Jelaskan perbedaan antara bergerak rata rata dan eksponensial smoothing

Exponential Smoothing Dijelaskan. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Ketika orang pertama kali menemukan istilah Exponential Smoothing, mereka mungkin berpikir itu terdengar seperti neraka yang banyak merapikan. Apapun itu smoothing. Mereka kemudian mulai membayangkan perhitungan matematika yang rumit yang mungkin memerlukan gelar dalam matematika untuk memahami, dan berharap ada fungsi Excel bawaan yang tersedia jika mereka perlu melakukannya. Realitas pemulusan eksponensial jauh kurang dramatis dan jauh kurang traumatis. Yang benar adalah, eksponensial smoothing adalah perhitungan yang sangat sederhana yang menyelesaikan tugas yang agak sederhana. Ini hanya memiliki nama yang rumit karena secara teknis hal tersebut terjadi akibat perhitungan sederhana ini sebenarnya sedikit rumit. Untuk memahami pemulusan eksponensial, ada baiknya memulai dengan konsep umum perataan dan beberapa metode umum lainnya yang digunakan untuk mencapai perataan. Smoothing Smoothing adalah proses statistik yang sangat umum. Sebenarnya, kami secara teratur menemukan data merapikan dalam berbagai bentuk dalam kehidupan sehari-hari. Setiap kali Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda menggunakan nomor yang merapikan. Jika Anda memikirkan mengapa Anda menggunakan rata-rata untuk menggambarkan sesuatu, Anda akan segera memahami konsep perataan. Sebagai contoh, kita hanya mengalami musim dingin terpanas yang tercatat. Bagaimana kita bisa menghitung ini. Kita mulai dengan dataset suhu tinggi dan rendah harian untuk periode yang kita sebut Winter untuk setiap tahun dalam sejarah yang tercatat. Tapi itu membuat kita dengan seikat angka yang melompati sedikit (tidak seperti setiap hari musim dingin ini lebih hangat daripada hari-hari yang sama dari tahun-tahun sebelumnya). Kita membutuhkan nomor yang menghilangkan semua ini yang melompat dari data sehingga kita bisa lebih mudah membandingkan satu musim dingin ke musim berikutnya. Melepaskan lompatan di sekitar data disebut smoothing, dan dalam kasus ini kita bisa menggunakan rata-rata sederhana untuk menyelesaikan smoothing. Dalam peramalan permintaan, kita menggunakan smoothing untuk menghilangkan variasi acak (noise) dari permintaan historis kita. Hal ini memungkinkan kita untuk lebih mengidentifikasi pola permintaan (terutama tren dan musiman) dan tingkat permintaan yang dapat digunakan untuk memperkirakan permintaan masa depan. Kebisingan yang diminta adalah konsep yang sama dengan data suhu harian yang melompati. Tidak mengherankan, cara yang paling umum orang menghilangkan kebisingan dari sejarah permintaan adalah dengan menggunakan rata-rata sederhana lebih khusus, rata-rata bergerak. Rata-rata bergerak hanya menggunakan sejumlah periode yang telah ditentukan untuk menghitung rata-rata, dan periode tersebut bergerak seiring berjalannya waktu. Misalnya, jika Im menggunakan moving average 4 bulan, dan hari ini tanggal 1 Mei Im menggunakan rata-rata permintaan yang terjadi pada bulan Januari, Februari, Maret, dan April. Pada tanggal 1 Juni, saya akan menggunakan permintaan dari bulan Februari, Maret, April, dan Mei. Rata-rata bergerak tertimbang. Bila menggunakan rata-rata, kami menerapkan kepentingan (bobot) yang sama untuk setiap nilai dalam dataset. Dalam rata-rata pergerakan 4 bulan, setiap bulan mewakili 25 dari rata-rata bergerak. Bila menggunakan sejarah permintaan untuk memproyeksikan permintaan masa depan (dan terutama tren masa depan), logis untuk sampai pada kesimpulan bahwa Anda ingin sejarah yang lebih baru memiliki dampak lebih besar pada perkiraan Anda. Kita dapat menyesuaikan perhitungan rata-rata bergerak kita untuk menerapkan berbagai bobot pada setiap periode untuk mendapatkan hasil yang diinginkan. Kami mengungkapkan bobot ini sebagai persentase, dan total semua bobot untuk semua periode harus bertambah hingga 100. Oleh karena itu, jika kita memutuskan bahwa kita ingin menerapkan 35 sebagai bobot untuk periode terdekat dalam rata-rata pergerakan tertimbang 4 bulan kita, kita dapat Kurangi 35 dari 100 untuk menemukan bahwa kita memiliki sisa 65 untuk membagi selama 3 periode lainnya. Misalnya, kita bisa berakhir dengan bobot masing-masing 15, 20, 30, dan 35 selama 4 bulan (15 20 30 35 100). Pemulusan eksponensial Jika kita kembali pada konsep penerapan bobot sampai periode terakhir (seperti 35 pada contoh sebelumnya) dan menyebarkan bobot yang tersisa (dihitung dengan mengurangkan berat periode terakhir 35 dari 100 menjadi 65), kita memiliki Blok bangunan dasar untuk perhitungan smoothing eksponensial kami. Pengendalian masukan perhitungan smoothing eksponensial dikenal sebagai faktor pemulusan (juga disebut konstanta pemulusan). Ini pada dasarnya mewakili bobot yang diterapkan pada periode permintaan terakhir. Jadi, di mana kita menggunakan 35 sebagai pembobotan untuk periode terbaru dalam perhitungan rata-rata bergerak tertimbang, kita juga dapat memilih untuk menggunakan 35 sebagai faktor penghalusan dalam perhitungan perataan eksponensial untuk mendapatkan efek yang serupa. Perbedaan dengan perhitungan smoothing eksponensial adalah bahwa alih-alih kita juga harus mengetahui berapa banyak bobot yang harus diterapkan pada setiap periode sebelumnya, faktor pemulusan digunakan untuk melakukannya secara otomatis. Jadi inilah bagian eksponensialnya. Jika kita menggunakan 35 sebagai faktor penghalusan, bobot periode permintaan terakhir akan menjadi 35. Bobot periode permintaan terakhir berikutnya (periode sebelum yang paling baru) akan menjadi 65 dari 35 (65 berasal dari pengurangan 35 dari 100). Ini setara dengan 22,75 bobot untuk periode itu jika Anda melakukan matematika. Permintaan periode paling akhir berikutnya adalah 65 dari 65 dari 35, yang setara dengan 14,79. Periode sebelum itu akan tertimbang 65 dari 65 65 dari 35, yang setara dengan 9,61, dan seterusnya. Dan ini berlanjut kembali sepanjang periode sebelumnya sampai kembali ke awal waktu (atau titik di mana Anda mulai menggunakan smoothing eksponensial untuk item tertentu). Anda mungkin berpikir itu terlihat seperti keseluruhan matematika. Tapi keindahan perhitungan smoothing eksponensial adalah bahwa daripada harus menghitung ulang terhadap setiap periode sebelumnya setiap kali Anda mendapatkan permintaan periode baru, Anda cukup menggunakan keluaran penghitungan eksponensial dari periode sebelumnya untuk mewakili semua periode sebelumnya. Apakah Anda bingung ini akan lebih masuk akal saat kita melihat perhitungan sebenarnya Biasanya kita mengacu pada output perhitungan smoothing eksponensial seperti ramalan periode berikutnya. Pada kenyataannya, perkiraan akhir memerlukan sedikit kerja lebih banyak, namun untuk keperluan perhitungan khusus ini, kami akan menyebutnya sebagai ramalan. Perhitungan smoothing eksponensial adalah sebagai berikut: Periode permintaan terakhir dikalikan dengan faktor penghalusan. PLUS Prakiraan periode terbaru dikalikan dengan (satu minus faktor pemulusan). D periode terakhir meminta S faktor penghalusan diwakili dalam bentuk desimal (jadi 35 akan ditunjukkan sebagai 0,35). F perkiraan periode terbaru (output dari penghitungan smoothing dari periode sebelumnya). ATAU (dengan mengasumsikan faktor pemulusan 0,35) (D 0.35) (F 0.65) Itu tidak akan jauh lebih sederhana dari itu. Seperti yang Anda lihat, semua yang kita butuhkan untuk input data di sini adalah periode permintaan terakhir dan perkiraan periode terbaru. Kami menerapkan faktor pemulusan (pembobotan) ke periode paling akhir dengan permintaan yang sama seperti dalam perhitungan rata-rata bergerak tertimbang. Kami kemudian menerapkan pembobotan yang tersisa (1 dikurangi faktor pemulusan) ke perkiraan periode terbaru. Karena ramalan periode paling baru dibuat berdasarkan perkiraan periode sebelumnya dan perkiraan periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya dan perkiraan untuk periode sebelumnya, yang didasarkan pada permintaan untuk periode sebelumnya Itu dan ramalan untuk periode sebelumnya, yang didasarkan pada periode sebelum itu. Nah, Anda bisa melihat bagaimana semua permintaan periode sebelumnya terwakili dalam perhitungan tanpa benar-benar mundur dan menghitung ulang apapun. Dan itulah yang mendorong popularitas awal eksponensial smoothing. Itu bukan karena melakukan pekerjaan smoothing yang lebih baik daripada rata-rata bergerak tertimbang, karena lebih mudah untuk menghitung dalam program komputer. Dan, karena Anda tidak perlu memikirkan berapa bobot yang harus diberikan pada periode sebelumnya atau berapa banyak periode sebelumnya yang digunakan, seperti yang akan Anda lakukan pada rata-rata pergerakan tertimbang. Dan, karena kedengarannya lebih dingin dari rata-rata bergerak tertimbang. Sebenarnya, dapat dikatakan bahwa rata-rata bergerak tertimbang memberikan fleksibilitas lebih besar karena Anda memiliki kontrol lebih terhadap pembobotan periode sebelumnya. Kenyataannya adalah salah satu dari ini dapat memberikan hasil yang terhormat, jadi mengapa tidak pergi dengan suara lebih mudah dan lebih dingin. Exponential Smoothing di Excel Mari kita lihat bagaimana ini benar-benar terlihat dalam spreadsheet dengan data sebenarnya. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Pada Gambar 1A, kita memiliki spreadsheet Excel dengan permintaan 11 minggu, dan perkiraan merapikan secara eksponensial dihitung dari permintaan itu. Ive menggunakan faktor pemulusan 25 (0,25 di sel C1). Sel aktif saat ini adalah Cell M4 yang berisi ramalan untuk minggu 12. Anda bisa lihat di formula bar, rumusnya adalah (L3C1) (L4 (1-C1)). Jadi satu-satunya masukan langsung untuk perhitungan ini adalah permintaan periode sebelumnya (Cell L3), perkiraan periode sebelumnya (Cell L4), dan faktor pemulusan (Cell C1, yang ditunjukkan sebagai referensi sel absolut C1). Saat kita memulai perhitungan penghalusan eksponensial, kita perlu menambahkan nilai ramalan 1 secara manual. Jadi di Cell B4, bukan formula, kami hanya mengetik permintaan dari periode yang sama seperti perkiraan. Di Cell C4 kita memiliki perhitungan smoothing eksponensial 1 kita (B3C1) (B4 (1-C1)). Kita kemudian bisa menyalin Cell C4 dan menempelkannya ke Sel D4 sampai M4 untuk mengisi sisa sel perkiraan kami. Sekarang Anda bisa klik dua kali pada sel perkiraan mana pun untuk melihatnya didasarkan pada ramalan periode sebelumnya dan periode sebelumnya menuntut sel. Jadi setiap perhitungan smoothing eksponensial selanjutnya mewarisi output perhitungan smoothing eksponensial sebelumnya. Thats bagaimana setiap periode sebelumnya permintaan diwakili dalam perhitungan periode terbaru meskipun perhitungan itu tidak secara langsung referensi periode sebelumnya. Jika ingin kemewahan, Anda bisa menggunakan fungsi pendahuluan Excels. Untuk melakukan ini, klik pada Cell M4, lalu pada bar alat pita (Excel 2007 atau 2010) klik tab Rumus, lalu klik Trace Precedents. Ini akan menarik garis konektor ke tingkat pertama preseden, tapi jika Anda terus mengklik Trace Preseden, itu akan menarik garis konektor ke semua periode sebelumnya untuk menunjukkan kepada Anda hubungan yang diwariskan. Sekarang mari kita lihat apa yang dilakukan smoothing eksponensial untuk kita. Gambar 1B menunjukkan bagan garis dari permintaan dan perkiraan kami. Kasus Anda melihat bagaimana perkiraan merapikan secara eksponensial menghilangkan sebagian besar jaggedness (lompatan sekitar) dari permintaan mingguan, namun tetap berhasil mengikuti apa yang tampaknya merupakan tren permintaan yang meningkat. Anda juga akan melihat bahwa garis perkiraan merapikan cenderung lebih rendah dari garis permintaan. Ini dikenal sebagai trend lag dan merupakan efek samping dari proses smoothing. Kapan pun Anda menggunakan smoothing saat tren hadir, ramalan Anda akan tertinggal dari tren. Hal ini berlaku untuk teknik pemulusan. Sebenarnya, jika kami melanjutkan spreadsheet ini dan mulai memasukkan jumlah permintaan yang lebih rendah (membuat tren menurun), Anda akan melihat garis permintaan turun, dan garis tren bergerak di atasnya sebelum mulai mengikuti tren penurunan. Itulah mengapa saya sebelumnya menyebutkan output dari perhitungan smoothing eksponensial yang kita sebut ramalan, masih memerlukan beberapa pekerjaan lagi. Ada lebih banyak peramalan daripada hanya meratakan benjolan permintaan. Kita perlu melakukan penyesuaian tambahan untuk hal-hal seperti tren lag, seasonality, event yang diketahui yang mungkin mempengaruhi permintaan, dll. Tapi semua itu berada di luar cakupan artikel ini. Anda mungkin juga akan mengalami istilah seperti perataan eksponensial ganda dan pemulusan tiga eksponensial. Istilah ini agak menyesatkan karena Anda tidak merapikan permintaan berkali-kali (Anda bisa jika Anda mau, tapi bukan itu masalahnya di sini). Istilah ini mewakili penggunaan smoothing eksponensial pada elemen tambahan ramalan. Jadi dengan pemulusan eksponensial sederhana, Anda merapikan permintaan dasar, namun dengan pemulusan eksponensial ganda, Anda merapikan permintaan dasar ditambah trennya, dan dengan pemulusan tiga eksponensial Anda merapikan permintaan dasar ditambah tren plus musiman. Pertanyaan lain yang paling sering diajukan tentang pemulusan eksponensial adalah dari mana saya mendapatkan faktor pemulusan saya Tidak ada jawaban ajaib di sini, Anda perlu menguji berbagai faktor penghalusan dengan data permintaan Anda untuk melihat hasil terbaik Anda. Ada perhitungan yang bisa mengatur (dan mengubah) faktor smoothing secara otomatis. Ini jatuh di bawah istilah perataan adaptif, tapi Anda harus berhati-hati dengan mereka. Tidak ada jawaban yang sempurna dan Anda seharusnya tidak membabi buta menerapkan perhitungan tanpa pengujian menyeluruh dan mengembangkan pemahaman menyeluruh tentang perhitungan yang dilakukannya. Anda juga harus menjalankan skenario apa-jika melihat bagaimana perhitungan ini bereaksi terhadap permintaan perubahan yang mungkin saat ini tidak ada dalam data permintaan yang Anda gunakan untuk pengujian. Contoh data yang saya gunakan sebelumnya adalah contoh yang sangat bagus dari situasi di mana Anda benar-benar perlu menguji beberapa skenario lainnya. Contoh data tertentu menunjukkan kecenderungan kenaikan yang agak konsisten. Banyak perusahaan besar dengan perangkat lunak peramalan yang sangat mahal mendapat masalah besar dalam masa lalu yang tidak begitu jauh ketika pengaturan perangkat lunak mereka yang di-tweak untuk ekonomi yang sedang tumbuh tidak akan membaik saat ekonomi mulai stagnan atau menyusut. Hal seperti ini terjadi saat Anda tidak mengerti apa perhitungan (software) Anda sebenarnya. Jika mereka memahami sistem peramalan mereka, mereka pasti tahu bahwa mereka perlu terjun dan mengubah sesuatu saat terjadi perubahan dramatis mendadak pada bisnis mereka. Jadi begitulah dasar-dasar smoothing eksponensial dijelaskan. Ingin tahu lebih banyak tentang penggunaan smoothing eksponensial dalam perkiraan yang sebenarnya, lihat buku saya yang Dijelaskan Manajemen Inventaris. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Dave Piasecki. Adalah owneroperator dari Inventory Operations Consulting LLC. Sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan manajemen persediaan, penanganan material, dan operasi gudang. Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya (inventaris), di mana dia menyimpan informasi tambahan yang relevan. Metode Seri Waktu Bisnisku Metode deret waktu adalah teknik statistik yang memanfaatkan akumulasi data historis selama periode waktu tertentu. Metode time series mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi di masa depan. Seperti yang ditunjukkan oleh deret waktu, metode ini menghubungkan perkiraan hanya dengan satu faktor waktu. Mereka termasuk rata-rata bergerak, eksponensial smoothing, dan garis tren linier dan mereka adalah salah satu metode yang paling populer untuk peramalan jangka pendek di antara perusahaan jasa dan manufaktur. Metode ini mengasumsikan bahwa pola historis atau tren permintaan yang dapat diidentifikasi dari waktu ke waktu akan berulang. Moving Average Sebuah perkiraan deret waktu dapat sesederhana dengan menggunakan permintaan pada periode saat ini untuk memprediksi permintaan pada periode berikutnya. Ini kadang disebut ramalan naif atau intuitif. 4 Misalnya, jika permintaan 100 unit minggu ini, perkiraan permintaan minggu depan adalah 100 unit jika permintaan berubah menjadi 90 unit, maka permintaan minggu berikut adalah 90 unit, dan seterusnya. Metode peramalan jenis ini tidak memperhitungkan perilaku permintaan historis yang hanya bergantung pada permintaan pada periode berjalan. Ini bereaksi langsung terhadap pergerakan acak yang normal. Metode rata-rata bergerak sederhana menggunakan beberapa nilai permintaan selama masa lalu untuk mengembangkan perkiraan. Hal ini cenderung mereda, atau kelancaran keluar, peningkatan acak dan penurunan ramalan yang hanya menggunakan satu periode. Rata-rata pergerakan sederhana berguna untuk meramalkan permintaan yang stabil dan tidak menampilkan perilaku permintaan yang menonjol, seperti tren atau pola musiman. Moving averages dihitung untuk periode tertentu, seperti tiga bulan atau lima bulan, tergantung pada seberapa banyak keinginan peramal untuk memperlancar data permintaan. Semakin lama periode rata-rata bergerak, semakin halus jadinya. Rumus untuk menghitung rata-rata pergerakan sederhana adalah Computing a Simple Moving Average Perusahaan Klip Kertas Klip Instan yang menjual dan menjual perlengkapan kantor ke perusahaan, sekolah, dan agensi dalam radius 50 mil dari gudangnya. Bisnis penyediaan kantor sangat kompetitif, dan kemampuan untuk menyampaikan pesanan segera merupakan faktor dalam mendapatkan pelanggan baru dan mempertahankan bisnis lama. (Kantor biasanya memesan tidak ketika mereka kehabisan persediaan, tapi ketika mereka benar-benar kehabisan. Akibatnya, mereka memerlukan pesanan mereka segera.) Manajer perusahaan ingin cukup yakin bahwa pengemudi dan kendaraan tersedia untuk segera mengirimkan pesanan dan Mereka memiliki persediaan yang memadai. Oleh karena itu, manajer ingin meramalkan jumlah pesanan yang akan terjadi selama bulan depan (yaitu untuk meramalkan permintaan pengiriman). Dari catatan pesanan pengiriman, manajemen telah mengumpulkan data berikut selama 10 bulan terakhir, dari mana ia ingin menghitung rata-rata bergerak 3- dan 5 bulan. Mari kita asumsikan bahwa itu adalah akhir Oktober. Perkiraan yang dihasilkan dari rata-rata pergerakan rata-rata 3 atau 5 bulan biasanya untuk bulan berikutnya dalam urutan, yang dalam kasus ini adalah bulan November. Rata-rata bergerak dihitung dari permintaan pesanan untuk 3 bulan sebelumnya dalam urutan sesuai dengan rumus berikut: Rerata moving average 5 bulan dihitung dari data permintaan 5 bulan sebelumnya sebagai berikut: 3- dan 5 bulan Perkiraan rata-rata bergerak untuk semua data permintaan bulan ditunjukkan pada tabel berikut. Sebenarnya hanya perkiraan untuk bulan November berdasarkan permintaan bulanan terbaru yang akan digunakan oleh manajer. Namun, prakiraan sebelumnya untuk bulan-bulan sebelumnya memungkinkan kita membandingkan perkiraan dengan permintaan aktual untuk melihat seberapa akurat metode peramalan - yaitu, seberapa baik kinerjanya. Rata-rata Tiga dan Lima Bulan Perkiraan rata-rata bergerak dalam tabel di atas cenderung memperlancar variabilitas yang terjadi pada data aktual. Efek perataan ini dapat diamati pada gambar berikut di mana rata-rata 3 bulan dan 5 bulan telah ditumpangkan pada grafik data asli: Rata-rata pergerakan 5 bulan pada gambar sebelumnya menghaluskan fluktuasi ke tingkat yang lebih tinggi daripada Rata-rata pergerakan 3 bulan. Namun, rata-rata 3 bulan lebih dekat mencerminkan data terbaru yang tersedia bagi manajer pasokan kantor. Secara umum, prakiraan menggunakan moving average jangka panjang lebih lambat untuk bereaksi terhadap perubahan permintaan terakhir daripada yang dilakukan dengan menggunakan rata-rata bergerak jangka pendek. Periode ekstra data mengurangi kecepatan perkiraan ramalan. Menetapkan jumlah periode yang tepat untuk digunakan dalam perkiraan rata-rata bergerak seringkali memerlukan sejumlah eksperimentasi coba-coba. Kerugian dari metode rata-rata bergerak adalah tidak bereaksi terhadap variasi yang terjadi karena suatu alasan, seperti siklus dan efek musiman. Faktor yang menyebabkan perubahan umumnya diabaikan. Ini pada dasarnya adalah metode mekanis, yang mencerminkan data historis secara konsisten. Namun, metode moving average memang memiliki keunggulan karena mudah digunakan, cepat, dan relatif murah. Secara umum, metode ini bisa memberikan ramalan yang bagus untuk jangka pendek, tapi seharusnya tidak didorong terlalu jauh ke masa depan. Weighted Moving Average Metode moving average dapat disesuaikan untuk lebih dekat mencerminkan fluktuasi data. Dengan metode rata-rata bergerak tertimbang, bobot ditetapkan ke data terbaru sesuai dengan rumus berikut: Data permintaan untuk Layanan Komputer PM (ditunjukkan pada tabel untuk Contoh 10.3) nampak mengikuti tren linier yang meningkat. Perusahaan ingin menghitung garis tren linier untuk melihat apakah lebih akurat daripada eksponensial smoothing eksponensial dan perkiraan eksponensial yang dikembangkan pada Contoh 10.3 dan 10.4. Nilai yang dibutuhkan untuk perhitungan kuadrat terkecil adalah sebagai berikut: Dengan menggunakan nilai-nilai ini, parameter untuk garis tren linier dihitung sebagai berikut: Oleh karena itu, persamaan garis linier linier adalah menghitung ramalan untuk periode 13, misalkan x 13 pada linier Garis tren: Grafik berikut menunjukkan garis tren linier dibandingkan dengan data aktual. Garis tren tampaknya mencerminkan secara cermat data aktual - yaitu, menjadi sesuai - dan dengan demikian akan menjadi model perkiraan yang baik untuk masalah ini. Namun, kelemahan garis tren linier adalah bahwa ia tidak akan menyesuaikan diri dengan perubahan tren, karena metode ramalan eksponensial eksponensial akan berlanjut, diasumsikan bahwa semua perkiraan masa depan akan mengikuti garis lurus. Ini membatasi penggunaan metode ini ke kerangka waktu yang lebih singkat di mana Anda dapat yakin bahwa tren tidak akan berubah. Penyesuaian Musiman Pola musiman adalah peningkatan berulang dan penurunan permintaan. Banyak item permintaan menunjukkan perilaku musiman. Penjualan pakaian mengikuti pola musiman tahunan, dengan permintaan akan pakaian hangat meningkat di musim gugur dan musim dingin dan menurun pada musim semi dan musim panas karena permintaan akan pakaian dingin meningkat. Permintaan untuk banyak barang ritel, termasuk mainan, peralatan olah raga, pakaian, peralatan elektronik, ham, kalkun, anggur, dan buah, meningkat selama musim liburan. Permintaan kartu ucapan meningkat bersamaan dengan hari-hari istimewa seperti Hari Kasih Sayang dan Hari Ibu. Pola musiman juga bisa terjadi setiap bulan, mingguan, atau bahkan setiap hari. Beberapa restoran memiliki permintaan lebih tinggi di malam hari daripada makan siang atau pada akhir pekan dibandingkan dengan hari kerja. Lalu lintas - maka penjualan - di pusat perbelanjaan mengambil pada hari Jumat dan Sabtu. Ada beberapa metode untuk mencerminkan pola musiman dalam perkiraan deret waktu. Kami akan menjelaskan salah satu metode sederhana menggunakan faktor musiman. Faktor musiman adalah nilai numerik yang dikalikan dengan perkiraan normal untuk mendapatkan perkiraan musiman yang disesuaikan. Salah satu metode untuk mengembangkan permintaan faktor musiman adalah membagi permintaan untuk setiap periode musiman dengan total permintaan tahunan, sesuai dengan rumus berikut: Faktor musiman yang dihasilkan antara 0 dan 1.0, pada dasarnya, merupakan bagian dari total permintaan tahunan yang ditugaskan pada Setiap musim Faktor musiman ini dikalikan dengan permintaan tahunan yang diperkirakan untuk menghasilkan perkiraan yang disesuaikan untuk setiap musim. Menghitung Prakiraan dengan Penyesuaian Musiman Peternakan Wishbone menanam kalkun untuk dijual ke perusahaan pengolahan daging sepanjang tahun. Namun, peak season-nya jelas pada kuartal keempat tahun ini, dari Oktober hingga Desember. Wishbone Farms telah mengalami permintaan untuk kalkun selama tiga tahun terakhir yang ditunjukkan pada tabel berikut: Karena kita memiliki data permintaan tiga tahun, kita dapat menghitung faktor musiman dengan membagi permintaan triwulanan selama tiga tahun dengan total permintaan sepanjang tiga tahun : Selanjutnya, kita ingin melipatgandakan perkiraan permintaan untuk tahun depan, 2000, oleh masing-masing faktor musiman untuk mendapatkan perkiraan permintaan untuk setiap kuartal. Untuk mencapai hal ini, kita memerlukan perkiraan permintaan untuk tahun 2000. Dalam kasus ini, karena data permintaan dalam tabel tampaknya menunjukkan tren yang meningkat secara umum, kita menghitung garis tren linier selama tiga tahun data dalam tabel untuk mendapatkan nilai kasar Perkiraan perkiraan: Dengan demikian, perkiraan untuk tahun 2000 adalah 58,17, atau 58.170 kalkun. Dengan menggunakan perkiraan permintaan tahunan ini, perkiraan musiman yang disesuaikan, SF i, untuk tahun 2000 adalah Membandingkan perkiraan kuartalan ini dengan nilai permintaan aktual dalam tabel, perkiraan perkiraan perkiraan mereka relatif baik, yang mencerminkan variasi musiman dalam data dan Tren kenaikan umum. 10-12. Bagaimana metode moving average mirip dengan smoothing eksponensial 10-13. Apa efek pada model smoothing eksponensial yang akan meningkatkan konstanta smoothing memiliki 10-14. Bagaimana cara menyesuaikan eksponensial smoothing berbeda dari smoothing eksponensial 10-15. Apa yang menentukan pilihan konstanta pemulusan untuk tren dalam model pemulusan eksponensial yang disesuaikan 10-16. Dalam contoh bab untuk metode time series, perkiraan awal selalu diasumsikan sama dengan permintaan aktual pada periode pertama. Sarankan cara lain agar ramalan awal bisa digunakan secara aktual. 10-17. Bagaimana model peramalan linier linier berbeda dari model regresi linier untuk peramalan 10-18. Dari model deret waktu yang disajikan dalam bab ini, termasuk rata-rata bergerak dan rata-rata bergerak tertimbang, pemulusan eksponensial dan pemulusan eksponensial yang disesuaikan, dan garis tren linier, mana yang menurut Anda paling baik Mengapa 10-19. Keuntungan apa yang disesuaikan dengan eksponensial smoothing memiliki garis linier linier untuk perkiraan permintaan yang menunjukkan tren 4 K. B. Kahn dan J. T. Mentzer, Peramalan Pasar Konsumen dan Industri, Journal of Business Forecasting 14, no. 2 (Musim Panas 1995): 21-28. Apa perbedaan antara rata-rata pergerakan dan rata-rata pergerakan tertimbang Rata-rata pergerakan 5 periode, berdasarkan harga di atas, akan dihitung dengan menggunakan rumus berikut: Berdasarkan persamaan di atas, harga rata-rata Selama periode yang tercantum di atas adalah 90,66. Menggunakan moving averages adalah metode efektif untuk menghilangkan fluktuasi harga yang kuat. Keterbatasan utamanya adalah bahwa titik data dari data lama tidak berbobot berbeda dari titik data di dekat awal kumpulan data. Di sinilah rata-rata bergerak berbobot ikut bermain. Rata-rata tertimbang memberikan bobot yang lebih berat ke titik data saat ini karena lebih relevan daripada titik data di masa lalu yang jauh. Jumlah pembobotan harus menambahkan hingga 1 (atau 100). Dalam kasus rata-rata bergerak sederhana, pembobotan didistribusikan secara merata, oleh karena itu tidak ditunjukkan pada tabel di atas. Harga Penutupan AAPL