Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Forecasting. Forecasting  Salah satu keputusan penting dalam perusahaan adalah menentukan tingkat produksi yang perlu disiapkaan untuk masa yang akan.

Presentasi serupa


Presentasi berjudul: "Forecasting. Forecasting  Salah satu keputusan penting dalam perusahaan adalah menentukan tingkat produksi yang perlu disiapkaan untuk masa yang akan."— Transcript presentasi:

1 Forecasting

2 Forecasting  Salah satu keputusan penting dalam perusahaan adalah menentukan tingkat produksi yang perlu disiapkaan untuk masa yang akan datang, Penentuan tkt produksi merupakan penawaran dipengaruhi jumalah permintaan pasar yang dapat dipenuhi perusahaan. 12-2

3 Forecasting  Untuk membantu tercapainya suatu keputusan yang optimal diperlukan suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian yang integral dari proses pengambilan keputusan ialah metode peramaalan. 12-3

4 12-4  Forecast are always wrong, be able to explain why

5 What is Forecasting?  Proses memprediksi kejadian di masa datang.  Menjadi dasar keputusan bisnis :  Production  Inventory  Personnel  Facilities  Sales will be $200 Million!

6 Forecasting  Forecasting merupakan prakiraan dari kejadian di masa depan, semakin baik prakiraan tersebut maka organisasi semakin mampu mempersiapkan diri untuk menghadapinya.  Peramalan yang akurat menentukan berapa banyak inventory yang harus dimiliki pada titik supply chain (produsen, supplier, distributor) 12-6

7 Forecasting & Decision Making  Dalam praktek banyak manager yang memanfaatkan hasil forecasting untuk pengambilan kebijakan yang bersifat strategis: Manajer Produksi; memanfaatkan untuk menentukan kebutuhan bahan baku apa yang akan dibeli diperiode mendatang. Manajer Produksi; memanfaatkan untuk menentukan kebutuhan bahan baku apa yang akan dibeli diperiode mendatang. 12-7

8 Forecasting & Decision Making  Manajer keuangan; membuat dan menyusun penganggaran modal (capital budgeting) untuk periode mendatang.  Manajer pemasaran; membuat prediksi penjualan produk dan penjualan yang harus dicapai dimasa yang akan datang.  Manajer SDM; berkepentingan dalam perekrutan tenaga kerja baru, menyusun anggaran gaji, atau kegiatan lain. 12-8

9 12-9 Types of Forecasting Methods  Tergantung dari : time frame (rentang waktu) time frame (rentang waktu) demand behavior demand behavior

10 12-10 Time Frame Berdasarkan horizon waktu, peramalan dibagi 3, yaitu : 1. Peramalan jangka pendek, jangka waktu yg kurang dari 3 bulan misalnya perencanaan pembelian material, penjadwalan kerja, penugasan karyawan. 2. Peramalan jangka menengah, jangka waktu antara 3 sampai 18 bulan. Misalnya peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanaan tenaga tidak tetap. 3. Peramalan jangka panjang mencakup waktu yang lebih besar dari 18 bulan. Misalnya peramalan penanaman modal, perencanaan fasilitas dan perencanaan untuk litbang.

11 Time Frame  Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat dari tiga hal, yaitu : 1. Peramalan jangka menengah dan panjang berkaitan dengan permasalah- panjang berkaitan dengan permasalah- an yg lebih menyeluruh dan mendukung an yg lebih menyeluruh dan mendukung keputusan manajemen yg berkaitan dgn keputusan manajemen yg berkaitan dgn perencanaan produk, pabrik, dan pro- perencanaan produk, pabrik, dan pro- ses. ses

12 Time Frame 2. Permalan jangka pendek biasanya menetap- 2. Permalan jangka pendek biasanya menetap- kan metodologi yg berbeda dibandingkan kan metodologi yg berbeda dibandingkan peramalan jangka panjang. peramalan jangka panjang. 3. Peramalan jangka pendek cendrung lebih tepat dibandingkan peramalan jangka tepat dibandingkan peramalan jangka panjang. panjang. Faktor-faktor yg mempengaruhi Faktor-faktor yg mempengaruhi perubahan permintaan berubah setiap hari. perubahan permintaan berubah setiap hari. Dengan demikian semakin panjang horizon Dengan demikian semakin panjang horizon waktu, ketepatan peramalan seseorang se- waktu, ketepatan peramalan seseorang se- makin berkurang. makin berkurang

13 Pengaruh siklus hidup produk  Faktor lain yg harus dipertimbangkan saat membuat peramalan penjualan, terutama peramalan penjualan jangka panjang, adalah siklus hidup produk. Penjualan produk bahkan jasa tidak terjadi pada tingkat yg konstan sepanjang hidupnya. Hampir semua produk yg berhasil melalui empat tahapan, yaitu : perkenalan, pertumbuhan, kematangan dan penurunan

14 12-14 Forecasting Process 6. Cek keakuratan forecast dengan 1/lebih metode 4. Pilih model forecast yang sesuai untuk data 5. Kembangkan / hitung forecast untuk periode mendatang 8a. Forecast untuk sepanjang horison waktu perencanaan 9. Sesuaikan forecast dengan informasi kualitatif 10. Monitor hasil dan ukur akurasi forecast 8b. Pilih metode forecast yang baru atau sesuaikan parameter dr model yang ada 7. Apakah akurasinya dapat diterima? 1. Identifikasi tujuan dari forecast 3. Plot data dan identifikasi pola nya 2. Kumpulkan data historis No Yes

15 Forecasting Approaches  Digunakan jika situasi stabil dan data historis tersedia  Produk yang sudah ada  Teknologi yang sudah ada  Melibatkan teknik matematis  e.g., forecasting sales of color televisions Quantitative Methods  Digunakan jika situasi cenderung berubah- ubah dan data hanya tersedia sedikit  Produk baru  Teknologi baru  Melibatkan intuisi dan pengalaman Qualitative Methods

16 12-16  Expert A  Expert B Pihak manajemen, pemasaran, pembelian, dan engineering menjadi sumber dari peramalan kualitatif

17 Qualitative Methods Ada 4 teknik peramalan kualitatif : 1. Juri dari opini eksekutif 2. Metode Delphi 3. Komposit tenaga penjualan 4. Surveri pasar konsumen 12-17

18 Quantitative Methods  Peramalan kuantitatif peramalan yang menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab-akibat untuk peramalan permintaan

19 12-19 Quantitative Methods  Time series Teknik statistik yang menggunakan data historis untuk memprediksi demand di masa yang akan datang Teknik statistik yang menggunakan data historis untuk memprediksi demand di masa yang akan datang  Regression methods Hubungan matematis antara demand dan faktor yang menyebabkan pola permintaannya. Model asosiatif (hubungan sebab akibat) seperti regresi linear, menggabungkan banyak variabel atau faktor yg mungkin mempengaruhi kuantitas yg sedang di-ramalkan. Sebagai contoh, model asosia-tif dari penjualan mesin pemotong rumput mungkin memasukkan faktor spt adanya perumahan baru, anggaran iklan, dan harga pesaing. Hubungan matematis antara demand dan faktor yang menyebabkan pola permintaannya. Model asosiatif (hubungan sebab akibat) seperti regresi linear, menggabungkan banyak variabel atau faktor yg mungkin mempengaruhi kuantitas yg sedang di-ramalkan. Sebagai contoh, model asosia-tif dari penjualan mesin pemotong rumput mungkin memasukkan faktor spt adanya perumahan baru, anggaran iklan, dan harga pesaing.

20 12-20 Time Series   Mengasumsikan bahwa kejadian di masa lalu akan terjadi lagi di masa yang akan datang.   Metode ini menghubungkan peramalan dengan hanya satu faktor yang mempengaruhinya, yaitu Waktu  Deret waktu didasarkan pada urutan dari titik-titik data yg berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dll).  Menganalisis deret waktu berarti membagi data masa lalu menjadi komponen-komponen, kemudian memproyeksikan-nya ke masa depan. Deret waktu mem-punyai empat komponen :

21 Pola data metode deret berkala (1)  Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. Suatu produk yg penjualannya tdk meningkat atau menurun selama waktu tertentu termasuk jenis ini.  Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Restoran, toko serba ada serta bioskop mengalami variasi variasi musiman mingguan.

22 Pola data metode deret berkala (2)  Pola siklus (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Perbedaan utama pola musiman dan pola siklus adalah pola musiman mempunyai gelombang panjang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki jangka waktu yang lebih panjang dan bervariasi dari siklus ke siklus lainnya. Siklus ini sering kali berkaitan dengan berbagai kondisi ekonomi, politik.  Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan jangka panjang dalam data. Pola ini disebabkan, karena bertambahnya populasi, pengaruh budaya.

23 12-23 Time Series   Terdiri dari : moving average exponential smoothing linear trend line

24 Pendekatan Naif  Pendekatan naif adalah teknik peramalan yg mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Dengan kata lain, jika penjualan sebuah produk (mis: telpon genggam Motorolla) adalah 68 unit pada bulan Januari, kita dapat meramalkan pen-jualan pada bulan Februari.  Pendekatan naif ini merupakan model peramalan objektif yg paling efektif dan efisien dari segi biaya. Paling tidak pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih

25 12-25 Simple Moving Average  Simple moving average Digunakan jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang akan kita ramalkan. Nilai prakiraan untuk suatu periode merupakan rata2 n periode terakhir. Istilah rata2 bergerak digunakan karena setiap kali observasi baru tersedia, angka rata2 baru dihitung dengan memasukkan data terbaru dan mengeluarkan data periode terlama. Rata2 yang baru ini kemudian dipakai sebagai prakiraan utk periode yang akan datang. Digunakan jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang akan kita ramalkan. Nilai prakiraan untuk suatu periode merupakan rata2 n periode terakhir. Istilah rata2 bergerak digunakan karena setiap kali observasi baru tersedia, angka rata2 baru dihitung dengan memasukkan data terbaru dan mengeluarkan data periode terlama. Rata2 yang baru ini kemudian dipakai sebagai prakiraan utk periode yang akan datang.

26 12-26 Simple Moving Average MA n = n i = 1  DiDiDiDi n where n =jumlah periode dalam rata-rata bergerak D i =permintaan periode i

27 month Simple Moving Average Jan120 Feb90 Mar100 Apr75 May110 June50 July75 Aug130 Sept110 Oct90 Nov- ORDERS MONTHPER MONTH MA 3 = 3 i = 1  DiDiDiDi 3 = = 110 orders for Nov ––– MOVINGAVERAGE

28 month Simple Moving Average Jan120 Feb90 Mar100 Apr75 May110 June50 July75 Aug130 Sept110 Oct90 Nov- ORDERS MONTHPER MONTH MA 5 = 5 i = 1  DiDiDiDi 5 = = 91 orders for Nov ––––– MOVINGAVERAGE

29 12-29 Smoothing Effects – – – – – – 0 0 – ||||||||||| JanFebMarAprMayJuneJulyAugSeptOctNov Actual Orders Month 5-month 3-month

30 Simple moving average  Metode SMA memiliki kelemahan karena diaanggab menggunakan bobot yang sama pada setiap periode. Dalam banyak hal, periode yang diramalkan banyak mengandung informasi yang sama dengan dengan periode terakhir dibandingkan dengan periode sebelumnya. Maka periode yang terakhir harus mendapat bobot yang lebih besar dibanding periode sebelumnya. Maka dikembangkan metode rata2 tertimbang atau Weighted moving average 12-30

31 Weighted moving average  Weighted moving average Digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggab terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggab terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat

32 12-32 Weighted Moving Average WMA n = i = 1  Wi DiWi DiWi DiWi Di dimana W i = bobot pada periode i, diantara 0 and 100 persen  W i = 1.00  Adjusts moving average method to more closely reflect data fluctuations n

33 12-33 Weighted Moving Average Example MONTH WEIGHT DATA August 17%130 September 33%110 October 50%90 WMA 3 = 3 i = 1  Wi DiWi DiWi DiWi Di = (0.50)(90) + (0.33)(110) + (0.17)(130) = orders November Forecast

34 12-34  Metode ini digunakan untuk data yang mempunyai pola acak dan mempunyai kecenderungan trend.  Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dgn pembobotan dimana titik data dibobotkan oleh fungsi eksponensial. Exponential Smoothing

35 12-35 F t +1 =  D t + (1 -  )F t where: F t +1 =forecast for next period D t =actual demand for present period F t =previously determined forecast for present period ( hasil forecasting sebelumnya)  =weighting factor, smoothing constant dimana : α adalah sebuah bobot atau konstanta penghalusan yg dipilih oleh peramal yg mempunyai nilai antara 0 dan 1. Exponential Smoothing (cont.)

36 12-36 Effect of Smoothing Constant 0.0  1.0 If  = 0.20, then F t +1 = 0.20  D t F t If  = 0, then F t +1 = 0  D t + 1 F t = F t Forecast does not reflect recent data If  = 1, then F t +1 = 1  D t + 0 F t =  D t Forecast based only on most recent data

37 12-37 F 2 =  D 1 + (1 -  )F 1 = (0.30)(37) + (0.70)(37) = 37 F 3 =  D 2 + (1 -  )F 2 = (0.30)(40) + (0.70)(37) = 37.9 F 13 =  D 12 + (1 -  )F 12 = (0.30)(54) + (0.70)(50.84) = Exponential Smoothing (α=0.30) PERIODMONTHDEMAND 1Jan37 2Feb40 3Mar41 4Apr37 5May 45 6Jun50 7Jul 43 8Aug 47 9Sep 56 10Oct52 11Nov55 12Dec 54

38 12-38 FORECAST, F t + 1 PERIODMONTHDEMAND(  = 0.3)(  = 0.5) 1Jan37–– 2Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan– Exponential Smoothing (cont.)

39 – – – – – – – 0 0 – ||||||||||||| Actual Orders Month Exponential Smoothing (cont.)  = 0.50  = 0.30

40  Adalah suatu metode peramalan serangkaian waktu yg sesuai dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka menengah dan jangka panjang.  Hubunganny kausal tetapi tidak selalu berarti kausalitis ( sebab akibat ) Linear Trend Line

41 12-41 y = a + bx where a = intercept b = slope of the line x = time period y = forecast for demand for period x Linear Trend Line b = a = y - b x where n =number of periods x == mean of the x values y == mean of the y values  xy - nxy  x 2 - nx 2  x n  y n

42 12-42 Least Squares Example x (PERIOD) y (DEMAND) xyx

43 12-43 x = = 6.5 y = = b = = =1.72 a = y - bx = (1.72)(6.5) = (12)(6.5)(46.42) (6.5) 2  xy - nxy  x 2 - nx Least Squares Example (cont.)

44 12-44 Linear trend line y = x Forecast for period 13 y = (13)= units – – – – – – – 0 0 – ||||||||||||| Actual Demand Period Linear trend line

45 Menghitung Kesalahan Peramalan Menghitung Kesalahan Peramalan Ada beberapa perhitungan yg biasa digunakan untuk menghitung kesalahan dlm peramalan. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rata-rata (mean absolute deviation = MAD). Kesalahan kuadrat rata-rata (mean absolute deviation =MSE) dan kesalahan persen mutlak rata-rata (mean absolute percent = MAPE). Ada beberapa perhitungan yg biasa digunakan untuk menghitung kesalahan dlm peramalan. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rata-rata (mean absolute deviation = MAD). Kesalahan kuadrat rata-rata (mean absolute deviation =MSE) dan kesalahan persen mutlak rata-rata (mean absolute percent = MAPE).  Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan = A t - F t = A t - F t

46 Menghitung Kesalahan Peramalan Menghitung Kesalahan Peramalan  MAD adalah nilai yg dihitung dengan me- ngambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n).  MSE merupakan rata2 selisih kuadrat antara nilai yang diramalkan dan yang diamati  MAPE dihitung rata2 diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai presentai nilai aktual.

47 Menghitung Kesalahan Peramalan Menghitung Kesalahan Peramalan  Dari sudut pandang perhitungan perbedaan dari ukuran2 ini adalah bobot MAD merata pada semua kesalahan, bobot kesalahan MSE sesuai dengan nilai kuadrat serta bobot MAPE sesuai dengan kesalahan relatif

48 Deviasi Mutlak Rata-rata (MAD)

49 12-49 Other Accuracy Measures Mean Squared Error (MSE) MSE =  | Kesalahan Peramalan |2 n -1 Mean Absolute Persen Error Mean Absolute Persen Error MAPE =  | Aktual i- ramalan i | / aktual ke i x 100 n

50  Deviasi Mutlak Rata-rata (MAD)  Contoh : Selama 8 kuartal terakhir, Perusahaan X membongkar muat sejumlah besar biji-bijian dari kapal. Manajer operasi pelabuhan ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik teknik ini bekerja dlm memprediksi tonase biji-bijian yg dibongkar/muat. Ia menebak peramalan bongkar/muat biji-bijian pada kuartal pertama adalah 175 ton. Dua nilai yg diuji α=0,1 dan α=0,5. Selama 8 kuartal terakhir, Perusahaan X membongkar muat sejumlah besar biji-bijian dari kapal. Manajer operasi pelabuhan ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik teknik ini bekerja dlm memprediksi tonase biji-bijian yg dibongkar/muat. Ia menebak peramalan bongkar/muat biji-bijian pada kuartal pertama adalah 175 ton. Dua nilai yg diuji α=0,1 dan α=0,5.

51  Penyelesaian : Kuartal Tonase Bongkar/ Muat Peramalan yg dibulatkan dgn α =0,1 Peramalan yg dibulatkan dgn α =0, ,1( )=175,50177, ,50+0,1( ,50)=174,75172, ,75+0,1( ,75)=173,18165, ,18+0,1( ,18)=173,36170, ,36+0,1( ,36)=175,02180, ,02+0,1( ,02)=178,02192, ,02+0,1( ,02)=178,22186,30 9?178,22+0,1( ,22)=178,59184,15

52  Perhitungan MAD : Kuartal Tonase B/M Aktual Peramalan α= 0,1 Deviasi Absolut α=0,1 Peramalan α= 0,5 Deviasi Absolut α=0, ,001755, ,507,50177,509, ,7515,75172,7513, ,181,82165,889, ,3616,64170,4419, ,0229,98180,2224, ,021,98192,6112, ,223,78186,304,30 Jumlah Deviasi Absolut82,45 98,62 MAD10,31 12,33

53 Kesalahan Kuadrat Rata-rata (MSE) KuartalTonase B/M AktualPeramalan α=01(Kesalahan) = ,50(-7,5) 2 =56, ,75248, ,183, ,36276, ,02898, ,023, ,2214,31 Jumlah Kesalahan dikuadratkan =1.526,46 MSE=(Jumlah Kesalahan dikuadratkan)/n =190,80

54 Kesalahan Persen Mutlak Rata-rata (MAPE) KuartalTonase B/M AktualPeramalan α=01 MAPE 100 (Kesalahan/Aktual) (5/180)(100)=0, ,500, ,750, ,180, ,360, ,020, ,020, ,220,0208 Jumlah kesalahan =0,4475 MAPE=(Jumlah Kesalahan)/n =0,0559

55 Menghitung Kesalahan Peramalan  Dari perhitungan di atas diperoleh hasil yang berbeda-beda. Tergantung kepada kebijakan manajemen mentolelir kesalahan prakiraan. Meskipun demikian dalam metode yang sesuai disarankan untuk menggunakan lebih dari satu metode, kemudian diuji dan dipilih metode yang memiliki kesalahan prakiraan terkecil.

56 Menghitung Kesalahan Peramalan Menghitung Kesalahan Peramalan  Secara keseluruhan manajer operasi harus menetapkan kepentingan relatif dari kinerja historis versus kemampuan merespons dan apakah menggunakan MAD, MSE dan MAPE untuk mengukur kinerja historis. MAD paling mudah dihitung tetapi bobot kesalahan bersifat linear. MSE mengkuadratkan kesalahan sehingga memberikan beban lebih besar pada kesalahan yang lebih besar. MAPE harus digunakan saat ada kebutuhan untuk menempatkan kesalahan dalam perspektif yang tepat.  Contoh : kesalahan 10 dalam ramalan 15 sangat besar, sebaliknya kesalahan 10 dari tidak berarti. Oleh karena itu untuk menempatkan kesalahan besar dalam perspektif yang tepat, menggunakan MAPE

57 Regression Methods  Dalam banyak kasus suatu variabel tidak hanya dipengaruhi suatu variabel melainkan beberapa variabel. Misalkan volume ekspor karet Indonesia tidak hanya dipengaruhi oleh nilai tukar saja tapi juga oleh variabel lain seperti permintaan karet dunia, vol ekspor karet negara lain, pajak ekspor. Atau harga saham perusahaan dipengaruhi oleh suku bunga deposito, nilai tukar, dividen dan harga saham periode berikutnya. Suatu persamaan model yang memiliki beberapa variabel bebas disebut model regresi berganda

58 12-58 Regression Methods   Linear regression a mathematical technique that relates a dependent variable to an independent variable in the form of a linear equation   Correlation a measure of the strength of the relationship between independent and dependent variables

59 12-59 Linear Regression y = a + bx a = y - b x b = where a =intercept b =slope of the line x == mean of the x data y == mean of the y data  xy - nxy  x 2 - nx 2  x n  y n

60 12-60 Linear Regression Example xy (WINS)(ATTENDANCE) xyx

61 12-61 Linear Regression Example (cont.) x = = y = = b = = = 4.06 a = y - bx = (4.06)(6.125) =  xy - nxy 2  x 2 - nx 2 (2,167.7) - (8)(6.125)(43.36) (311) - (8)(6.125) 2

62 12-62 ||||||||||| ,000 60,000 – 50,000 50,000 – 40,000 40,000 – 30,000 30,000 – 20,000 20,000 – 10,000 10,000 – Linear regression line, y = x Wins, x Attendance, y Linear Regression Example (cont.) y = x y = (7) = 46.88, or 46,880 Regression equation Attendance forecast for 7 wins

63 12-63 Correlation and Coefficient of Determination  Correlation, r  Measure of strength of relationship  Varies between and  Coefficient of determination, r 2  Percentage of variation in dependent variable resulting from changes in the independent variable

64 12-64 Correlation Correlation n  xy -  x  y [ n  x 2 - (  x ) 2 ] [ n  y 2 - (  y ) 2 ] r = Coefficient of determination r 2 = (0.947) 2 = r = (8)(2,167.7) - (49)(346.9) [(8)(311) - (49 )2 ] [(8)(15,224.7) - (346.9) 2 ] r = 0.947

65 12-65 Multiple Regression Study the relationship of demand to two or more independent variables y =  0 +  1 x 1 +  2 x 2 … +  k x k where  0 =the intercept  1, …,  k =parameters for the independent variables x 1, …, x k =independent variables

66 Tugas  Pilihlah satu saham dan prediksi harga penutupan untuk setiap tiga hari berikutnya. Apakah anda puas dengan hasil tersebut ? Jelaskan mengapa anda merasa metode peramalan yang anda pilih dapat berfungsi atau tidak berfungsi

67  TERIMA KASIH 12-67


Download ppt "Forecasting. Forecasting  Salah satu keputusan penting dalam perusahaan adalah menentukan tingkat produksi yang perlu disiapkaan untuk masa yang akan."

Presentasi serupa


Iklan oleh Google