Kegunaan Metode Mobile Media

Pengertian, Kegunaan dan previsione sifat-sifat (peramalan) DEFINISI, SIFAT-SIFAT PREVISIONE (RAMALAN), PENGERTIAN REGRESI DAN KORELASI peramalan (previsione) Pengertian Peramalan PeramalanPerkiraan (Forecasting) Previsione Adalah meramalkan, memproyeksikan, atau mengadakan perkiraaan taksiran terhadap berbagai kemungkinan yang akan terjadi sebelum Suatu rancana yang Lebih Meals dapat dilakukan. Peramalan (previsione) Adalah Seni dan ilmu untuk memperkirakan kejadian di masa Depan. Hal ini dapat dilakukan dengan melibatkan pengambilan dati historis dan memproyeksikannya ke masa mendatang dengan Suatu bentuk modello matematis. Hal ini Bisa Juga merupakan pediksi intuisi yang bersifat subjektif. ini gioco di parole dapat dilakukan dengan menggunakan kombinasi modello Hal matematis yang disesuakan dengan pertimbangan yang baik dari seorang manager. Setelah mengenal beberapa Teknik peramalan, eun akan Melihat bahwa Tidak ada Satu metode Tunggal yang paling Unggul. Sesuatu yan berjalan dengan Baik di Suatu Perusahaan pada Suatu set kondisi tertentu mungkin Bisa menjadi bencana Bagi Organisasi rimasto, pada bahkan Departemen yang berada di Perusahaan yang sama. Selain itu, eun akan Melihat keterbatasan dari APA yang dapat anda harapkan dari Suatu peramalan. Hanya sedikit Bisnis yang dapat menghindari prose peramalan dan Hanya menunggu APA yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun Pendek bergantung pada peramalan permintaan untuk Produk Perusahaan. Peramalan (Forecasting), merupakan kegiatan memprediksi Nilai-nilai Sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif Hanya menggunakan intuisi Saja, Tanpa menggunakan pendekatan matematis maupun Statistik. Situasi, kondisi, dan pengalaman Peramal sangat mempengaruhi Hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan serie temporali metode. Metode kausal mempertimbangkan nilai Sebuah variabel sebagai pengaruh dari banyak variabel di Più. Sedangkan serie temporali metode Hanya meninjau nilai Sebuah variabel sebagai fungsi waktu. Kegunaan Peramalan dati ramalan dipergunakan sebagai perkiraan, Bukan merupakan Suatu Angka atau bilangan yang Harus dipergunakan begitu Saja. Penggunaannya Masih memerlukan pertimbangan Dari para pemakai. Hal ini disebabkan Oleh Karena Hasil ramalan biasanya didasarkan ATAS dasar asumsi-asumsi, kalau keadaan Tidak berubah seperti waktu sebelumnya. Peramalan Deret Waktu Deret Waktu pada didasarkan urutan dari Titik 8211 dati Titik yang berjarak sama Dalam waktu (mingguan, bulanan, kuartalan, dan lain 8211 Lain). dati Deret Meramalkan waktu berarti nilai masa Depan diperkirakan Hanya dari nilai Masa Lalu variabile dan lain diabaikan walaupun variabel 8211 variabel tersebut mungkin sangat bermanfaat. Menganalisis Deret waktu berarti membagi dati Masa Lalu menjadi komponen 8211 komponen 8211 komponen, kemudian memproyeksikannya ke masa Depan. Deret waktu mempunyai empat komponen yaitu: 1. Pola tren merupakan pergerakan dati sedikit demi sedikit meningkat atau menurun. pendapatan Perubahan, populasi, Umur penyebaran, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2.Pola dati musiman dati Adalah pola yang berulang pada Kurun waktu tertentu, seperti hari, mingguan, bulanan, atau kuartal. dati 3.Pola Siklus Adalah pola Dalam dati yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus Bisnis dan merupakan Satu Hal penting Dalam Analisis dan perencanaan bisnis jangka Pendek. Memprediksi siklus dati bisnis 4.Pola variasi acak Merupakan Satu Titik khusus Dalam dati yang disebabkan Oleh peluang dan situasi yang Tidak Lazim. Variasi acak Tidak memiliki pola khusus sehingga Tidak dapat di prediksi. Metode Pemulusan Eksponensial Penghalusan Eksponensial merupakan metode peramalan rata 8211 rata bergerak dengan pembobotan yang Canggih, tetapi Masih Mudah digunakan. Metode ini menggunakan pencatatan dan Masa Lalu yang Sangat sedikit. Bentuk Umum dari metode pemulusan eksponensial: Ft Ft - 1 bis (A 8211 1 Ft82111) Ft peramalan Baru Ft-1 peramalan sebelumnya un Konstanta penghalusan (pembobotan) (0 a 1) A-1 Permintaan attuale Lalu periode. Konsepnya Tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi Lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode Lalu dengan prediksi Lama. 1.Single Eksponensial levigante Metode penghalusan eksponential orde Satu sebenarnya merupakan perkembangan dari metode bergerak rata-rata (media mobile) Sederhana. Metode ini dipengaruhi Secara Luas di Dalam peramalan (previsione) Karena Sederhana, efisian di Dalam perhitungan dan perubahan ramalan, Mudah disesuaikan dati dengan perubahan, dan ketelitian metode ini cukup Besar. 2.Double Eksponensial levigante Metode menyesuaikan tendenza fattore yang ada dati ini akan pada pola. Dipopulerkan C. C. Oleh Holt (1957), il modello ini menambahkan fattore pertumbuhan (growth factor) tendenza atau Faktor (fattore di trend) pada persamaan dasar Dari levigante. 3.Triple esponenziale Metode ini merupakan perluasan dari metode Holt. inverno Oleh Dipopulerkan, modello ini fattore menambahkan pada stagionale persamaan dasar Dari levigante. Hanya Berbeda dengan dua metode esponenziale yang Lalu, pada inverno metode ada dua cara perhitungan previsione, yakni Secara additivo atau Secara multiplikatif, Disini akan multiplikatif cara digunakan. 2.3.2. Menghitung Kesalahan Peramalan seorang perencana tentu menginginkan Hasil perkiraan ramalan yang tepat atau palizzata Tidak dapat memberikan Gambaran yang palizzata mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian Inilah yang menjadi Kritéria prestazioni peramalan Suatu metode. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai kesalahan Dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang Tinggi, dengan kata lain Hasil keakuratan peramalan Tinggi, begitu pula sebaliknya. Ada beberapa perhitungan yang biasa digunakan untuk membandingkan modello peramalan yang Berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan Baik. Tiga dari perhitungan yang paling Adalah terkenal: 1.1. Deviasi Mutlak Rerata (deviazione media assoluta 8211 MAD) 2.2. Kesalahan KUADRAT Rerata (errore quadratico medio 8211 MSE) 3.3. Kesalahan Persen Mutlak Rerata (Mean Absolute Percentage Error - MAPE) Sifat-Sifat Peramalan sifat-sifat peramalan Peramalan yang Subyektif: Peramalan yang didasarkan ATAS perasaan (instuisi) dari orang yang menyusunnya. Peramalan yang Obyektif: Peramalan yang didasarkan STINGER air-air dati 8211 dati pada Masa Lalu dengan menggunakan metode 8211 metode Dalam penganalisaan tersebut dati. Peramalan Kualitatif: Peramalan yang didasarkan STINGER air-air dati kualitatif pada Masa Lalu, Hasil peramalan tergantung pada orang yang menyusunnya. Peramalan Kuantitatif: Peramalan yang didasarkan STINGER air-air dati kuantitatif pada Masa Lalu, hasilnya tergantung pada metode yang digunakan. REGRESI DAN KORELASI Regresi merupakan Suatu alat ukur yang dapat Juga digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel. SEDANGKAN Korelasi merupakan Teknik Analisis yang termasuk Dalam salah Satu Teknik pengukuran asosiasi hubungan (misure di associazione) .3.1. Defenisi Peramalan (Forecasting) Previsioni Peramalan atau Adalah merupakan Suatu fungsi bisnis yang berusaha memperkirakan penjualan dan pengunaan Produk sehingga Produk-Produk ITU dapat dibuat Dalam kuantitas Yang tetap (Gaspersz, 2001). Tujuan dari peramalan Adalah untuk menentukan jumlah permintaan Produk pada masa yang akan Datang. Adapun kegunaan dari peramalan Adalah (Hendra Kusuma, 2001): 1. Menentukan besarnya ekspansi pabrik 2. Menentukan rencana jangka menengah Produk yang ada dan dibuat dengan fasilitas yang ada. 3. Untuk menentukan rencana jangka Pendek. 3.1.1 Macam-macam Peramalan Ada berapa macam tipe peramalan yang digunakan. Adapun tipe-tipe Dalam peramalan Adalah sebagai berikut (Jay Heizer, 2005): 1. Tempi Serie immagini Metode tempo serie Adalah metode peramalan Secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. 2. Modello Causale Metode peramalan yang menggunakan hubungan sebab-akibat sebagai asumsi, yaitu bahwa apa yang terjadi di masa Lalu akan terulang pada Saat ini. 3. Judgemental Modello Bila serie storiche dan modello causale bertumpu pada kuantitatif, pada giudicante mencakup untuk memasukkan Faktor-faktor kuantitatif subjektif ke Dalam metode peramalan. Secara khusus berguna bilamana Faktor-faktor subjektif yang diharapkan menjadi sangat penting dati bilamana kuantitatif yang akurat Sudah diperoleh. 3.1.2 Klasifikasi Peramalan Klasifikasi peramalan merupakan Identitas dari itu peramalan sendiri. Peramalan memiliki dua klasifikasi peramalan diantaranya sebagai berikut (Jay Heizer, 2005): 1. Peramalan berdasarkan Teknik penyelesaiannya, Yang terdiri Dari: a. Teknik peramalan Secara kualitatif Peramalan yang melibatkan pendapat Pribadi, pendapat Ahli, metode Delphi penelitian pasar dan lain-lain. Bertujuan untuk menggabungkan seluruh Informasi yang diperoleh Secara logika, unbased amp sistematis interesse yang dihubungkan dengan Faktor pengambil keputusan. Beberapa Teknik kualitatif yang SERING Adalah dipergunakan: b) Ricerche di mercato c) Pannello di Consensus d) previsione Visionary f) Gestione Stima g) Structured Metodi gruppo B. Teknik peramalan Secara kuantitatif Digunakan pada Saat dati Masa Lalu cukup tersedia. Beberapa Teknik kuantitatif yang dipergunakan SERING: a) modello Time Series 2. Peramalan berdasarkan pengelompokkan waktu all'orizzonte: a. Peramalan jangka Panjang, yaitu peramalan Yang jangka waktu peramalan Lebih Dari 24 Bulan, misalnya peramalan Yang diperlukan Dalam kaitannya dengan anggaran produksi. b. Peramalan jangka menengah, yaitu peramalan Yang jangka waktu peramalan Antara 3-24 Bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. c. Peramalan jangka Pendek, yaitu peramalan Yang jangka waktu peramalan kurang dari 3 Bulan, misalnya peramalan Dalam hubungannya dengan perencanaan pembelian materiale, Kerja penjadwalan dan penugasan. Komponen Utama yang mempengaruhi penjualan masa lampau: a. Kecenderungan Trend (T) d. Kejadian Luar biasa Eventi erratici (E) 3.2. Metode Peramalan yang Digunakan Perhitungan peramalan dapat dicari dengan beberapa metode yaitu: Metode Weigthed media mobile (WMA), Metode singolo esponenziale (SES), Dan metode regresi linier. Berikut ini Adalah penjabaran Dari Masing-Masing metode. 3.2.1 Metode Weigthed media mobile (WMA) Metode Weigthed Moving Average atau rata-rata bergerak terbobot ini Lebih terhadap reattivo perubahan (Gaspersz, 2004). Rumus perhitungan dengan metode WMA: Untuk mengetahui sejauh mana keandalan dari modello peramalan Weigthed media mobile. kita dapat mengetahui dengan cara membuat segnale di monitoraggio membangun peta Kontrol. Modello Weigthed media mobile ini biasanya akan menjadi efektif apabila pola dati bersifat relatif stabil dari waktu ke waktu dan tidak menunjukkan kecenderungan (trend). 3.2.1 Metode singolo esponenziale (SES) Modello peramalan ini bekerja hampir serupa dengan alat termostato. dimana apabila Galat ramalan (previsione errore) Adalah Positif, Yang berarti Nilai aktual permintaan Lebih Tinggi dari pada nilai ramalan (A8211Fgt0), modello di Maka pemulusan eksponensial akan Secara otomatis meningkatkan ramalan. Sebaliknya apabila Galat ramalan (errore di previsione) Adalah Negativo, Yang berarti Nilai aktual permintaan Lebih rendah dari pada nilai ramalan (A8211Fgt0), modello di Maka pemulusan eksponensial akan Secara otomatis menurunkan ramalan. Prose penyesuaian ini berlangsung Terus-menerus, kecuali Galat ramalan Telah mencapai Nol. Inilah Kenyataan yang mendorong Peramal (forecaster) Lebih Suka menggunakan modello peramalan pemulusan eksponensial, apabila pola historis dati dari aktual permintaan bergejolak atau Tidak stabil dari waktu ke waktu. Rumus perhitungan dengan metode singolo esponenziale (Gaspersz, 2004): F t nilai ramalan untuk periode waktu ke-t F t-1 nilai ramalan untuk Satu periode waktu yang Lalu, t-1 A t-1 nilai aktual untuk Satu periode waktu yang Lalu, t-1 un pemulusan konstanta (smoothing costante) Permasalahan Umum Yang dihadapi apabila modello menggunakan pemulusan eksponensial Adalah memilih konstanta pemulusan a. yang tepat diperkirakan. Nilai konstanta pemulusan un dapat dipilih di Antara nilai 0 dan 1, Karena berlaku: 0 lt un lt 1. Bagaimanapun Juga untuk penetapan Nilai un yang diperkirakan tepat, Kita dapat menggunakan Panduan berikut: 1. Apabila pola historis dati dari aktual permintaan Sangat Berbeda atau Tidak stabil dari waktu ke waktu, Kita memilih Nilai un yang mendekati satu. Biasanya dipilih Nilai un 0,9 Namun pembaca dapat mencoba Nilai Nilai-un di Più satu mendekati, katakanlah: un 0,8 0,95 0,99, dan Lain-lain, tergantung pada sejauh mana gejolak dari i dati ITU. bergejolak Semakin, Nilai un yang dipilih Harus Semakin Tinggi menuju ke Nilai satu. 2. Apabila pola historis dari dati aktual permintaan Tidak berfluktuasi atau relatif stabil dari waktu ke waktu, Kita memilih Nilai un yang mendekati Nol. Biasanya dipilih Nilai un 0,1 Namun pembaca dapat mencoba Nilai Nilai-un di Più yang mendekati Nol, katakanlah: ± 0,2 0,15 0,05 0,01, Dan giaciuto-lain, tergantung pada sejauh mana kestabilan dari itu dati . Semakin stabil, Nilai un yang dipilih Harus Semakin kecil menuju ke Nilai Nol. Untuk mengetahui sejauh mana keandalan dari modello peramalan berdasarkan pemulusan eksponensial Harus menggunakan peta Kontrol segnale di monitoraggio dan membandingkan apakah Nilai-nilai ramalan ITU Telah menggambarkan atau sesuai dengan pola historis dari dati permintaan aktual. 3.2.1 Metode Regresi Linier Regresi linier Adalah Suatu metode populer untuk berbagai macam permasalahan. Untuk serie storiche peramalan, formula regresi linier cocok digunakan bila pola tendenza dati Adalah. Rumus perhitungan regresi linier Adalah sebagai berikut: 3.3. Teori Ukuran Akurasi Peramalan Ukuran akurasi Secara Umum yang dipergunakan peramalan untuk. Berikut ini Adalah macam-macam Ukuran peramalan berserta penjabarannya (Gaspersz, 2004). 3.3.1 Media deviazione assoluta Rata-rata penyimpangan absolut merupakan penjumlahan kesalahan prakiraan Tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya dati yang diamati, Yang dirumuskan sebagai berikut: Rata-rata kesalahan KUADRAT (MSE, errore quadratico medio) memperkuat pengaruh Angka-Angka kesalahan Besar , tetapi memperkecil Angka kesalahan prakiraan yang Lebih kecil dari satu unità. 3.3.2 medio assoluto percentuale errore Rata-rata persentase kesalahan KUADRAT merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan assoluto, (MAPE) menunjukkan rata-rata kesalahan absolut prakiraan Dalam bentuk persentasenya terhadap dati aktualnya. Pada setiap peramalan, segnale di monitoraggio terkadang digunakan untuk Melihat apakah Nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian dimana segnale di monitoraggio Nilai-nilai ITU bergerak Antara -4 sampai 4. segnale di monitoraggio yang memiliki nilai MAD terkecil maka aakan dibuat peta in movimento variare berdasarkan tersebut MAD. Peta range di movimento dirancang untuk membandingkan nilai permintaan aktual dengan Nilai peramalan. Dengan kata lain, dati dapat Melihat permintaan aktual dan membandingkannya dengan nilai peramalan pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan Datang hingga dapat membandingkan dati peramalan dengan permintaan aktual. Peta range di movimento digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta movimento gamma Adalah sebagai berikut (Jay Hezier, 2005): Pada peta range di movimento jika ditemukan Satu Titik yang berada diluar batas kendali pada Saat peramalan diverifikasi maka Harus ditentukan apakah dati Harus diabaikan atau mencari peramalan Baru. Jika ditemukan Sebuah Titik berada diluar batas kendali maka Harus diselidiki penyebabnya. Penemuan ITU mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua Titik berada di Dalam Batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan Telah cukup Baik. Jika terdapat Titik yang berada di Luar Batas kendali, Jelas bahwa peramalan yang didapat kuran baik dan Harus direvisi. Kegunaan peta range di movimento yang Pertama ialah untuk melakukan verifikasi Hasil peramalan Least terdahulu Square. Dalam Kasus-Kasus tersebut, Jika peta range di movimento menunjukkan keadaan diluar Kritéria kendali, Maka Hal ITU berarti ada yang dati Tidak berasal Dari sistem sebab-akibat yang sama dan Harus dibuang. Fungsi peramalan gioco di parole Harus diulangi lagi. Double media mobile vs doppio esponenziale Sebelumnya Telah dibahas tentang Teknik permalan previsione Sederhana media singola mobile dan livellamento singolo esponenziale. Akan tetapi pada dati in tempo kenyataannya banyak ditemui serie yang memiliki tendenza linier, Oleh Karena itu Perlu Suatu Teknik untuk mengatasinya. Teknik permalan Sederhana yang Bisa mengatasinya yaitu doppia media mobile dan livellamento doppio esponenziale. Sebagai Informasi, sebenarnya terdapat banyak Teknik kompleks previsioni yang dapat mengatasi masalah tendenza linier yaitu dengan cara dati mentransformasikan agar stasioner kemudian diterapkan Teknik previsione tertentu, seperti ARIMA, ARCHGARCH, dll. Grafik di bawah ini menunjukan kecenderungan omzet restoran yang memiliki meningkat tendenza. Doppio media mobile Pada Teknik ini dilakukan penghitungan rata-rata bergerak sebanyak dua kali kemudian dilanjutkan dengan meramal menggunakan Suatu persamaan tertentu. Perhatikan tabel di ATAS, pada Teknik ini prose mencari Nilai rata-rata bergerak dilakukan sebanyak dua kali. Pada Kolom media mobile Baris 3T 1 dan 2 Kosong, sedangkan Baris ketiga ialah Nilai rata-rata dari nilai faktual omzet Baris 1, 2, 3 dan (jumlah omzet bulan Juni-Agustus 2011 dibagi Tiga (131.130.125) 3 128.667). Baris berikutunya Juga dilakukan dengan cara perhitungan yang sama. Selanjutnya pada Kolom doppia media mobile. dilakukan penghitungan rata-rata bergerak dengan cara yang sama pada Kolom sebelumnya. Namun, pada Kolom ini yang menjadi Fonte Biblio penjumlahan nilai yaitu nilai pada Kolom media mobile media 3t dibagi dengan periode in movimento. Misalnya, Nilai 127.444 pada bulan ottobre 2011 Kolom doppio movimento diperoleh media Dari rata-rata bergerak bulan Juli-ottobre 2011 (128,667127126,667 dibagi 3). Lakukan penghitungan serupa pada baris baris-berikutnya hingga pada Baris dati terakhir (sebelum periodeyang akan diramalkan). Pada Kolom a, lakukan penghitungan dengan rumus di ATAS. Misalkan, Angka 125,88889 pada Baris bulan ottobre 2011 Kolom in dari diperoleh penghitungan 2 x 126,6667 8211 127,4444. Lakukan Juga pada baris baris-berikutnya. Untuk Kolom bt, lakukan penghitungan Juga berdasarkan rumus di ATAS. Ingat bahwa Nilai n ialah jumlah periode yang digunakan Dalam media mobile. pada Kasus ini nilai n yaitu 3. Selanjutnya hitung nilai ramalanforecast menggunakan formula di ATAS dengan Nilai p1, artinya kita akan Hanya meramal sebanyak Satu periode kedepan Saja (meramal omzet pada Bulan Januari 2013). Perhatikan bahwa Nilai ramalan periode selanjutnya atau t1 dihitung berdasarkan nilai a dan bt periode sekarang atau periode t. Sehingga, Nilai ramalan omzet bulan Januari 2013 sebesar 157,11 juta rupia diperoleh Dari penjumlahan nilai a dan bt bulan Desember 2012 (153,88893,2222 (p1)). Selanjutnya Kolom et Dan et piazza digunakan RMSE menghitung untuk. Nilai RMSE yang didapat yaitu 3,8086. Doppia esponenziale Teknik ini hampir sama dengan Teknik doppio movimento yaitu media dua kali Dalam melakukan penghitungan. Formula formula yang Antara digunakan rimasto: Perhatikan pada Baris Pertama Kolom livellamento esponenziale (At) hingga a memiliki Nilai yang sama dengan nilai omzet faktual Bulan Giugno 2011, Nilai ini merupakan predefinita. Selanjutnya Nilai Baris kedua Kolom A dihitunga menggunakan rumus di ATAS, A omzet Bulan Juli 2011 130.600 juta diperoleh Dari (w0,4) dikali nilai omzet faktual bulan Juli 2011 (130) ditambah (1-w0,6) dikali nilai A omzet bulan Juni 2011 (131), atau Secara matematis ditulis 0,4 x 130 (1-0,4) x 131 130.600 (juta rupie). Kemudian lakukan penghitungan serupa berikut pada baris-baris. Setelah itu, lakukan penghitungan Nilai livellamento esponenziale doppia (At) menggunakan rumus di ATAS. Cara penghitungannya sama dengan livellamento esponenziale (A), TAPI melibatkan dati Hasil penghitungan At. Nilai A omzet bulan Juli 2011 dari (130.840) diperoleh Hasil 0,4 x 130.600 (1-0,4) x 131). Begitupun dengan penghitungan pada Baris berikutnya sama. Mencari Nilai a dan bt sama seperti Teknik doppia media mobile. Hanya Saja pada bt, dikalikan dengan perbandingan penimbang W1-w. Ikuti rumus di ATAS untuk mencari nilai a dan bt. Kemudian, lakuka n peramalan previsione sesuai rumus yang ada. Hasil ramalan periode t1 yaitu penjumlahan nilai a dan bt (p1) periode t. Nilai p1 Karena pada Kasus ini Hanya ingin dicari nilai ramalan Satu periode kedepan. Ramalan omzet bulan Januari 2013 yaitu (atdes.2012152,260) (btdes.2011 (p1) 2.024 (1)) 154,2833 (juta rupie). Kemudian piazza carilah nilai RMSE berdasarkan nilai et dan et. Nilai RMSE dengan metode doppio livellamento esponenziale yaitu 3.133. Jika dibandingkan antara metode doppia media mobile dan livellamento doppio esponenziale. maka metode doppio esponenziale Lebih baik untuk meramalkan Karena memiliki RMSE nilai (3.133) yang Lebih kecil dari nilai RMSE metode doppia media mobile (3,8086). Demikian, Mohon koreksinya demi kebenaran isi materi di ATAS. Sumber lengkapnya dapat dibaca pada Enders, Walter. 2004. Applicata Econometric Time Series Second Edition. New Jersey: Willey. Dan Yulianto, M. A. 2011. Dasar-dasar Ricerca Operativa untuk Pengambilan Keputusan: Edisi Kedua. Jakarta: Sekolah Tinggi Ilmu Statistik.