Figure 12.1 shows the data input sc

Figure 12.1 shows the data input screen after entering the gasoline sales time series data. After selecting Solve from the Solution menu, we obtain the Forecasting Methods dialog box shown in Figure 12.2. Any one of the four methods listed may be used to forecast values for the time series.

Moving Averages
Moving averages appears as choice 1 in the Forecasting Methods dialog box in Figure 12.2. This method is automatically selected each time the Forecasting Methods dialog box appears.

Figure 12.1 Data Input Screen for the Gasoline Sales Time Series


Figure 12.2 Forecasting Methods Dialog Box

To use the Moving Averages method to forecast gasoline sales, you must enter the Number of Periods to be included in the moving average. Any number of periods from 1 to the number of periods in the time series (12 in this example) may be used in the moving average. In order to continue this example, we used 3 as the number of periods to be included in the moving average.
After you specify the number of periods for the moving average and click Solve, the Forecasting module provides a summary of the three-week moving average calculations for the gasoline time series; Figure 12.3 shows the output provided. The time series values, the moving averages forecasts, and the forecast errors are shown for the entire time series. Since an important consideration in using any fore¬casting method is the accuracy of the forecasts, the mean square error (MSE), a measure of the accuracy of the forecasting method, is also provided. Also shown is the fore¬cast for the next period in the time series. Thus, we see that the three-period moving averages forecast for week 13 is 19,000 gallons.


Figure 12.3 The Forecasting Error and Forecast for the 3-Week Moving Averages
Exponential Smoothing
Exponential smoothing appears as choice 2 in the Forecasting Methods dialog box in Figure 12.2. This method uses a combination of the forecast for the most recent period and the actual time series value for the most recent period to forecast the next value for the time series. The weight used for the most recent time series value is referred to as the smoothing constant. If you select the expo¬nential smoothing method, you will be asked to enter the value of the smooth¬ing constant. This value must be between 0 and 1.
Output information includes the time series values, the exponential smoothing forecast, and the forecast errors for the historical time series. In addition, the mean square error and the forecast for the next time period are also provided.
Trend Projection
Trend projection appears as choice 3 in the Forecasting Methods dialog box shown in Figure 12.2. This method uses the criterion of least squares to develop a linear trend equation, which expresses the time series values as a linear function of the time period. The trend projection analysis begins as soon as this option is selected. No additional input information is required.
The output information will provide a linear trend equation in the form

T = b0 + b1t

where
t = the time period
T = the trend value of the time series in period t
b0 = the intercept of the trend line
b1 = the slope of the trend line

The numerical values of b0 and b1 will be provided as part of the output. Additional output information is similar to the output provided by the moving averages and exponential smoothing routines.
Trend and Seasonal Components

Results (Indonesian) 1:

12.1 angka menunjukkan layar input data setelah memasukkan data bensin penjualan time series. Setelah memilih memecahkan dari menu solusi, kita mendapatkan kotak dialog metode peramalan yang ditunjukkan dalam gambar 12,2. Salah satu dari empat metode yang tercantum dapat digunakan untuk memperkirakan nilai untuk time series. Rata-rata bergerakMoving Average muncul sebagai pilihan 1 di kotak dialog metode peramalan di 12,2 gambar. Metode ini yang dipilih secara otomatis setiap kali muncul kotak dialog metode peramalan.Mencari 12.1 Data layar masukan untuk bensin penjualan Time SeriesMencari metode peramalan 12.2 kotak Dialog Untuk menggunakan metode rata-rata bergerak untuk Prakiraan penjualan bensin, Anda harus memasukkan nomor periode untuk dimasukkan dalam rata-rata bergerak. Sejumlah periode 1-jumlah periode time series (12 dalam contoh ini) dapat digunakan dalam rata-rata bergerak. Untuk melanjutkan contoh ini, kami menggunakan 3 sebagai jumlah waktu untuk dimasukkan dalam rata-rata bergerak. Setelah Anda menentukan jumlah waktu untuk rata-rata bergerak dan klik memecahkan, Modul Forecasting menyediakan ringkasan dari tiga minggu perhitungan rata-rata bergerak untuk bensin time series; 12.3 angka menunjukkan output disediakan. Nilai seri waktu, perkiraan rata-rata bergerak, dan perkiraan kesalahan ditampilkan untuk seri sepanjang waktu. Karena pertimbangan penting dalam menggunakan metode fore¬casting adalah akurasi prakiraan, kesalahan berarti square (UMK), ukuran akurasi metode peramalan, juga disediakan. Juga ditampilkan adalah fore¬cast untuk periode berikutnya dalam seri waktu. Dengan demikian, kita melihat bahwa tiga periode rata-rata bergerak perkiraan untuk Minggu 13 19.000 galon.Mencari 12.3 peramalan kesalahan dan ramalan untuk rata-rata bergerak 3-mingguSmoothing eksponensialSmoothing eksponensial muncul sebagai pilihan 2 di kotak dialog metode peramalan di 12,2 gambar. Metode ini menggunakan kombinasi dari perkiraan untuk periode Pemesanan dan seri nilai sebenarnya waktu untuk periode Pemesanan untuk memperkirakan nilai berikutnya untuk time series. Berat yang digunakan untuk pemesanan waktu seri nilai disebut sebagai konstan smoothing. Jika Anda memilih expo¬nential smoothing metode, Anda akan diminta untuk memasukkan nilai konstan smooth¬ing. Nilai ini harus antara 0 dan 1. Output mencakup nilai seri waktu, perkiraan smoothing eksponensial, dan kesalahan ramalan waktu sejarah seri. Selain itu, kesalahan berarti square dan ramalan untuk periode waktu berikutnya juga disediakan.Proyeksi trendProyeksi trend muncul sebagai pilihan 3 di kotak dialog metode peramalan ditunjukkan dalam gambar 12,2. Metode ini menggunakan kriteria kuadrat untuk mengembangkan persamaan linier tren, yang mengungkapkan waktu seri nilai sebagai fungsi linear dari periode waktu. Proyeksi trend analisis dimulai segera setelah opsi ini dipilih. Ada masukan informasi tambahan diperlukan. Informasi output akan memberikan persamaan linier tren dalam bentukT = b0 + b1t mana t = periode waktu T = nilai tren time series dalam periode t B0 = intersepsi dari garis tren B1 = kemiringan garis trenNilai-nilai numerikal b0 dan b1 akan disediakan sebagai bagian dari output. Informasi tambahan output mirip dengan output disediakan oleh rata-rata bergerak dan eksponensial smoothing rutinitas.Tren dan komponen musiman

Results (Indonesian) 2:

Gambar 12.1 menunjukkan layar input data setelah memasukkan data waktu penjualan bensin series. Setelah memilih Memecahkan dari menu Solusi, kita memperoleh kotak dialog Metode Peramalan ditunjukkan pada Gambar 12.2. Salah satu dari empat metode yang tercantum dapat digunakan untuk meramalkan nilai untuk seri waktu.

Moving Averages
Moving average muncul sebagai pilihan 1 pada kotak dialog Metode Peramalan pada Gambar 12.2. Metode ini secara otomatis dipilih setiap kali kotak dialog Metode Peramalan muncul.

Gambar 12.1 Data Masukan Layar untuk Bensin Penjualan Time Series


Gambar 12.2 Forecasting Metode Dialog Box

Untuk menggunakan metode Moving Averages untuk meramalkan penjualan bensin, Anda harus memasukkan Jumlah Periode ke dimasukkan dalam rata-rata bergerak. Sejumlah periode dari 1 sampai jumlah periode dalam time series (12 dalam contoh ini) dapat digunakan dalam rata-rata bergerak. Dalam rangka untuk terus contoh ini, kami menggunakan 3 sebagai jumlah periode untuk dimasukkan dalam rata-rata bergerak.
Setelah Anda menentukan jumlah periode untuk rata-rata bergerak dan klik Memecahkan, modul Forecasting memberikan ringkasan dari tiga minggu bergerak perhitungan rata-rata untuk time series bensin; Gambar 12.3 menunjukkan output yang disediakan. Waktu nilai seri, perkiraan rata-rata bergerak, dan kesalahan perkiraan ditampilkan untuk seluruh seri waktu. Sejak pertimbangan penting dalam menggunakan metode fore¬casting adalah akurasi perkiraan, mean square error (MSE), ukuran dari akurasi metode peramalan, juga disediakan. Juga ditampilkan adalah fore¬cast untuk periode berikutnya dalam seri waktu. Dengan demikian, kita melihat bahwa tiga periode moving average meramalkan untuk minggu 13 adalah 19.000 galon.


Gambar 12.3 Forecasting Kesalahan dan Prakiraan untuk 3-minggu Moving Averages
Exponential Smoothing
Eksponensial smoothing muncul sebagai pilihan 2 di kotak dialog Metode Peramalan pada Gambar 12.2 . Metode ini menggunakan kombinasi dari perkiraan untuk periode terbaru dan aktual nilai time series untuk periode terbaru untuk meramalkan nilai berikutnya untuk seri waktu. Berat yang digunakan untuk terbaru nilai time series disebut sebagai smoothing konstan. Jika Anda memilih metode smoothing expo¬nential, Anda akan diminta untuk memasukkan nilai smooth¬ing konstan. Nilai ini harus antara 0 dan 1.
informasi Keluaran mencakup nilai-nilai time series, perkiraan smoothing eksponensial, dan kesalahan perkiraan untuk time series sejarah. Selain itu, mean square error dan ramalan untuk periode waktu berikutnya juga disediakan.
Trend Proyeksi
Trend proyeksi muncul sebagai pilihan 3 di kotak dialog Metode Peramalan ditunjukkan pada Gambar 12.2. Metode ini menggunakan kriteria kuadrat terkecil untuk mengembangkan persamaan trend linear, yang mengekspresikan nilai-nilai time series sebagai fungsi linear dari periode waktu. Analisis trend proyeksi dimulai segera setelah opsi ini dipilih. Tidak ada informasi masukan tambahan diperlukan.
Output informasi akan memberikan persamaan trend linear dalam bentuk

T = b0 + b1t

mana
t = jangka waktu
T = nilai tren dari seri waktu dalam periode t
b0 = intersep dari garis tren
b1 = kemiringan garis tren

nilai numerik dari b0 dan b1 akan disediakan sebagai bagian dari output. Output informasi tambahan mirip dengan output yang disediakan oleh moving average dan eksponensial rutinitas smoothing.
Trend dan musiman Komponen