Portal - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian Lama offline Dari dunia blogger, tidak pernah lagi mengurusi Blog, nah Pada kesempatan kali ini Saya mau berbagi Kembali kepada semua sahabat Yang membutuhkan Tutorial atau pengetahuan tentang Prognose peramalan, mungkin beberapa hari kedepan Saya Akan banyak erinnerung tulisan tentang prognose. Semoga tulisan ini dapat Berguna Bagi Kita Sema. Pada Postingan Pertama Tentang Analisis Runtun Waktu Kali Ini, Saya Akan Berbagi Tentang Analisis Runtun Waktu Yang Paling Sederhana yaitu metode Verschieben Durchschnitt. Analisis runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola Daten masa lalu yang telah dikumpulkan secara teratur. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan beobachtungen pada suatu variabel dipandang sebagai realisasi dari variabel zufällig berdistribusi bersama. Gerakan musiman, adalah, gerakan, rangkaian, waktu, yang, sepanjang, tahun, pada, bulan-bulan, yang, sama, yang, selalu, menunjukkan, pola, yang, identik, Contohnya: harga saham, inflasi. Gerakan zufällig adalah gerakan naik turun waktu yang tidak dapat diduga sebelumnya als terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi Yang Penting Yang Harus dipenuhi dalam memodelkan Runtun Waktu adalah asumsi kestasioneran artinya sifat-sifat Yang mendasari proses tidak dipengaruhi oleh Waktu atau proses dalam keseimbangan. Apabila asumi stasioner belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Daten Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk daten runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola daten. Ada empat Tip umum. Horizontal, trend, saisonal, dan zyklisch. Ketika Daten Beobachtungen berubah-ubah di sekitar tingkatan ata rata-rata Yang konstan. Sie haben keine Artikel im Warenkorb. Produkte vergleichen Es ist kein Artikel zum Vergleichen vorhanden. Sie haben noch keine Artikel in Ihrem Warenkorb. Ketika Daten Beobachtungen naik atau menurun pada perluasan Periode suatu waktu disebut Pola Trend. Pola zyklischen ditandai dengan adanya fluktuasi bergelombang Daten yang terjadi di sekitar garis Trend. Ketika observasi dipengaruhi oleh faktor musiman disebut pola jahreszeitlich yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen jahreszeitlich runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Einzelbewegung Durchschnitt Rata-rata bergerak tunggal (Beweglicher Durchschnitt) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya Daten baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan Daten Yang terlama dan menambahkan Daten Yang terbaru. Verschiebender Durchschnitt ini digunakan untuk memprediksi nilai pada periode berikutnya. Modell ini sangat cocok digunakan pada Daten Yang stasioner Daten Daten Yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan daten yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan Daten Terakhir (Ft), Dan menggunakannya untuk memprediksi Daten Pada Periode selanjutnya. Metode ini sering digunakan pada daten kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (Glättung). Dibanding dengan rata-rata sederhana (dari satu-daten masa lalu) rata-rata bergerak berger T mempunyai karakteristik sebagai berikut. Hanya menyangkut T-Periode tarakhir dari Daten yang diketahui. Jumlah titik Daten dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semua T pengamatan terachhar harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tendenz atau musiman, walaupun metode ini lebih baik dibanding rata-rata gesamt. Diberikan N Titik Daten dan diputuskan untuk menggunakan T pengamatan Pada setiap rata-rata (Yang disebut dengan rata-rata bergerak Orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu Perusahaan Pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan Daten penjualan sebagai berikut. Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan Daten tersebut Bandingkan metode MA Tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, Manakah metode yang paling tepat untuk Daten di atas dan berikan alasannya Baiklah Sekarang kita Muley, kita Muley Dari Einzel Moving Average Adapun Langkah-Langkah melakukan forcasting terhadap Daten penjualan Pakaian sepak bola adalah:... Membuka aplikasi Minitab dengan melakukan Doppelklick pada Symbol Desktop Setelah aplikasi Minitab terbuka dan SIAP digunakan, buat nama variabel Bulan dan Daten kemudian masukkan Daten sesuai studi kasus. Sebelum memulai untuk melakukan Vorhersage, terlebih dahulu yang Harus dilakukan adalah Melihat bentuk sebaran Daten Runtun waktunya, klik Menü Graph 8211 Time Series Plot 8211 Einfach, masukkan variabel Daten ke kotak Serie , Sehingga didapatkan Leistung seperti gambar. Selanjutnya untuk melakukan Vorhersagen dengan metode Moving Durchschnitt single orde 3, klik menu Stat 8211 Zeitreihe 8211 Moving Average. . sehingga Muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan Variabel Daten, pada kotak MA Länge: masukkan angka 3, selanjutnya berikan centang Pada Prognosen generieren dan isi kotak Anzahl der Prognosen: dengan 1. Klik Taste Option dan berikan judul dengan MA3 dan klik OK. Selanjutnya klik button Lagerung dan berikan centang pada Gleitende Durchschnitte, Passt (Ein-Perioden-Prognosen), Residuals, dan Prognosen, klik OK. Kemudian klik Graphs dan pilih Plot vorhergesagt vs tatsächlichen dan OK. Sehingga Muncul Ausgang seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil Dari Prognosedaten tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti Pada gambar diatas. Cara peramalan dengan metode Doppelte Verschiebung Durchschnittliche dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan daten sobat, hehhe. Maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih Atas kunjungannya. Metode exponentielle Glättung adalah mengambil rata 8211 rata Dari nilai Pada beberapa periode untuk menaksir nilai Pada Suatu periode (Pangestu Subagyo, 1986: 3) Glätten exponentielle Glättung adalah Suatu metode peramalan rata-rata bergerak Yang melakukan pembobotan menurun Secara exponentiellen terhadap nilai 8211 nilai observasi yang lebih tua (Makridakis, 1993: 79) Metode explonentielle Glättung merupakan pengembangan dari metode gleitender Durchschnitt. Dalam metode ini peramalan dilakukan dänischen mengulang perhitungan secara terus menerus dengan menggunakan data baru. 1. Metode Einzel exponentielle Glättung Metode einzelne exponentielle Glättung merupakan perkembangan Dari metode gleitenden Durchschnitt Sederhana, yang Mula Mula 8211 dengan rumus sebagai berikut: (1.1) (1.2) dan (1.3) (1.4) Perbedaan antara St1 dan St adalah sebgai berkut: ( a) Pada St1 terdapat sedangkan Pada St tidak terdapat (b) Pada St terdapat sedangkan Pada St1 tidak terdapat (Pangestu Subagyo, 1986: 18) Dengan Melihat hubungan di atas maka kalau nilai St sudah diketahui maka nilai St1 dapat dicari berdasarkan nilai St itu Kalau diganti dengan nilai Prognose pada tahun t (yaitu St) maka persamaan diubah Menjadi: (1.5) bisa diubah Menjadi: (1.6) Di dalam metode Exponential smothing nilai diganti dengan sehingga rumus Prognose Menjadi: St1 Xt (1 8211) St (1.7) ( Pangestu Subagyo, 1986: 19) Penerapan Teknik peramalan ini menghasilkan Tisch di bawah ini Tabelle I Nilai St contoh penggunaan metode Saingle exponentielle Glättung Keine Xt St 20 2 21 1 20 3 19 20,10 4 17 19,19 5 22 19,69 6 24 19,92 Sumber (Pangestu subagyo, 1986: 21) Nilai ramalan untuk periode ke 7 dapat dihitung sebagai berikut: S7 X6 (1 8211) S6 0,1 (24) (0,9) 19,92 20,33 Metode Einzel Exponentielle Glättung lebih cocok digunakan untuk meramal hal 8211 hal yang fluktuasinya secara random (tidak teratur). 2. Metode Doble Exponentielle Glättung Metode ini merupakan Modell linearen yang dikemukakan oleh Brown. Didalam Merode Doble exponentielle Glättung dilakukan proses Glättung dua kali, sebagai berikut: St Xt (1 8211) St-1 (1.8) St S8217t (1 8211) (1.9) Rumusan ini agak berbeda dengan rumus Einzel exponentielle Glättung karena Xt dapat dipakai untuk mencari St bukan St1 Prognose dilakukan dengan rumus: Stm bei BTM (1.10) m jangka Waktu Prognose kedepan (1,11) (1,12) Metode doppelt exponentielle Glättung ini biasanya Lebih tepat untuk meramalkan Daten yang mengalami Trend naik. Agar dapat menggunakan rumus (1.8) dan (1.9) maka nilai St-1 dan St-1 Harus tersedia tetapi Pada saat t 1, nilai 8211 nilai tersebut tidak dapat tersedia. Jadi nilai 8211 nilai ini harus ditentukan pada awal Periode. Hal ini dilakukan dengan hanya menetapkans St dan Stan Sama dengan Xt atau dengan menggunakans suatu nilai pertama sebagai nilai awal. Contoh penggunaan Metode doble exponentielle Glättung untuk penjualan barang X. Tabelle 2 Volume penjualan barang X NO PERMINTAAN Barang 1 120 2 125 3 129 4 124 5 130 Sumber (Pangestu Subagyo, 1986: 26) Akan dicari ramalan Minggu ke-6 dengan menggunakan rumus ( 1,10) dengan 0,2. Perhitungan di mulai dengan menghitung St172 dengan rumus (1.8) yaitu St Xt (1-) St-1. X1 120, karena belum cukup Daten St dianggap sebesar 120 dan selanjutnya dengan rumus (1.8) Secara berangkai didapatkan kemudian mencari nilai dengan rumus (1,9) yaitu dengan 0,2. 120 Dan Harga-Harga secara Berangkai Didapatk: Harga-Harga ein Dan b diperoleh dengan menggunakan rumus (1.11) dan (1.12). Dari Secara berangkai didapat harga Dari Secara berangkai didapat harga-harga Harga ramalan tahun ke-6 diperoleh dengan rumus (1.10) yaitu Stm bei btm172 dengan m 1 dan 0,2 S6 a5 b5 126,84 0,64 127,48. Jadi ramalan penjualan Tunai ke-6 adalah 127,48 3. Metode Triple-exponentielle Glättung Metode ini merupakan metode Prognose Yang dikemukakan oleh Brown, dengan menggunakan persamaan kwadrat. Metode ini lebih cocok kalau dipakai untuk Membranvorhersage yang berfluktuasi atau mengalami gelombang pasang surut. (Pangestu Subagyo, 1986: 26). Prosedür pembuatan Prognose dengan metode ini sebagai berikut: Carilah nilai dengan rumus sebagai berikut: (1.13) Untuk tahun pertama nilai belum bisa dicari dengan rumus di atas, maka boleh ditentukan dengan bebas. Biasanya ditentukan sama seperi nilai yang telah terjadi pada tahun pertama. Carilah nilai dengan rumus: (1.14) Pada tahun pertama biasanya nilai ditentukan seperti nilai Yang terjadi Pada tahun pertama: Carilah nilai (1,15) Untuk nilai tahun pertama biasanya dianggap sama dengan Daten tahun pertama. Carilah nilai (1,16) Carilah nilai (1,17) Carilah nilai (1.18) Buat persamaan forecastnya (1,19) m adalah jangka Waktu maju ke depan, yaitu berapa tahun yang akan datang Prognose dilakukan. Bei, bt, ct adalah nilai yang telah dihitung sesuai dengan rumus di depan. Contoh penggunaan metode Triple-exponentielle Glättung untuk peramalan penjualan kita gunakan Daten Tabel 2. Akan tetapi ramalan tahun ke-6 menggunakan rumus (1,19) dengan 0,2. Dari contoh di atas kita, sudah mendapatkan, nilai, dan, maka, kita, harus, mencari, nilai. Bei, bt, ct dengan. 120 dengan rumus (1,16) diperoleh harga-harga Dengan mengggunakan rumus (1.16) (1.17) (1.18) harga an, bt, ct bisa didapat Harga ramalan tahun ke-6 diperoleh dengan menggunakan rumus (1,19) Salah satu keputusan Penting dalam Perusahaan Yang Dilakukan oleh manajemen adalah menentukan tingkat produksi dari barang atau Jasa Yang Peru disiapkan untuk masa datang. Penentuan tingkat produksi, Yang Merupakan Tingkat Penawaran Yang Dipengaruhi Oleh Jumlah Dauerwelle Pasar Yang Dapat Dipenuhi Oleh Perusahaan. Tingkat penawaran Yang Lebih tinggi Dari permintaan pasar dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya penyimpanan, biaya modal, dan biaya kerusakan barang. Tingkat penawaran Yang Lebih rendah dibandingkan dengan kemampuan Pangsa pasar Yang dapat diraih mengakibatkan hilangnya kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Untuk membantu tercapainya suatu keputusan yang optimales diperlukan adanya suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen als merupakan bagian dari proses pengambilan keputusan adalah metode Peramalan (Vorhersage). Metode peramalan digunakan untuk mengukur atau menaksir keadaan di masa datang. Peramalan tidak saja dilakukan untuk menentukan Anzahl der Beiträge produk Yang Perlu dibuat atau kapasitas jasa Yang Perlu werden gestellt, tetapi juga diperlukan untuk berbagai bidang gelegen (seperti dalam pengadaan, penjualan, Personalia, termasuk peramalan teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap Perusahaan, bagian Yang satu selalu mempunyai keterkaitan dengan bagian gelegen sehingga Suatu peramalan Yang baik atau buruk Akan mempengaruhi Perusahaan Secara keseluruhan. Kebutuhan Akan peramalan Semakin Bertambah sejalan dengan keinginan manajemen untuk memberikan respon Yang Cepat dan tepat terhadap kesempatan di masa datang, serta Menjadi Lebih ilmiah dalam menghadapi Lingkungan. Oleh karena itu, penguasaan terhadap metoden peramalan menjadi signifikanieren bagi seorang manajer operasi. 1.1 Pengertian Umum Peramalan dapat dilakukan sekundäres kuantitatif ataupun kualitatif. Pengukuran kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat (Urteil) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi. Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadisch) di masa datang dengan berdasarkan daten variabel yang bersangkutan pada masa sebelumnya. Daten masa lampau esu secara sistematik digabungkan dengan menggunakan suatu metode tertentu als diolah untuk memperoleh prakiraan keadaan pada masa datang. Prediksi adalah proses peramalans suatu variabler di masa datang dengan lebih mendasarkan pada pertimbangan subjektifintuisi daripada daten kejadischen pada masa lampau. Meskipun lebih menekankan pada intuisi, dalam prädiksi juga sering terdapat daten kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prädiksi, peramalan yang baiktepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang bersangkutan. Perbedaan antara prakiraan als Voraussage dapat digambarkan sebagai berikut. Suatu Perusahaan ingin meramalkan berapa permintaan pasar atas produknya Pada periode yang akan datang, maka Perusahaan itu dapat melakukan prakiraan dengan menggunakan Daten penjualan periode sebelumnya untuk mengetahui Taksiran permintaan pasar. Namun, jika Akan mengeluarkan produk Baru, Perusahaan Yang bersangkutan melakukan prediksi untuk mengetahui berapa Anzahl der Beiträge Yang dapat diserap pasar karena belum mempunyai Daten penjualan masa lampau. Dalam hal ini, Perusahaan menggunakan Daten kuantitatif8211seperti Daten penjualan produk sejenis Dari Perusahaan lain8211sebagai masukan dalam melakukan prediksi. Berdasarkan Horizont waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang, menengah, dan jangka pendek. 1. Peramalan jangka panjang. yaitu Yang mencakup Waktu Lebih besar Dari 24 bulan, misalnya peramalan Yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. 2. Peramalan jangka menengah. Yaitu antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. 3. Peramalan jangka pendek. Yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelischen material, penjadwalan kerja, dan penugasan. Peramalan jangka panjang banyak menggunakan pendekatan kualitatif, sedangkan peramalan jangka menengah als pendek menggunakan pendekatan kuantitatif. 1.2 Metode Peramalan Kuantitatif Pada dasarnya, metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan dalam dua jenis, yaitu metode seriellen waktu dan metode kausal. Metode serielle waktu (deret berkala, Zeitreihe) adalah metode yang digunakan untuk menganalisis serangkaische Daten Yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa beberapa pola atau kombinasi pola selal berulang sepanjang waktu, dan pola dasar dapat diidentifikasi semata-mata atas dasar daten historis dari serial itu. Tujuan analisis ini untuk menemukan pola Deret Variabel Yang bersangkutan berdasarkan nilai-nilai Variabel Pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai Variabel tersebut Pada masa datang. Metode kausal (causalexplanatory modell) mengasumsikan bahwa faktor yang diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independen). Misalnya, permintaan Drucker berhubungan dengan Anzahl der Beiträge penjualan komputer, atau Anzahl der Beiträge pendapatan berhubungan dengan faktor-faktor, seperti Anzahl der Beiträge penjualan, harga jual, dan Tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan antara variabel-variabel als menggunakannya untuk meramalkan nilai dari variabel tidak bebas (dependen). 1.2.1 Metode Serial Waktu Analisis seriell waktu dimulai dengan memplot Daten pada suatu skala waktu, mempelajari Plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas Daten. Pola dari serangkaischen Daten dalam seriellen waktu dapat dikelompokkan dalam pola dasar sebagai berikut (lihat gambar 4.1). 1. Konstan, yaitu apabila Daten berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis lurus senkrecht. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu veränderlich memiliki pola konstan dalam jangka panjang. 2. Kecenderungan (Tendenz), yaitu apabila Daten dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya. 3. Musiman (saisonal), yaitu apabila polanya merupakan Gerakan Yang berulang-ULANG Secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor iklimcuaca atau faktor yang dibuat oleh manusien, seperti liburan dan hari besar. 4. Siklus (zyklisch), yaitu apabila Daten dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman mempunyai panjang Gelombang Yang tetap dan terjadi Pada jarak Waktu Yang tetap, sedangkan pola siklus memiliki durasi Yang Lebih panjang dan bervariasi Dari satu siklus ke siklus Yang Lain. 5. Residu atau variasi acak, yaitu apabila daten datum teratur sama sekali. Daten yang bersifat residu tidak dapat digambarkan. Pengolahan Daten kuantitatif Dari seriellen waktu dapat dilakukan dengan metode dasar, sebagai berikut: a. Rata-rata bergerak b. Pemulusan eksponensial Metode dasar itu telah dikembangkan lagi menjadi berbagai derasi turunannya. Dalam buku ini hanya akan dibahas sebagian dari derasi metode dasar tersebut. 1.2.2 Metode Rata-Rata Bergerak 1. Metode Rata-Rata Bergerak Sederhana (einfacher gleitender Durchschnitt) Prakiraan didasarkan pada proyeksi serielle Daten Yang dimuluskan dengan rata-rata bergerak. Satu-Setzdaten (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. Istilah rata rata bergerak digunakan karena setiap diperoleh observasi (Daten aktual) Baru maka rata-rata Yang Baru dapat dihitung dengan mengeluarkanmeninggalkan Daten periode Yang terlama dan memasukkan Daten periode Yang terbaruterakhir. Rata-rata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Serielle Daten Yang Digunakan jumlahnya selalu tetap termasuk Daten Periode terakhir. Secara matematika, rumus prakiraan dänischen metode rata-rata bergerak sederhana sebagai berikut. Prakiraan permintaan pada Periode ke-11 dapat dihitung, sebagai Berikut. Untuk N 3 F 11 (40 43 42) 3 41,7 N 5 F 11 (42 41 40 43 42) 5 41,6 Semakin panjangbanyak serielle Waktu Yang digunakan, grafik prakiraannya Akan Semakin Halos (pengisolasian faktor zufällige Makin Halos) tetapi Semakin Kurang responsif terhadap Daten aktualnya (lilhat gambar 4.2). Serielle waktu yang digunakan dipilih secara Versuch und Irrtum sampai diperoleh kesalahan prakiraan yang terkecil. Pengukuran ketelitian prakiraan diterangkan pada bagi akhir bab ini. 2. Metode Rata-Rata Bergerak Tertimbang Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak hal, periode yang diramalkan (periode t 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan periode yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seyogianya mendapat bobot yang lebih besar dibandingkan dengan periode sebelumnya (die sini menyiratkan adanya bentuk prakiraan yang nicht linier). Metode rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu. Metode rata-rata bergerak tertimbang (gewichteter gleitender Durchschnitt) juga menggunakan Daten N periode terakhir sebagai Daten historis untuk melakukan prakiraan, tetapi setiap periode mendapat bobot yang berbeda. Rumus metode rata-rata bergerak tertimbang sebagai Berikut.
No comments:
Post a Comment