Hitung A 3 Bulan Moving Average Forecast Of Demand

Metode Seri Waktu. Metode seri waktu adalah teknik statistik yang memanfaatkan data historis yang terkumpul selama periode waktu. Metode deret waktu mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi di masa depan. Seperti yang ditunjukkan oleh deret waktu, metode ini berhubungan Perkiraan hanya 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 yang dapat diidentifikasi untuk Permintaan dari waktu ke waktu akan berulang sendiri. Moving Average. A perkiraan seri waktu dapat sesederhana dengan menggunakan permintaan pada periode saat ini untuk memprediksi permintaan pada periode berikutnya Ini kadang-kadang disebut ramalan naif atau intuitif 4 Sebagai contoh, jika permintaan adalah 100 unit Minggu ini, perkiraan permintaan minggu depan adalah 100 unit jika permintaan ternyata 90 unit, maka permintaan minggu berikutnya adalah 90 uni Ts, dan seterusnya Metode peramalan jenis ini tidak memperhitungkan perilaku permintaan historis yang hanya bergantung pada permintaan pada periode saat ini. Ini bereaksi langsung terhadap pergerakan acak yang normal. Metode moving average sederhana menggunakan beberapa nilai permintaan selama Masa lalu untuk mengembangkan ramalan 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 jelas, seperti Sebagai tren atau pola musiman. Rata-rata pergerakan 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 rumusnya. Menghitung moving average yang sederhana dengan menggunakan Simple Moving Average. Paper Clip Clip Office Supply Company menjual dan mengirimkan perlengkapan kantor ke perusahaan, sekolah, dan Agen-agen di dalam radius 50 mil di gudangnya. Bisnis penyediaan kantor kompetitif, dan kemampuan untuk menyampaikan pesanan segera merupakan faktor dalam mendapatkan pelanggan baru dan tetap tua. Kantor biasanya memesan jika tidak kehabisan persediaan, namun ketika mereka Benar-benar kehabisan Akibatnya, mereka segera mendapat pesanan Manajer manajer perusahaan ingin memastikan cukup banyak pengemudi dan kendaraan yang tersedia untuk segera mengirimkan pesanan dan mereka memiliki persediaan yang memadai. Oleh karena itu, manajer tersebut ingin dapat meramalkan jumlahnya. Dari 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 ini adalah akhir Oktober Prakiraan yang dihasilkan dari rata-rata pergerakan 3- atau 5 bulan biasanya untuk bulan berikutnya dalam urutan, yang dalam hal ini adalah N Ovember Rata-rata bergerak dihitung dari permintaan pesanan selama 3 bulan sebelumnya dalam urutan sesuai dengan rumus berikut. Rata-rata pergerakan 5 bulan dihitung dari data permintaan 5 bulan sebelumnya sebagai berikut. 3- dan 5- Bulan perkiraan rata-rata bergerak untuk semua bulan data permintaan ditunjukkan pada tabel berikut Sebenarnya hanya perkiraan untuk bulan November berdasarkan permintaan bulanan terbaru yang akan digunakan oleh manajer Namun, prakiraan sebelumnya untuk bulan sebelumnya memungkinkan kita untuk membandingkan Perkiraan dengan permintaan aktual untuk melihat seberapa akurat metode peramalan - yaitu, seberapa baik kinerjanya. Tiga dan Lima Bulan Rata-rata. Rata-rata perkiraan rata-rata bergerak dalam tabel di atas cenderung memperlancar variabilitas yang terjadi pada data aktual Ini Efek pemulusan 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 angka sebelumnya menghaluskan fluktuasi. Untuk tingkat yang lebih besar daripada rata-rata pergerakan 3 bulan Namun, rata-rata 3 bulan lebih dekat mencerminkan data terbaru yang tersedia untuk manajer persediaan kantor Secara umum, prakiraan menggunakan moving average jangka panjang lebih lambat untuk bereaksi terhadap perubahan terkini pada Permintaan daripada yang dibuat dengan menggunakan rata-rata bergerak jangka pendek Periode ekstra data mengurangi kecepatan perkiraan perkiraan Menetapkan jumlah periode yang tepat untuk digunakan dalam perkiraan rata-rata bergerak seringkali memerlukan sejumlah eksperimentasi trial and error. Kerugian dari metode rata-rata bergerak adalah bahwa ia tidak bereaksi terhadap variasi yang terjadi karena suatu alasan, seperti siklus dan efek musiman Faktor-faktor yang menyebabkan perubahan pada umumnya diabaikan. Pada dasarnya metode mekanis, yang mencerminkan data historis secara konsisten. Namun, Metode moving average memang memiliki keuntungan karena mudah digunakan, cepat, dan relatif murah. Secara umum, metode ini bisa memberikan forec yang baik. Ast untuk jangka pendek, tapi seharusnya tidak didorong terlalu jauh ke masa depan. Kami Memindahkan Bergerak Rata-rata. Metode rata-rata bergerak dapat disesuaikan agar lebih dekat mencerminkan fluktuasi data. Dengan metode rata-rata bergerak tertimbang, bobot ditetapkan paling banyak. Data terakhir sesuai dengan rumus berikut. Data permintaan untuk Layanan Komputer PM yang ditunjukkan pada tabel untuk Contoh 10 3 nampak mengikuti tren linier yang meningkat Perusahaan ingin menghitung garis tren linier untuk melihat apakah itu lebih akurat daripada eksponensial smoothing Dan perkiraan eksponensial smoothing yang disesuaikan 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 tren linier adalah . Untuk menghitung perkiraan untuk periode 13, misalkan x 13 pada garis tren linier. Grafik berikut menunjukkan garis tren linier dibandingkan dengan data aktual Garis tren nampak pada r Dengan mengefisienkan data sebenarnya - yaitu, menjadi sangat 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, Sebagai ramalan ramalan eksponensial metode yang akan, diasumsikan bahwa semua perkiraan masa depan akan mengikuti garis lurus ini membatasi penggunaan metode ini untuk jangka waktu yang lebih singkat di mana Anda dapat relatif yakin bahwa tren tidak akan berubah. Seasonal penyesuaian 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, perlengkapan olahraga, pakaian, peralatan elektronik, ham, kalkun, anggur, dan buah, meningkat selama musim liburan Permintaan kartu ucapan meningkat Berkaitan dengan hari-hari istimewa seperti hari Valentine dan pola Hari Ibu musiman dapat juga terjadi setiap bulan, mingguan, atau bahkan setiap hari Beberapa restoran memiliki permintaan yang lebih tinggi di malam hari daripada saat makan siang atau pada akhir pekan dibandingkan dengan hari kerja Lalu Lintas - oleh karena itu 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 disesuaikan. Salah satu metode untuk mengembangkan permintaan untuk 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 adalah, dalam Efek, porsi total permintaan tahunan yang diberikan pada setiap musim Faktor musiman ini dikalikan dengan perkiraan permintaan tahunan untuk menghasilkan perkiraan yang disesuaikan untuk setiap musim Sebuah Forecast dengan Penyesuaian Musiman. Farm Farms tumbuh kalkun untuk dijual ke perusahaan pengolahan daging sepanjang tahun. Namun, musim puncaknya jelas-jelas terjadi pada kuartal keempat tahun ini, dari bulan Oktober sampai Desember, Wishbone Farms telah mengalami permintaan untuk kalkun untuk Tiga tahun terakhir ditunjukkan pada tabel berikut. Karena kita memiliki data permintaan tiga tahun, kita dapat menghitung faktor musiman dengan membagi total 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 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 , Kami menghitung garis tren linier selama tiga tahun data dalam tabel untuk mendapatkan estimasi perkiraan kasar. Dengan demikian, perkiraan untuk tahun 2000 adalah 58 17, atau 58.170 turki. Dengan perkiraan tahunan ini Permintaan, perkiraan musiman disesuaikan, SF i, untuk tahun 2000 menunjukkan perkiraan kuartalan ini dengan nilai permintaan aktual dalam tabel, perkiraan perkiraan perkiraan mereka relatif baik, yang mencerminkan variasi musiman dalam data dan kecenderungan kenaikan secara umum.10 -12 Bagaimana metode rata-rata bergerak mirip dengan smoothing eksponensial.10-13 Apa efek pada model pemulusan eksponensial yang akan meningkatkan konstanta penghalusan.10-14 Bagaimana pemulusan eksponensial yang disesuaikan berbeda dari smoothing eksponensial.10-15 Apa yang menentukan pilihan Dari konstanta pemulusan untuk tren dalam model pemulusan eksponensial yang disesuaikan.10-16 Dalam contoh bab untuk metode deret waktu, perkiraan awal selalu diasumsikan sama dengan permintaan aktual pada periode pertama Sarankan cara lain bahwa perkiraan awal mungkin Diturunkan dalam penggunaan aktual.10-17 Bagaimana model peramalan linier linier berbeda dari model regresi linier untuk peramalan.10-18 Dari seri waktu mo Dels 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 Anda anggap yang terbaik. 10 Apa keuntungan yang disesuaikan dengan eksponensial smoothing memiliki kecenderungan linier? Line untuk perkiraan permintaan yang menunjukkan tren.4 KB Kahn dan JT Mentzer, Peramalan Pasar Konsumen dan Industri, Journal of Business Forecasting 14, no 2 Summer 1995 21-28.MAT 540 Minggu 4 Masalah Pekerjaan Rumah Tangga, Bab 15.MAT 540 Minggu 4 Pekerjaan Rumah Tangga Bab 15 1 Manajer gerai Carpet City perlu membuat perkiraan yang akurat mengenai permintaan karpet Soft Shag sebagai penjual terbesar Jika manajer tidak memesan cukup karpet dari pabrik karpet, pelanggan akan membeli karpet mereka dari salah satu Banyak pesaing Carpet City Manajer telah mengumpulkan data permintaan berikut selama 8 bulan terakhir Bulan Permintaan Karpet Soft Shag 1.000 yd 1 10 2 9 3 8 4 9 5 10 6 12 7 14 8 11.a Hitunglah 3-m Perkiraan rata-rata bergerak ke depan selama bulan 4 sampai 9 b Hitung perkiraan rata-rata pergerakan moving average 3 bulan selama bulan 4 sampai 9 Tentukan bobot 0 55, 0 35, dan 0 10 sampai bulan berturut-turut, dimulai dengan bulan terakhir c Compare Dua prakiraan tersebut dengan menggunakan MAD Perkiraan mana yang tampaknya lebih akurat 2 Manajer Petroco Service Station ingin meramalkan permintaan bensin tanpa timbal bulan depan sehingga jumlah galon yang tepat dapat dipesan dari distributor Pemilik telah mengumpulkan yang berikut ini. Data permintaan bensin tanpa timbal dari penjualan selama 10 bulan terakhir Bulan Bensin Dituntut gal Oktober 775 November 835 Desember 605 Januari 450 Februari 600 Maret 700 April 820 Mei 925 Juni 1.500 Juli 1.200 a Menghitung perkiraan eksponensial secara eksponensial, dengan menggunakan nilai 0 40 B Hitung MAPD 3 Emily Andrews telah berinvestasi dalam reksa dana sains dan teknologi Sekarang dia mempertimbangkan untuk melikuidasi dan berinvestasi pada dana lain Dia ingin meramalkan t Dia harga dana sains dan teknologi untuk bulan depan sebelum mengambil keputusan. Dia telah mengumpulkan data berikut mengenai harga rata-rata dana tersebut selama 20 bulan terakhir. Reksa Dana Harga 1 55 3 4 2 54 1 4 3 55 1 8 4 58 1 8 5 53 3 8 6 51 1 8 7 56 1 4 8 59 5 8 9 62 1 4 10 59 1 4 11 62 3 8 12 57 1 1 13 58 1 8 14 62 3 4 15 64 3 4 16 66 1 8 17 68 3 4 18 60 5 19 65 875 20 72 25 a Dengan menggunakan rata-rata 3 bulan, ramalkan harga dana untuk bulan 21 b Dengan menggunakan rata-rata tertimbang 3 bulan dengan bulan terbawah tertimbang 0 50, yang terbaru terakhir Bulan tertimbang 0 30, dan bulan ketiga berbobot 0 20, ramalkan harga dana untuk bulan 21 c Hitunglah perkiraan merapikan secara eksponensial, gunakan 0 30, dan perkirakan harga dana untuk bulan 21 d Bandingkan perkiraan di a, b, dan c , Menggunakan MAD, dan menunjukkan 4 Carpet City yang paling akurat ingin mengembangkan sarana untuk meramalkan penjualan karpetnya Manajer toko percaya bahwa penjualan toko berhubungan langsung dengan jumlah sta perumahan baru. Rts di kota Manajer telah mengumpulkan data dari catatan daerah tentang izin membangun rumah bulanan dan dari catatan toko tentang penjualan bulanan Data ini adalah sebagai berikut Penjualan Karpet Bulanan 1.000 tahun Izin Konstruksi Bulanan 9 17 14 25 10 8 12 7 15 14 9 7 24 45 21 19 20 28 29 2 a Mengembangkan model regresi linier untuk data ini dan memperkirakan penjualan karpet jika 30 izin konstruksi untuk rumah baru diajukan. Tentukan kekuatan hubungan kausal antara penjualan bulanan dan konstruksi rumah baru dengan menggunakan korelasi 5 Manajer Gilley's Ice Cream Parlor membutuhkan perkiraan permintaan es krim yang akurat Toko menyimpan es krim dari distributor seminggu ke depan jika pesanan toko terlalu sedikit, kehilangan bisnis, dan jika memesan terlalu banyak, ekstra harus dibuang. Manajer percaya bahwa penentu utama penjualan es krim adalah temperatur, yaitu semakin panasnya cuaca, semakin banyak orang es krim membeli Menggunakan almanak, sang manajer telah menentukan suhu siang hari rata-rata. Erature selama 14 minggu, dipilih secara acak, dan dari catatan toko dia telah menentukan konsumsi es krim selama 14 minggu yang sama. Data ini dirangkum sebagai berikut Suhu Rata-Rata Suhu Es Krim Tingkat Terjual gal 1 68 80 2 70 115 3 73 91 4 79 87 5 77 110 6 82 128 7 85 164 8 90 178 9 85 144 10 92 179 11 90 144 12 95 197 13 80 144 14 75 123 a Mengembangkan model regresi linier untuk data ini dan memperkirakan konsumsi es krim jika rata-rata mingguan Suhu siang hari diperkirakan mencapai 85 derajat b Tentukan kekuatan hubungan linier antara konsumsi suhu dan es krim dengan menggunakan korelasi.6 Laporkan koefisien determinasi untuk data pada Soal 5 dan jelaskan artinya PRODUK TERKAIT. Linear Programming Case Study, Company. Linear Programming Studi Kasus, Rayhoon Restaurant. Linear Programming Case Study, Manajer Portofolio XYZ Investment. Moving Average Forecasting. Introduction Seperti yang Anda duga kita melihat beberapa ap yang paling primitif. Proaches to forecasting Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini, kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan perkiraan Moving Average. Rata-rata Prakiraan Setiap orang sudah terbiasa Dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin mereka Semua mahasiswa melakukannya sepanjang waktu Pikirkan skor tes Anda dalam kursus di mana Anda akan menjalani empat tes selama semester Mari anggap Anda mendapat nilai 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda. Apa yang menurut Anda akan diprediksi oleh guru Anda untuk skor tes Anda berikutnya. Menurut Anda, apa yang diperkirakan prediksi teman Anda untuk skor tes Anda berikutnya. Menurut Anda, apa yang diprediksi orang tua Anda untuk tes berikutnya? Skor. Terlepas dari semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu di bidang Anda baru saja selesai. Nah, sekarang mari kita berasumsi bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan sendiri dan menganggap Anda bisa belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang apa saja Yang prihatin dan tidak peduli akan mengantisipasi Anda akan mengikuti ujian ketiga Anda Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan membagikannya kepada Anda. Mereka mungkin mengatakannya kepada diri mereka sendiri, Orang ini selalu meniup asap tentang dirinya. Kecerdasan Dia akan mendapatkan yang lain 73 jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan katakan, Nah, sejauh ini Anda sudah mendapat nilai 85 dan 73, jadi mungkin Anda harus mencari sekitar 85 73 2 Saya tidak tahu, mungkin jika Anda kurang berpesta dan tidak bergoyang-goyang pada musang di mana-mana dan jika Anda mulai belajar lebih banyak, Anda bisa mendapatkan nilai yang lebih tinggi. Kedua perkiraan ini benar-benar menggerakkan perkiraan rata-rata. Yang pertama Hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda Ance Ini disebut ramalan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari berasumsi bahwa semua orang yang terhilang pada pikiran hebat Anda telah membuat Anda kesal dan Anda memutuskan Untuk melakukan dengan baik pada tes ketiga untuk alasan Anda sendiri dan untuk menempatkan skor yang lebih tinggi di depan sekutu Anda Anda mengikuti tes dan skor Anda sebenarnya adalah 89 Setiap orang, termasuk diri Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir dari Semester datang dan seperti biasa Anda merasa perlu memandu semua orang untuk membuat ramalan mereka tentang bagaimana Anda akan melakukan tes terakhir. Nah, mudah-mudahan Anda melihat polanya. Sekarang, semoga Anda bisa melihat pola yang menurut Anda paling akurat..Whistle Sementara Kami Bekerja Sekarang kami kembali ke perusahaan pembersih baru kami yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet Kami pertama kali menyajikan data untuk tiga periode movi Ng perkiraan rata-rata. Pasukan untuk sel C6 harus. Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 melalui C11.Notice bagaimana rata-rata bergerak selama data historis terbaru tetapi menggunakan persis tiga periode terbaru yang tersedia untuk masing-masing Prediksi Anda juga harus memperhatikan bahwa kita tidak benar-benar perlu membuat prediksi untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita Ini pasti berbeda dari model penghalusan eksponensial yang saya rasakan termasuk prediksi masa lalu karena kita akan menggunakannya di berikutnya. Halaman web untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk perkiraan pergerakan rata-rata dua periode. Entri untuk sel C5 seharusnya. Sekarang Anda dapat menyalin formula sel ini ke sel-sel lain melalui C11. Tidak seperti bagaimana sekarang Hanya dua potongan terbaru dari data historis yang digunakan untuk setiap prediksi. Sekali lagi, saya telah memasukkan prediksi masa lalu untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lainnya S yang penting untuk diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m nilai data terbaru yang digunakan untuk membuat prediksi Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata bergerak m-periode, saat membuat prediksi masa lalu, perhatikan bahwa Prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata Sekarang kita perlu mengembangkan kode untuk perkiraan rata-rata bergerak yang dapat digunakan secara lebih fleksibel. Kode berikut Perhatikan Bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam ramalan dan rangkaian nilai historis Anda dapat menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage Historis, NumberOfPeriods Sebagai Deklarasi Tunggal dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter As Akumulasi Integer Dim Sebagai Single Dim HistoricalSize As Integer. Menginisialisasi variabel Counter 1 Accumulation 0. Menentukan ukuran Historical array HistoricalSize. For Counter 1 To NumberOfPeriods. Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terbaru. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Kode ini akan dijelaskan di kelas Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya Seperti berikut