar komponen tidak teratur dari deret waktu dengan menggunakan proses rata-rata. Begitu deret waktunya dihaluskan, itu digunakan untuk menghasilkan prakiraan. Metode rata-rata bergerak mungkin teknik smoothing yang paling banyak digunakan. Untuk memperlancar deret waktu, metode ini menggunakan rata-rata sejumlah titik data atau periode yang berdampingan. Proses rata-rata ini menggunakan pengamatan yang tumpang tindih untuk menghasilkan rata-rata. Misalkan peramal ingin menghasilkan rata-rata bergerak tiga periode. Peramal akan melakukan tiga pengamatan pertama dari deret waktu dan menghitung rata-rata. Kemudian, peramal akan menjatuhkan observasi pertama dan menghitung rata-rata dari tiga observasi berikutnya. Proses ini akan berlanjut sampai rata-rata tiga periode dihitung berdasarkan data yang tersedia dari keseluruhan deret waktu. Istilah x0022movingx0022 mengacu pada rata-rata cara dihitung. Peramal bergerak naik atau turun deret waktu untuk memilih pengamatan untuk menghitung rata-rata jumlah pengamatan tetap. Dalam contoh tiga periode, metode rata-rata bergerak rata-rata akan menggunakan rata-rata tiga pengamatan data terbaru dalam rangkaian waktu sebagai perkiraan untuk periode berikutnya. Nilai perkiraan untuk periode berikutnya, bersamaan dengan dua pengamatan terakhir dari deret waktu historis, akan menghasilkan rata-rata yang dapat digunakan sebagai perkiraan untuk periode kedua di masa depan. Perhitungan moving average tiga periode dapat diilustrasikan sebagai berikut. Misalkan peramal ingin meramalkan volume penjualan mobil buatan Amerika di Amerika Serikat untuk tahun depan. Penjualan mobil buatan Amerika di Amerika Serikat selama tiga tahun sebelumnya adalah: 1,3 juta, 900.000, dan 1,1 juta (pengamatan terbaru dilaporkan pertama kali). Rata-rata pergerakan tiga periode dalam kasus ini adalah 1,1 juta mobil (yaitu: (1.3 0,90 1.1) 3 1.1). Berdasarkan rata-rata pergerakan tiga periode, perkiraan tersebut dapat memprediksi bahwa 1,1 juta mobil buatan Amerika kemungkinan besar akan dijual di Amerika Serikat pada tahun berikutnya. Dalam menghitung rata-rata bergerak untuk menghasilkan prakiraan, peramal dapat bereksperimen dengan rata-rata bergerak panjang yang berbeda. Peramal akan memilih panjang yang menghasilkan akurasi tertinggi untuk prakiraan yang dihasilkan. X0022 Adalah penting bahwa prakiraan yang dihasilkan tidak terlalu jauh dari hasil masa depan yang sebenarnya. Untuk memeriksa keakuratan perkiraan yang dihasilkan, peramal umumnya merancang ukuran kesalahan peramalan (yaitu, perbedaan antara nilai yang diperkirakan untuk suatu periode dan nilai sebenarnya dari variabel minat). Misalkan volume penjualan eceran untuk mobil buatan Amerika di Amerika Serikat diperkirakan 1,1 juta mobil untuk satu tahun tertentu, namun hanya jutaan mobil yang terjual pada tahun itu. Kesalahan perkiraan dalam kasus ini adalah sama dengan 100.000 mobil. Dengan kata lain, peramal tersebut melebih-lebihkan volume penjualan untuk tahun ini sebesar 100.000. Tentu saja, kesalahan perkiraan terkadang akan positif, dan pada saat lain menjadi negatif. Jadi, dengan mengambil rata-rata kesalahan perkiraan yang sederhana dari waktu ke waktu tidak akan menangkap besarnya kesalahan perkiraan kesalahan besar yang besar mungkin hanya membatalkan kesalahan negatif yang besar, memberikan kesan menyesatkan tentang keakuratan perkiraan yang dihasilkan. Akibatnya, peramal biasanya menggunakan kesalahan kuadrat rata-rata untuk mengukur kesalahan perkiraan. Kesalahan kuadrat rata-rata, atau MSE, adalah rata-rata dari jumlah kesalahan peramalan kuadrat. Langkah ini, dengan mengambil kuadrat dari kesalahan peramalan, menghilangkan kemungkinan kesalahan negatif dan positif membatalkannya. Dalam memilih panjang rata-rata bergerak, peramal dapat menggunakan ukuran MSE untuk menentukan jumlah nilai yang harus disertakan dalam menghitung rata-rata bergerak. Eksperimen peramal dengan panjang yang berbeda untuk menghasilkan rata-rata bergerak dan kemudian menghitung kesalahan perkiraan (dan kesalahan kuadrat rata-rata yang terkait) untuk setiap panjang yang digunakan dalam menghitung rata-rata bergerak. Kemudian, peramal dapat memilih panjang yang meminimalkan kesalahan kuadrat rata-rata dari perkiraan yang dihasilkan. Rata-rata pergerakan tertimbang adalah varian rata-rata bergerak. Dalam metode rata-rata bergerak, setiap pengamatan data mendapat bobot yang sama. Dalam metode rata-rata bergerak tertimbang, bobot yang berbeda ditugaskan untuk pengamatan pada data yang digunakan dalam menghitung rata-rata bergerak. Misalkan, sekali lagi, peramal ingin menghasilkan rata-rata bergerak tiga periode. Dengan metode rata-rata bergerak tertimbang, ketiga titik data akan menerima bobot yang berbeda sebelum dihitung rata-rata. Umumnya, pengamatan terbaru menerima bobot maksimum, dengan bobot yang ditetapkan menurun untuk nilai data yang lebih tua. Perhitungan rata-rata pergerakan tertimbang tiga periode dapat digambarkan sebagai berikut. Misalkan, sekali lagi, peramal ingin meramalkan volume penjualan mobil buatan Amerika di Amerika Serikat untuk tahun depan. Penjualan mobil buatan Amerika untuk Amerika Serikat selama tiga tahun sebelumnya adalah: 1,3 juta, 900.000, dan 1,1 juta (pengamatan terbaru dilaporkan pertama kali). Satu perkiraan rata-rata pergerakan tiga periode tertimbang dalam contoh ini dapat sama dengan 1,133 juta mobil (yaitu, 1 (36) x (1,3) (26) x (0,90) (16) x (1.1) 3 1.133). Berdasarkan rata-rata pergerakan tertimbang tiga periode, perkiraan tersebut dapat memprediksi bahwa 1.133 juta mobil buatan Amerika kemungkinan besar akan dijual di Amerika Serikat pada tahun depan. Keakuratan perkiraan rata-rata pergerakan tertimbang ditentukan dengan cara yang serupa dengan rata-rata pergerakan sederhana. Eksponensial smoothing agak lebih sulit secara matematis. Intinya, bagaimanapun, perataan eksponensial juga menggunakan konsep rata-rata tertimbang dalam bentuk rata-rata tertimbang dari semua pengamatan terakhir, seperti yang terdapat dalam rangkaian waktu yang relevan untuk menghasilkan perkiraan untuk periode berikutnya. Istilah x0022exponential smoothingx0022 berasal dari fakta bahwa metode ini menggunakan skema pembobotan untuk nilai historis data yang bersifat eksponensial. Dalam istilah biasa, skema pembobotan eksponensial memberikan bobot maksimum pada pengamatan terbaru dan bobotnya menurun secara sistematis karena observasi yang lebih tua dan lebih tua disertakan. Keakuratan prakiraan menggunakan smoothing eksponensial ditentukan dengan cara yang sama dengan metode moving averages. WAKTU SERI PERAMALAN MENGGUNAKAN PROYEKSI TREND. Metode ini menggunakan tren jangka panjang yang mendasari serangkaian data waktu untuk meramalkan nilai masa depannya. Misalkan peramal memiliki data penjualan mobil buatan Amerika di Amerika Serikat selama 25 tahun terakhir. Data deret waktu pada penjualan mobil A.S. dapat diplot dan diperiksa secara visual. Kemungkinan besar, rangkaian waktu penjualan otomatis akan menunjukkan pertumbuhan volume penjualan secara bertahap, meski terjadi pergerakan x0022upx0022 dan x0022downx0022 dari tahun ke tahun. Kecenderungannya mungkin linear (didekati dengan garis lurus) atau nonlinier (didekati oleh kurva atau garis nonlinear). Paling sering, peramal peramal mengasumsikan tren linier2014 tentu saja, jika tren linier diasumsikan ketika, pada kenyataannya, tren nonlinier hadir, keliru ini dapat menyebabkan perkiraan yang sangat tidak akurat. Asumsikan bahwa deret waktu penjualan mobil buatan Amerika sebenarnya linier dan dengan demikian dapat ditunjukkan dengan garis lurus. Teknik matematis digunakan untuk menemukan garis lurus yang paling tepat mewakili deret waktu penjualan mobil. Baris ini menghubungkan penjualan dengan poin yang berbeda dari waktu ke waktu. Jika selanjutnya kita asumsikan bahwa tren masa lalu akan berlanjut di masa depan, nilai masa depan dari deret waktu (prakiraan) dapat disimpulkan dari garis lurus berdasarkan data masa lalu. Kita harus ingat bahwa prakiraan berdasarkan metode ini juga harus dinilai berdasarkan ukuran kesalahan perkiraan. Seseorang dapat terus berasumsi bahwa peramal menggunakan kesalahan kotak rata-rata yang dibahas sebelumnya. PERINGATAN WAKTU SERIES MENGGUNAKAN KOMPONEN TREND DAN MUSIM. Metode ini merupakan varian dari metode proyeksi tren, memanfaatkan komponen musiman dari deret waktu disamping komponen tren. Metode ini menghilangkan efek musiman atau komponen musiman dari deret waktu. Langkah ini sering disebut de-seasonalizing deret waktu. Setelah serangkaian waktu telah de-musiman itu hanya akan memiliki komponen tren. Metode proyeksi tren kemudian dapat digunakan untuk mengidentifikasi tren garis lurus yang mewakili data deret waktu dengan baik. Kemudian, dengan menggunakan garis tren ini, prakiraan untuk periode mendatang akan dihasilkan. Langkah terakhir dengan metode ini adalah menggabungkan komponen musiman dari deret waktu (menggunakan indeks genap) untuk menyesuaikan prakiraan berdasarkan tren saja. Dengan cara ini, prakiraan yang dihasilkan terdiri dari komponen tren dan musiman. Orang biasanya akan mengharapkan perkiraan ini lebih akurat daripada yang murni didasarkan pada proyeksi tren. METODE PENYEBAB PERAMALAN. Seperti yang telah disebutkan sebelumnya, metode kausal menggunakan hubungan sebab-akibat antara variabel yang nilai masa depannya diprediksi dan variabel atau faktor terkait lainnya. Metode kausal yang dikenal luas disebut analisis regresi, teknik statistik yang digunakan untuk mengembangkan model matematis yang menunjukkan bagaimana sekumpulan variabel saling terkait. Hubungan matematis ini bisa digunakan untuk menghasilkan prakiraan. Dalam terminologi yang digunakan dalam konteks analisis regresi, variabel yang sedang diprediksi disebut variabel dependen atau respon. Variabel atau variabel yang membantu meramalkan nilai variabel dependen disebut variabel independen atau prediktor. Analisis regresi yang menggunakan satu variabel dependen dan satu variabel independen dan mendekati hubungan antara kedua variabel tersebut dengan garis lurus disebut regresi linier sederhana. Analisis regresi yang menggunakan dua atau lebih variabel independen untuk meramalkan nilai variabel dependen disebut analisis regresi berganda. Di bawah ini, teknik peramalan dengan menggunakan analisis regresi untuk kasus regresi linier sederhana diperkenalkan secara singkat. Misalkan peramal memiliki data penjualan mobil buatan Amerika di Amerika Serikat selama 25 tahun terakhir. Peramal juga mengidentifikasi bahwa penjualan mobil terkait dengan pendapatan individual disposible individu (kira-kira, pendapatan setelah pajak penghasilan dibayar, disesuaikan dengan tingkat inflasi). Peramal juga telah menyediakan deret waktu (selama 25 tahun terakhir) mengenai pendapatan disposable yang sesungguhnya. Data time series pada penjualan mobil A.S. dapat diplot terhadap data time series pada pendapatan disposable riil, sehingga dapat diperiksa secara visual. Kemungkinan besar, deret penjualan i auto series akan menunjukkan peningkatan volume penjualan secara bertahap seiring kenaikan pendapatan riil, walaupun kadang-kadang kekurangan konsistensi, yaitu, terkadang, penjualan mobil bisa turun bahkan ketika pendapatan disposable riil meningkat. Hubungan antara dua variabel (penjualan mobil sebagai variabel dependen dan pendapatan disposable riil sebagai variabel independen) dapat linier (didekati dengan garis lurus) atau nonlinier (didekati oleh kurva atau garis nonlinear). Asumsikan bahwa hubungan antara deret waktu penjualan mobil buatan Amerika dan pendapatan konsumen riil sesungguhnya benar-benar linier dan dengan demikian dapat ditunjukkan oleh garis lurus. Teknik matematis yang cukup ketat digunakan untuk menemukan garis lurus yang paling akurat mewakili hubungan antara deret waktu penjualan mobil dan disposable income. Intuisi di balik teknik matematika yang digunakan untuk mencapai garis lurus yang tepat adalah sebagai berikut. Bayangkan bahwa hubungan antara dua seri waktu telah diplot di atas kertas. Plot akan terdiri dari scatter (atau awan) titik. Setiap titik dalam plot mewakili sepasang pengamatan pada penjualan mobil dan pendapatan disposable (yaitu, penjualan mobil sesuai dengan tingkat pendapatan riil disposable yang sebenarnya di tahun mana pun). Penumpukan titik (mirip dengan metode deret waktu yang dibahas di atas) mungkin memiliki arus ke atas atau ke bawah. Artinya, hubungan antara penjualan mobil dan pendapatan disposable riil dapat diperkirakan dengan garis lurus ke atas atau ke bawah. Kemungkinan besar, analisis regresi dalam contoh sekarang akan menghasilkan garis lurus naik ke atas sehingga pendapatan disposable meningkat begitu pula volume penjualan mobil. Sesampainya di garis lurus yang paling akurat adalah kuncinya. Agaknya, seseorang dapat menarik banyak garis lurus melalui titik-titik di plot. Tidak semua dari mereka, bagaimanapun, akan sama-sama mewakili hubungan itu. Beberapa akan mendekati poin terbanyak, dan yang lainnya akan jauh dari kebanyakan poin dalam penyebarannya. Analisis regresi kemudian menggunakan teknik matematika. Garis lurus yang berbeda ditarik melalui data. Penyimpangan nilai sebenarnya dari titik data dalam plot dari nilai yang sesuai ditunjukkan oleh garis lurus yang dipilih dalam contoh apapun diperiksa. Jumlah kuadrat dari penyimpangan ini menangkap esensi dari seberapa dekat garis lurus dengan titik data. Garis dengan jumlah minimum penyimpangan kuadrat (disebut garis regresi x persegio squaresx0022) dianggap sebagai garis yang paling sesuai. Setelah mengidentifikasi garis regresi, dan dengan asumsi bahwa hubungan berdasarkan data masa lalu akan berlanjut, nilai variabel dependen (prakiraan) masa depan dapat disimpulkan dari garis lurus berdasarkan data sebelumnya. Jika peramal memiliki gagasan tentang penghasilan nyata yang bisa terjadi di tahun yang akan datang, perkiraan penjualan mobil masa depan dapat dihasilkan. Kita harus ingat bahwa prakiraan berdasarkan metode ini juga harus dinilai berdasarkan ukuran kesalahan perkiraan. Seseorang dapat terus berasumsi bahwa peramal menggunakan kesalahan kotak rata-rata yang dibahas sebelumnya. Selain menggunakan kesalahan perkiraan, analisis regresi menggunakan cara lain untuk menganalisis keefektifan estimasi garis regresi dalam peramalan. Anderson, David R. Dennis J. Sweeney, dan Thomas A. Williams. Pengantar Ilmu Manajemen: Pendekatan Kuantitatif untuk Pengambilan Keputusan. 8 ed. MinneapolisSt. Paul: West Publishing, 1997. x2014x2014. Statistik untuk Bisnis dan Ekonomi. Edisi ke-7 Cincinnati: SouthWestern College Publishing, 1999.FORECASTING Peramalan melibatkan pembuatan sejumlah, kumpulan angka, atau skenario yang sesuai dengan kejadian di masa depan. 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 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, perkiraan 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 jumlah waktu tertentu diperlukan untuk merespons perkiraan 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 yang spesifik 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 selanjutnya 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 peserta menanggapi pertanyaan terkait perkiraan, 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 mungkin 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 dikatakan pelanggan 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. Kadang-kadang, 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 memiliki perilaku mendasar 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 teratur yang tidak mencerminkan perilaku tipikal, 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 sebelumnya dengan menjumlahkan setiap periode dan membagi hasilnya dengan jumlah periode. Teknik ini telah ditemukan sangat efektif untuk peramalan jarak 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 mencapai perkiraan untuk bulan Mei, seseorang akan menurunkan permintaan Januarix0027 dari persamaan dan menambahkan permintaan dari bulan April. Tabel 2 menyajikan contoh perkiraan rata-rata pergerakan tiga bulan. Tabel 2 Tiga Bulan Bergerak Rata-rata Ramalan Permintaan Aktual (000x0027s) Rata-rata tertimbang menerapkan bobot yang telah ditentukan untuk setiap bulan data terakhir, 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 ramalan 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. Perataan eksponensial mengambil perkiraan periodx0027 sebelumnya dan menyesuaikannya dengan konstanta perataan yang telah ditentukan sebelumnya, x03AC (disebut alpha nilai 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 lalu dan bekerja maju ke periode dimana arus Perkiraan diperlukan Sejumlah besar data masa 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 seluruh atau sebagian data sebelumnya. Beberapa heuristik ada untuk menghitung perkiraan awal. Sebagai contoh, heuristik N (2 xF7 x03AC) x2212 1 dan alpha sebesar 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 Dengan periode data pastinya yang cukup, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi awal yang tidak akurat. ramalan cuaca. Dengan menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alfa 0,7, perkiraan untuk bulan Februari dihitung seperti ini: 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 ramuan eksponensial eksponensial double smoothing yang trend-trend termasuk trend (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 pemulusan, x03AC dan x03B2 dengan x03B2 yang merupakan 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 jumlah 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 kebanyakan 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). Persamaannya akan muncul sebagai berikut: 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 antara permintaan dan variabel yang mempengaruhi permintaan. Sebuah persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa itu adalah representasi hubungan masa lalu yang 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 smoothing eksponensial 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 perkiraan yang tidak akurat tersebut dapat menghasilkan bias rendah jika mereka cenderung mengalami perkiraan dan perkiraan (negatif dan positif). Misalnya, selama tiga periode, sebuah perusahaan dapat menggunakan nilai alpha tertentu hingga perkiraan lebih dari 75.000 unit (x221275.000), di bawah perkiraan 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 akurasi perkiraan yang lebih aman 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 dapat 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 ketepatan dan ketanggapan, 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 ramalan. Evaluasi kinerja ramalan dan modifikasi, jika perlu. BACAAN LEBIH LANJUT: Finch, Byron J. Operations Now: 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
Jnj-moving-average
W-2-reporting-of-incentive-stock-options