Peramalan dengan Teknik Smoothing Situs ini adalah bagian dari objek pembelajaran JavaScript E-lab untuk pengambilan keputusan. JavaScript lain dalam seri ini dikategorikan dalam berbagai bidang aplikasi di bagian MENU di halaman ini. Seri waktu adalah urutan pengamatan yang dipesan tepat waktu. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan efek karena variasi acak. Teknik yang banyak digunakan adalah smoothing. Teknik-teknik ini, bila diterapkan dengan benar, menunjukkan lebih jelas tren dasarnya. Masukkan deret waktu Row-wise secara berurutan, mulai dari sudut kiri atas, dan parameternya, lalu klik tombol Hitung untuk mendapatkan peramalan satu periode di depan. Kotak kosong tidak termasuk dalam perhitungan tapi angka nol. Dalam memasukkan data Anda untuk berpindah dari sel ke sel di matriks data gunakan tombol Tab bukan panah atau masukkan kunci. Fitur deret waktu, yang mungkin terungkap dengan memeriksa grafiknya. Dengan nilai perkiraan, dan perilaku residual, pemodelan peramalan kondisi. Moving Averages: Moving averages rank antara teknik yang paling populer untuk preprocessing time series. Mereka digunakan untuk menyaring suara putih acak dari data, membuat rangkaian waktu lebih halus atau bahkan untuk menekankan komponen informasi tertentu yang terdapat dalam deret waktu. Exponential Smoothing: Ini adalah skema yang sangat populer untuk menghasilkan Time Series yang merapikan. Sedangkan dalam Moving Averages, pengamatan terakhir tertimbang secara merata, Exponential Smoothing memberikan bobot yang menurun secara eksponensial saat pengamatan bertambah tua. Dengan kata lain, observasi terakhir diberi bobot yang relatif lebih banyak dalam peramalan daripada pengamatan yang lebih tua. Double Exponential Smoothing lebih baik dalam menangani tren. Triple Exponential Smoothing lebih baik dalam menangani tren parabola. Rata-rata pergerakan tertimbang secara eksponensial dengan konstanta pemulusan a. Sesuai kira-kira dengan panjang rata-rata bergerak sederhana (yaitu periode) n, di mana a dan n dihubungkan oleh: a 2 (n1) ATAU n (2 - a) a. Jadi, misalnya, rata-rata bergerak tertimbang secara eksponensial dengan konstanta pemulusan sama dengan 0,1 akan sesuai kira-kira dengan rata-rata pergerakan 19 hari. Dan rata-rata pergerakan sederhana 40 hari akan sesuai kira-kira dengan rata-rata pergerakan tertimbang eksponensial dengan konstanta pemulusan sama dengan 0,04878. Holts Linear Exponential Smoothing: Misalkan deret waktunya tidak musiman namun memang menunjukkan tren. Metode Holts memperkirakan tingkat arus dan tren saat ini. Perhatikan bahwa rata-rata pergerakan sederhana adalah kasus khusus dari perataan eksponensial dengan menetapkan periode rata-rata bergerak ke bagian integer (Alpha 2). Untuk kebanyakan data bisnis, parameter Alpha yang lebih kecil dari 0,40 sering kali efektif. Namun, seseorang dapat melakukan pencarian grid dari ruang parameter, dengan 0,1 sampai 0,9, dengan penambahan 0,1. Kemudian alpha terbaik memiliki Mean Absolute Error terkecil (MA Error). Bagaimana membandingkan beberapa metode pemulusan: Meskipun ada indikator numerik untuk menilai keakuratan teknik peramalan, pendekatan yang paling banyak adalah menggunakan perbandingan visual beberapa perkiraan untuk menilai keakuratannya dan memilih di antara berbagai metode peramalan. Dalam pendekatan ini, seseorang harus merencanakan (menggunakan, misalnya Excel) pada grafik yang sama dengan nilai asli dari variabel deret waktu dan nilai prediksi dari beberapa metode peramalan yang berbeda, sehingga memudahkan perbandingan visual. Anda mungkin ingin menggunakan Prakiraan Masa Lalu oleh Teknik Smoothing JavaScript untuk mendapatkan perkiraan perkiraan masa lalu berdasarkan teknik pemulusan yang hanya menggunakan satu parameter tunggal. Metode Holt, dan Winters masing-masing menggunakan dua dan tiga parameter, oleh karena itu bukanlah tugas yang mudah untuk memilih nilai optimal, atau mendekati nilai optimal dengan trial and error untuk parameter. Pemulusan eksponensial tunggal menekankan perspektif jarak pendek yang menetapkan tingkat pada pengamatan terakhir dan didasarkan pada kondisi bahwa tidak ada kecenderungan. Regresi linier, yang sesuai dengan garis kuadrat terkecil terhadap data historis (atau data historis yang ditransformasikan), mewakili rentang panjang, yang dikondisikan pada tren dasarnya. Holts linear exponential smoothing menangkap informasi tentang tren terkini. Parameter dalam model Holts adalah level-parameter yang harus diturunkan bila jumlah variasi data besar, dan parameter tren harus ditingkatkan jika arah tren terkini didukung oleh faktor penyebab. Peramalan Jangka Pendek: Perhatikan bahwa setiap JavaScript di halaman ini memberikan perkiraan satu langkah di depan. Untuk mendapatkan ramalan dua langkah di depan. Cukup tambahkan nilai perkiraan ke akhir data deret waktu Anda lalu klik tombol Hitung yang sama. Anda dapat mengulangi proses ini beberapa kali untuk mendapatkan perkiraan jangka pendek yang dibutuhkan. Data pemindahan menghapus variasi acak dan menunjukkan tren dan komponen siklik. Inheren dalam pengumpulan data yang diambil dari waktu ke waktu adalah beberapa bentuk variasi acak. Ada metode untuk mengurangi pembatalan efek karena variasi acak. Teknik yang sering digunakan dalam industri adalah merapikan. Teknik ini, bila diterapkan dengan benar, mengungkapkan secara lebih jelas tren yang mendasari, komponen musiman dan siklik. Ada dua kelompok metode pemulusan yang berbeda Metode Rata-rata Metode Pemulusan Eksponensial Mengambil rata-rata adalah cara termudah untuk memperlancar data. Kami akan menyelidiki beberapa metode rata-rata, seperti rata-rata sederhana dari semua data sebelumnya. Seorang manajer sebuah gudang ingin mengetahui berapa banyak pemasok tipikal menghasilkan 1000 unit dolar. Heshe mengambil sampel dari 12 pemasok, secara acak, mendapatkan hasil sebagai berikut: Rata-rata atau rata-rata data yang dihitung 10. Manajer memutuskan untuk menggunakan ini sebagai perkiraan pengeluaran pemasok biasa. Apakah ini perkiraan yang baik atau buruk Mean squared error adalah cara untuk menilai seberapa bagus sebuah model. Kita akan menghitung kesalahan kuadrat rata-rata. Jumlah kesalahan sebenarnya dikeluarkan dikurangi taksiran jumlah. Kesalahan kuadrat adalah kesalahan di atas, kuadrat. SSE adalah jumlah kesalahan kuadrat. MSE adalah rata-rata kesalahan kuadrat. Hasil MSE misalnya Hasilnya adalah: Error dan Squared Errors Estimasi 10 Timbul pertanyaan: Bisakah kita menggunakan mean untuk meramalkan pendapatan jika kita menduga sebuah tren A melihat grafik di bawah ini menunjukkan dengan jelas bahwa kita seharusnya tidak melakukan ini. Rata-rata mempertimbangkan semua pengamatan di masa lalu secara merata. Singkatnya, kita nyatakan bahwa Rata-rata atau rata-rata sederhana dari semua pengamatan terakhir hanyalah perkiraan berguna untuk memperkirakan kapan tidak ada tren. Jika ada tren, gunakan perkiraan berbeda yang memperhitungkan tren. Rata-rata beratnya semua pengamatan di masa lalu sama. Sebagai contoh, rata-rata nilai 3, 4, 5 adalah 4. Kita tahu, tentu saja, bahwa rata-rata dihitung dengan menambahkan semua nilai dan membagi jumlah dengan jumlah nilai. Cara lain untuk menghitung rata-rata adalah dengan menambahkan setiap nilai dibagi dengan jumlah nilai, atau 33 43 53 1 1.3333 1.6667 4. Pengganda 13 disebut berat. Secara umum: bar frac sum kiri (frac kanan) x1 kiri (frac kanan) x2,. ,, Kiri (frac kanan) xn. The (left (frac right)) adalah bobot dan, tentu saja, jumlahnya akan menjadi 1.Time Series Methods Metode time series 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.
Comments
Post a Comment