Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam pengujian hipotesis berganda, dilakukan pengujian lebih darisatu hipotesis, yang diuji pada satu waktu secara simultan. Apabila masingmasingpengujian dalam suatu family hipotesis mempunyai probabilitasmelakukan kesalahan tipe 1, maka secara keseluruhan pada pengujianhipotesis berganda akan terjadi penggandaan probabilitas kesalahan tipe 1.Probabilitas melakukan kesalahan tipe1 pada pengujian hipotesis bergandaakan semakin membesar seiring dengan meningkatnya jumlah pengujian.Untuk mengatasi hal itu, ada beberapa cara untuk mengukur kesalahan tipe1dalam family hipotesis diantaranya Family Wise Error Rate (FWER), FalseDiscovery Rate (FDR), dan positif False Discovery Rate (pFDR). Untukmengontrol kesalahan tersebut, diperlukan suatu metode sedemikiansehingga probabilitas kesalahan tipe 1 keseluruhan ≤ α. Pada tugas akhir ini,akan dibahas metode - metode pengujian untuk hipotesis berganda yaitumetode Bonferroni yang merupakan salah satu metode untuk FWER, metodeBenjamin-Hochberg untuk FDR yang memperbaiki Metode Bonferroni danmetode Storey untuk pFDR yang memperbaiki Metode Benjamin-Hochberg."

"Dalam pengujian hipotesis berganda, dilakukan pengujian lebih darisatu hipotesis, yang diuji pada satu waktu secara simultan. Apabila masingmasingpengujian dalam suatu family hipotesis mempunyai probabilitasmelakukan kesalahan tipe 1, maka secara keseluruhan pada pengujianhipotesis berganda akan terjadi penggandaan probabilitas kesalahan tipe 1.Probabilitas melakukan kesalahan tipe1 pada pengujian hipotesis bergandaakan semakin membesar seiring dengan meningkatnya jumlah pengujian.Untuk mengatasi hal itu, ada beberapa cara untuk mengukur kesalahan tipe1dalam family hipotesis diantaranya Family Wise Error Rate (FWER), FalseDiscovery Rate (FDR), dan positif False Discovery Rate (pFDR). Untukmengontrol kesalahan tersebut, diperlukan suatu metode sedemikiansehingga probabilitas kesalahan tipe 1 keseluruhan ≤ α. Pada tugas akhir ini,akan dibahas metode - metode pengujian untuk hipotesis berganda yaitumetode Bonferroni yang merupakan salah satu metode untuk FWER, metodeBenjamin-Hochberg untuk FDR yang memperbaiki Metode Bonferroni danmetode Storey untuk pFDR yang memperbaiki Metode Benjamin-Hochberg.Kata kunci : family hipotesis, kesalahan tipe 1, pengujian hipotesis bergandaix + 65 hlm.; lampBibliografi: 7 (1995-2003)"

"Manajemen persediaan yang efektif menjadi hal yang penting bagi perusahaan Fast Moving Consumer Goods (FMCG) dalam memenuhi permintaan dinamis pelanggan. Penelitian ini bertujuan untuk mengimplementasikan metode peramalan ARIMA (Autoregressive Integrated Moving Average) guna meningkatkan manajemen persediaan produk kategori Home care pada perusahaan FMCG. Data historis permintaan produk Home care digunakan untuk mengembangkan model ARIMA dalam meramalkan permintaan. Hasil peramalan digunakan untuk menentukan tingkat persediaan yang optimal, termasuk tingkat safety stock dan reorder point. Hasil penelitian menunjukkan bahwa model peramalan ARIMA, khususnya ARIMA (2,1,1), memberikan prediksi permintaan yang akurat. Dengan menggunakan tingkat service rate yang berbeda (80%, 85%, 90%, dan 95%), perusahaan dapat menyesuaikan strategi persediaan untuk memenuhi permintaan pelanggan dengan tingkat layanan yang diinginkan. Oleh karena itu, disarankan agar perusahaan FMCG mempertimbangkan implementasi metode peramalan ARIMA guna meningkatkan manajemen persediaan produk Home care. Penelitian ini memberikan wawasan berharga dalam meningkatkan praktik manajemen persediaan di industri FMCG dan membantu perusahaan mengoptimalkan tingkat persediaan, mengurangi risiko kehabisan stok, serta memenuhi ekspektasi pelanggan.

---

Effective inventory management is crucial for Fast Moving Consumer Goods (FMCG) companies to meet dynamic customer demands. This study aims to implement the ARIMA (Autoregressive Integrated Moving Average) forecasting method to improve inventory management of Home care products in an FMCG company. Historical demand data for Home care products are utilized to develop ARIMA models for demand forecasting. The forecasted demand is then utilized to determine optimal inventory levels, including safety stock and reorder points. The results demonstrate that the ARIMA forecasting model, specifically ARIMA (2,1,1), provides accurate demand predictions. By adopting different service rate levels (80%, 85%, 90%, and 95%), the company can customize inventory strategies to meet varying customer demand and achieve desired service levels. Consequently, it is recommended that FMCG companies consider the implementation of the ARIMA forecasting method to enhance inventory management for Home care products. This research provides valuable insights into improving inventory management practices in the FMCG industry and ultimately helps companies optimize inventory levels, minimize stockouts, and meet customer expectations."