Hasil Pencarian  ::  Simpan CSV :: Kembali

"Berkembangnya ilmu pengetahuan dan teknologi yang semakin pesat disertai dengan semakin ketatnya persaingan dalam dunia usaha mengakibatkan adanya persaingan antar perusahaan dalam memberikan pelayanan kepada konsumen. Oleh karena itu dibutuhkan suatu cara agar dapat menghasilkan barang dengan tepat. Hal inilah yang menjadi peranan dari sebuah metode peramalan penjualan. Terdapat banyak cara dalam melakukan peramalan, namun cara manakah yang dapat memberikan hasil yang terbaik. Dalam penelitian ini, dibandingkan antara metode Neural Network, Grey System Theory GM(1,1) dengan metode tradisional. Dari enam belas jenis data yang digunakan menunjukan BPNN memberikan hasil kesalahan yang lebih kecil dibandingkan dengan metode lainnya.

---

Now a days, a science and technology is growing rapidly make the competition intensifies in the business world for providing services to consumers. Therefore we need some way to produce goods with the correct amount. It was become the rolle of a sales forecasting method. There are many methods in sales forecast. However we don't know which method can give the best result. In this research, Neural Network, Grey System Theory GM(1,1) will be compared to the traditional methods. Through sixteen kinds of data that is used, show that BPNN provide results a smaller error than others."

"Peramalan permintaan penjualan telah memainkan peran penting dalam industri tenaga manufaktur. Peramalan permintaan penjualan dalam bisnis diperlukan untuk perencanaan produksi, pengurangan biaya manajemen, tingkat persediaan dan pembelian bahan baku. Banyak badan usaha manufaktur seperti produksi suku cadang rem mobil memerlukan ramalan permintaan penjualan untuk memenuhi kebutuhan produksi. Oleh karena itu, peramalan permintaan penjualan dalam beberapa bulan ke depan sangat diperlukan untuk menjadi acuan dalam menentukan strategi manajemen produksi. Penelitian ini bertujuan untuk memprediksi permintaan penjualan bulanan dalam beberapa bulan mendatang pada pabrik manufaktur yang memproduksi suku cadang rem mobil dengan menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Auto-Regressive Integrated Moving Average with eXogenous factors (SARIMAX), dan Rolling SARIMA dengan tipe data musiman per tahun. Studi ini menggunakan data historis bulanan yang dikumpulkan dari perusahaan produksi suku cadang rem dari 01 Januari 2013 hingga 31 Desember 2022 untuk membangun dan mengevaluasi kinerja model. Hasil penelitian menunjukkan bahwa model Rolling SARIMA (1,1,0)(1,1,1)12 memiliki akurasi model terbaik dengan MAPE sebesar 15,77%. Kesimpulan studi menyoroti potensi model untuk mendukung praktik manajemen produksi di pabrik pembuatan suku cadang rem mobil dan pabrik serupa lainnya.

---

Sales demand forecasting has played an important role in the electric power manufacturing industry. Sales demand forecasting in business is necessary for production planning, management cost reduction, inventory levels, and the purchase of raw materials. Many manufacturing companies, such as those that produce auto brake parts, require sales demand forecasts to meet production needs. Therefore, forecasting sales demand in the next few months is needed as a reference in determining a production management strategy. This study aims to predict monthly sales demand in the coming months at manufacturing factories that produce car brake parts using the Seasonal Auto-Regressive Integrated Moving Average (SARIMA), the seasonal auto-Regressive Integrated Moving Average with exogenous factors (SARIMAX), and the rolling SARIMA with seasonal data type per year. This study uses monthly historical data collected from brake parts production companies from January 1, 2013 to December 31, 2022 to build and evaluate model performance. The results showed that the Rolling SARIMA (1,1,0) (1,1,1)12 model had the best model accuracy with a MAPE of 15.77%. The study's conclusions highlight the potential of the model to support production management practices in auto brake parts manufacturing plants and other similar factories."

"Penelitian ini bertujuan untuk mengevaluasi manajemen persediaan pada perusahaan manufaktur tepung PT BFM dan memberikan usulan perbaikan manajemen persediaan agar level persediaan setengah jadi dan persediaan barang jadi dapat mencapai tingkat optimal. Penelitian ini menggunakan metode studi kasus dengan pendekatan kualitatif. Data yang digunakan adalah data primer dan sekunder, berupa wawancara dengan jajaran staf dan manajemen PT BFM, serta data historis perusahaan. Hasil penelitian yang dilakukan menunjukkan bahwa manajemen persediaan PT BFM belum optimal, disebabkan karena pengelompokan persediaan tidak konsisten; ramalan penjualan mingguan tidak akurat secara signifikan; penghitungan nilai overall equipment effectiveness (OEE) tidak akurat; dan tanggal pengiriman ke pelanggan tidak sesuai dengan jadwal. Penelitian juga menemukan bahwa upaya yang telah dilakukan PT BFM melalui penyesuaian jadwal produksi awal dan membuat persediaan penyangga, masih menyebabkan pembatalan pesanan penjualan karena barang tidak tersedia, sehingga menimbulkan pandangan bahwa kapasitas produksi PT BFM tidak mencukupi permintaan pelanggan. Penelitian ini memberikan usulan perbaikan manajemen persediaan dengan pengelompokan persediaan menggunakan metode analisis Always Better Control, penghitungan ramalan penjualan mingguan dengan metode single moving average, penghitungan komponen quality pada OEE, penghitungan persediaan penyangga, dan perubahan target pencapaian penjualan dari bulanan menjadi mingguan

---

This study aims to evaluate the inventory management in PT BFM and to propose recommendations of inventory management in order to maintain the quantity of work in process and finished goods inventory at optimum level. This study uses a case study method with qualitative approach. The data used are consisting of interview with staff and management of PT BFM, and historical data of the company. The result of this study shows that the inventory management in PT BFM was not at optimum, due to inconsistent of inventory classification; significant inaccuracy of sales forecast; inaccuracy of overall equipment effectiveness (OEE); off schedule delivery date to customer. This study also finds that PT BFM has addressed those problems by revising the initial production schedule and providing buffer inventory. However, sales order cancellation due to unavailable finished goods still occurred, hence the production capacity of PT BFM was perceived as insufficient to meet customers’ demand. This study provides suggestions to improve the inventory management by classifying inventory with Always Better Control method, using single moving average method to calculate sales forecast, revising the calculation of quality component in OEE, buffer inventory, and changing the target sales achievement from monthly basis to weekly basis"

"Semakin meningkatnya kebutuhan masyarakat pada energi semakin mendorong berkembangnya teori manajemen permintaan energi. Indonesia sebagai negarayang mengalami peningkatan kebutuhan konsumsi premium masih membutuhkan perbaikan dalam tata kelolakebijakan energinya. Salahsatunya dalam melakukan peramalan. Oleh karena itu,Dibutuhkan suatu cara agar dapat melakukan peramalan konsumsi BBM premium di Indonesia.Dalam penelitian ini, peramalan dilakukandengan dua cara. Yaitu dengan menggunakan Multi Linear Regrresi dan Neural network. Hasil yang didapat menunjukkan bahwa metode Multi linear regresi memperoleh keakuratan yang lebih baik dibanding Neural network.

---

The increasing of energy consumption encouraging the development of energy demand management theory. Indonesia as a country which have increasing consumption premium fuel in few years is need to improve their energy policy, especially in forecasting. Therefore, there are need a methode to forecast premium demand in Indonesia. In this research, forecasting is done with using Multi Linear Regression and Neural Network. The result is the accuration of Multi Linear Regression methode better than the accuration of Neural network methode."

"Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini. Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Dari penelitian yang dilakukan, hasil peramalan dibandingkan dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar 13.75 . Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, 97.86 kl.

---

The growing of air transport, the economy and the facilities in the local area resulted in an increase in aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have preliminary data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don rsquo t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method.

ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. This research shown the results of forecasting compared to traditional and SARIMA method, and found that the hybrid method gives the best result, with MAPE error is 13.75 . And the total demand in the next period is 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, and 97.86 kl."