Hasil Pencarian  ::  Simpan CSV :: Kembali

"Akurasi peramalan permintaan sangat mempengaruhi kinerja sistem rantai pasok yang pada akhirnya berdampak langsung terhadap kesuksesan bisnis perusahaan. Peramalan yang akurat akan mampu memanfaatkan sumber daya perusahaan secara effisien. Namun, banyak perusahaan yang mengakui bahwa proses peramalan mereka tidak berjalan sebaik yang mereka harapkan. Kebanyakan perusahaan hanya menggunakan data masa lalu untuk meramalkan permintaan dimasa mendatang. Padahal data permintaan masa lalu tidak cukup untuk dijadikan dasar perkiraan permintaan dimasa mendatang. Terdapat beberapa independent variabel yang mempengaruhi jumlah permintaan produk seperti iklim, promosi, kanibalisasi, hari raya, harga produk, jumlah toko, jumlah penduduk dan pendapatan yang selalu berubah seiring waktu. Oleh karena itu perlu dibangun model yang mampu mengakomodasi fenomena tersebut. Metode yang diusulkan adalah regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan. Makalah ini menyajikan langkah-langkah peramalan yang disertai studi kasus pada produk insektisida. Hasilnya menunjukan bahwa peramalan yang dihasilkan metode ini lebih baik dari pada hasil peramalan yang dilakukan perusahaan.

---

The accuracy of demand forecasting greatly influences the performance of the supply chain system which ultimately has a direct impact on the business perfomance. Accurate forecasting will be able to utilize company resources efficiently. However, many companies admit that their forecasting process is not going as well as they expected. Most companies only use historical data to forecast future demand. Whereas past demand data is not enough to be used as the basis for future forecasts. There are several independent variables that affect the number of product demand such as climate, promotion, cannibalization, holidays, product prices, number of stores, population and income that always change over time. Therefore it is necessary to build a model that is able to accommodate this phenomenon. The proposed method is multi linear regression, fuzzy multi linear regression and artificial neural networks. This paper presents forecasting steps accompanied by case studies on insecticide products. The results shown that the proposed forecasting method more accurate than company forecast."

"Penelitian ini bertujuan untuk membuat model peramalan yang efektif dalam meramalkan penjualan produk mobil dalam segmen B2B (Business to Business) agar didapatkan estimasi penjualan produk di masa mendatang. Peneilitian ini menggunakan regresi linear berganda dan jaringan syaraf tiruan yang dioptimasi dengan algoritma genetika.  Faktor peramalan penjualan mobil pada umumnya meliputi penjualan mobil secara nasional, Indeks Harga konsumen, Indeks Kepercayaan Konsumen, Laju Inflasi, Produk Domestik Bruto (GDP), dan  Harga Bahan Bakar Minyak (BBM). Penulis juga telah mendapatkan faktor yang berpengaruh dalam penjualan segmen B2B dengan menyebarkan survey (kuesioner) kepada 102 orang DMU (Decision Making Unit) yang memiliki keputusan dalam pembelanjaan mobil di perusahaan mereka. Kemudian hasil scoring dari kuesioner tersebut kami bobotkan pada data training dan simulasi pada Jaringan Syaraf Tiruan. Hasil penelitian ini menunjukkan bahwa Jaringan Syaraf Tiruan yang dioptimasi  dengan Algoritma Genetika dengan 18 Variabel dapat meningkatkan akurasi peramalan penjualan mobil segmen B2B dengan error 1,3503%, jika dibandingkan nilai error pada Jaringan Syaraf Tiruan biasa sebesar 4,173% dan Regresi Linear Berganda sebesar 17,68%.

---

ABSTRACTThis study aims to create an effective forecasting model in predicting sales of car products in the B2B segment (Business-to-Business) in order to obtain estimates of product sales in the future. This research uses multiple linear regression and artificial neural networks that are optimized by genetic algorithms. Car sales forecasting factors generally include National car sales, Consumer Price Index, Consumer Confidence Index, Inflation Rate, Gross Domestic Product (GDP), and Gasoline Price. The author has also obtained an influential factor in the sale of B2B segments by distributing surveys (questionnaires) to 102 DMU (Decision Making Unit) who have a decision in car purchasing at their company. Then the results of the scoring from the questionnaire are weighted to the training and simulation data on the Artificial Neural Network. The results of this study indicate that the Artificial Neural Network optimized with Genetic Algorithm can improve the accuracy of forecasting B2B segment car sales with an error of 1.3503%, when compared to the error value in the usual Artificial Neural Network of 4.173% and Multiple Linear Regression of 17.68 %."

"ABSTRAKGas alam adalah salah satu energi utama yang banyak digunakan di Indonesia. Pemanfaatan gas alam di berbagai aspek masyarakat telah mendorong gas alam untuk mendorong pertumbuhan ekonomi nasional. Pemanfaatan ini juga didorong oleh dukungan pemerintah untuk pengembangan infrastruktur gas alam dan tata kelola kebijakan energi. Untuk mendukung pengaturan pasokan dan pemanfaatan gas alam, diperlukan perencanaan alokasi gas alam jangka panjang. Langkah awal dalam merencanakan alokasi adalah untuk memperkirakan tingkat konsumsi gas alam di Indonesia. Penelitian ini memberikan gambaran tentang perkiraan konsumsi gas dengan dua metode yaitu menggunakan jaringan saraf tiruan dan regresi linear berganda. Berdasarkan hasil penelitian, diperoleh hasil nilai error menggunakan mean square error MSE adalah 0,0154 untuk regresi linear berganda dan 0,0117 untuk metode jaringan saraf tiruan sehingga dapat disimpulkan bahwa metode jaringan saraf tiruan lebih baik dalam memprediksi nilai konsumsi gas bumi. Serta dari hasil peramalan dengan kedua metode, terlihat adanya peningkatan permintaan gas alam untuk kebutuhan domestik Indonesia.

---

ABSTRACT Natural gas is one of the main energy that is widely used in Indonesia. Utilization of natural gas in various aspects of society has encouraged natural gas to boost national economic growth. This utilization is also driven by government support for the development of natural gas infrastructure and energy policy governance. To support the regulation of supply and utilization of natural gas, long term natural gas allocation planning is required. The first step in plotting allocations is to estimate the level of natural gas consumption in Indonesia. This study will provide an overview of the estimated gas consumption by two methods, namely using Artificial Neural Network and Multiple Linear Regression. Based on the result of research, error value using mean square error MSE is 0.0154 for multiple linear regression method and 0,0117 for artificial neural network method so it can be concluded that artificial neural network method is better in predicting the value of natural gas consumption. As well as from the results of forecasting with both methods, there is an increase in demand for natural gas for domestic needs of Indonesia"

"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."

"Pengurangan emisi karbon menjadi perhatian dalam pengembangan transportasi jalan raya. Kebijakan dan arahan pemerintah memegang peranan penting dalam kondisi saat ini. Penelitian ini bertujuan untuk mengestimasi total emisi karbon yang dipengaruhi oleh beberapa kondisi: volume kendaraan, kecepatan kendaraan, keterlibatan angkutan umum, dan penerapan kebijakan kendaraan ganjil genap menggunakan pemodelan sistem dinamik. Berdasarkan hasil tersebut terlihat bahwa keterlibatan angkutan umum dan efektifitas penerapan plat ganjil genap menurun tajam pada tahun 2030 menjadi 2,79E+05 ton CO2e dari 7,00E+11 ton CO2e. Kondisi tersebut berlaku untuk asumsi yang sama yaitu 40% efektivitas penerapan plat ganjil, rasio penghematan bahan bakar 16 km/l, total jarak tempuh 214 km, dan kecepatan kendaraan 70 km/jam. Oleh karena itu, peran Pemerintah dalam meningkatkan, menyediakan, atau menambah frekuensi angkutan umum sangat direkomendasikan dalam pengembangan ke depan.

---

Carbon emission reduction becomes a concern in the development of road transportation. Government policy and direction perform a vital role in the current condition. This study aims to estimate the total carbon emission influenced by several conditions: vehicle volume, vehicle speed, public transportation involvement, and implementation of odd-even vehicle plate policy using system dynamics modeling. According to the result, it is shown that the involvement of public transportation and the effectiveness of odd-even plate implementation has been decreased sharply in 2030 to 2,79E+05 tons CO2e from 7,00E+11 ton CO2e. That condition is applied for the same assumption of 40% the effectiveness oddeven plate implementation, fuel economy ratio 16 km/l, total travel distance 214 km, and speed vehicle 70 km/h. Therefore, the Government’s role in improving, providing, or adding public transportation frequency is highly recommended in future development."

"ABSTRAKPenelitian ini membahas tentang analisis data time series berdasarkan data laporan trafik DNS Sinkhole dari ID-SIRTII. Analisis ini terbagi menjadi dua yaitu analisis tren dan perbandingan performa dua metode forecasting berdasarkan jumlah aktivitas malware berbasis command and control C C selama tiga bulan awal tahun 2016 di Indonesia. Analisis tren dilakukan dengan mengelompokkan malware berdasarkan keluarga dan varian teraktif. Tren analisis menunjukan total aktivitas malware sebanyak 1452585872 yang terdiri dari 12 keluarga malware berbeda. Keluarga malware yang paling aktif yaitu berasal dari keluarga B85 Dorkbot dengan persentase 40,49 dari total keseluruhan aktivitas malware dalam tiga bulan tersebut. Varian teraktifnya yaitu B85-R2V dengan persentase 37 dari total keseluruhan aktivitas malware. Perbandingan performa forecasting menggunakan dua metode yang akan dibandingkan yaitu regresi linier berganda dan regresi dengan ARIMA error. Berdasarkan perbandingan nilai MAPE dalam prediksi jangka waktu 1 minggu, kedua metode hampir memiliki kemampuan yang sama dalam memprediksi 10 varian malware C C terbanyak. Sedangkan dalam jangka waktu 2 minggu, metode regresi dengan ARIMA error memberikan kemampuan prediksi yang lebih baik dibandingkan dengan metode regresi linier berganda.

---

ABSTRACT

This bachelor thesis discuss about time series data analysis of DNS Sinkhole traffics from ID SIRTII. There are two main sections of this analysis, trend analysis and performance comparison of two forecasting methods based on C C malware activities in the first three months of 2016 in Indonesia. Trend analysis is performed by grouping malware based on family and the 10 most active variants. It shows 1452585872 total activity of malware consist of 12 different malware families. The most active malware is come from B85 Dorkbot family with 40.49 of total malware activities in those three months. Its most active variant is B85 R2V with 37 of total malware activities. Performace comparison of forecasting methods use multiple linear regression and regression with ARIMA errors. Based on the comparison of MAPE values in one week prediction period, both methods almost have the same ability to predict the top 10 C C malware variants. While within 2 weeks prediction period, regression method with ARIMA errors gives better prediction ability compared with multiple linear regression method."

"Alokasi makanan adalah alokasi dasar di dalam rumah tangga yang seolah-olah mampu diberikan sama rata untuk setiap anggota rumah tangga terutama antar anak atau antar saudara kandung. Namun ada beberapa faktor yang bisa menyebabkan adanya perbedaan alokasi makanan antar saudara kandung. Dengan menggunakan data IFLS 4 dan 5 serta variasi makanan sebagai proksi alokasi makanan, studi ini membahas dua faktor yang berpengaruh terhadap alokasi makanan yaitu urutan kelahiran dan status pengaturan fertilitas yang tidak sempurna. Selain itu studi ini mencoba menjelaskan mekanisme efek urutan kelahiran menggunakan status pengaturan fertilitas yang tidak sempurna tersebut. Hasil pada studi ini menemukan bahwa adanya efek negatif urutan kelahiran di dalam alokasi makanan rumah tangga. Selain anak dengan status tidak diinginkan dan atau berada di keluarga tidak diinginkan akibat adanya status pengaturan kelahiran yang tidak sempurna cenderung variasi makanan yang lebih rendah. Namun studi ini tidak bisa menjelaskan secara kausalitas mekanisme dibalik efek negatif urutan kelahiran melalui status pengaturan kelahiran yang tidak sempurna.

---

Food allocation is a basic allocation within a household that as if the household is able to provide an equal allocation for each household member, especially between child or sibling. But there are several factors which can cause differences in the allocation of food between siblings. Using IFLS 4 and 5 data and food variation as proxy of allocation, this study discusses two factors that affect food allocation, birth order and imperfect fertility control status. Beside that, this study tries to explain the mechanism of birth order effects using the imperfect fertility control status. The results of this study found that there was a negative effect on birth order in household allocation of food. In addition children with unwanted status and/or live in unwanted families due to imperfect birth control status, tend to have lower food variations. However, this study cannot explain the causality of the mechanism behind the negative effects of birth order through imperfect birth control status.

"

"Skripsi ini membahas mengenai pengaruh lingkungan kerja terhadap pemipetan pada sebuah laboratorium pangan di bagian lab mikrobiologi. Pemipetan merupakan suatu kegiatan/pekerjaan pada sebuah laboratorium untuk mengambil larutan cair dengan jumlah/volume tertentu dan memindahkan larutan cair tersebut ke dalam media yang lainnya. Faktor lingkungan kerja yang dapat mempengaruhi pemipetan antara lain: cahaya, suhu ruang, tingkat kebisingan dari suara blower, dan kelembaban udara yang dapat mempengaruhi akurasi dari pipet tersebut. Penelitian ini menggunakan metode analisis regresi linier berganda. Dari penelitian ini diperoleh persamaan regresi linier Y = 351,099 + 0,696X1 + 0,609X2 - 1,181X3 - 0,274X4 dimana X1 merupakan cahaya dari lampu dengan daya lampu yang berbeda-beda, X2 merupakan suhu ruangan, X3 merupakan tingkat kebisingan yang dihasilkan oleh blower, dan X4 merupakan kelembaban udara. Dimana rumus tersebut diperoleh dari faktor lingkungan kerja sebagai berikut: Untuk faktor cahaya menggunakan lampu 18 W, 30 W, 36 W dan 58 W, sedangkan untuk faktor suhu berada di antara 18°C sampai 25°C, faktor kebisingan berada di antara 23 dB sampai 92 dB, dan faktor kelembaban di antara 51% sampai 84%. Dan dari hasil penelitian menunjukkan model regresi dapat menjelaskan sekitar 97,4% dari total variasi terhadap kinerja analis dalam pemipetan dan sisanya 2,6% dijelaskan oleh hal-hal lain.

---

This thesis discusses the influence of the work environment in a laboratory pipetting food in the microbiology lab. Pipetting is a work in a laboratory to take a liquid solution with the number/specific volume of liquid solution and move into other media. Work environment factors that can affect pipetting, include: light, temperature, noise level of the sound blowers, and air humidity can affect the accuracy of the pipette. This study uses the method of multiple linear regression analysis.

From this study obtained a linear regression equation Y = 351.099 + 0.696 X1 + 0.609 X2 - 1.181 X3 - 0.274 X4, where X1 is the light from the lamp with lamp power different, X2 be an air-conditioning, X3 is the noise level generated by the blower, and X4 is the air humidity. Where the formula is derived from the work environment factors as follows: for the factors of light using lamps 18 W, 30 W, 36 W and 58 W, while for the temperature factor is between 18°C to 25°C, the noise factor is between 23 dB to 92 dB, and the humidity factor of 51% to 84%. And the results showed regression model can explain about 97.4% of the total variation of the analyst's performance in pipetting and the rest 2.6% is explained by other things."

"Industri asuransi jiwa di Indonesia belakangan ini sedang mengalami tren positif, dengan mencatat kenaikan laba sebesar 148,05 pada tahun 2017, dari tahun sebelumnya. Perusahaan asuransi sampai sekarang pun masih berfokus pada pertumbuhan bisnis, namun metode yang akan diambil bukan lagi melalui marketing dan saluran agen, namun melalui metode kalkulasi yang baru untuk jumlah manfaat bagi produk-produk asuransi jiwa. Penghitungan manfaat dihasilkan dengan mempertimbangkan dua hal yang penting, yakni risiko dari pemegang polis, dan kondisi keuangan perusahaan. Penelitian ini berfokus pada klasifikasi risiko dari pemegang polis yang dilakukan dengan dua metode yakni regresi logistik dan jaringan saraf tiruan, yang menghasilkan bahwa metode jaringan saraf tiruan menghasilkan performa yang lebih baik dalam mengklasifikasikan risiko dibandingkan regresi logistik.

---

Life insurance businesses in Indonesia are currently developing at a significant pace. Stated by Otoritas Jasa Keuangan, life insurance businesses in Indonesia recorded 148,05 increase in their total income from December 2016, while already gaining positive results life insurance companies still aiming to extent their businesses by marketing and agency strategies, however life insurance companies currently are looking to extent their profits by formulating new models to calculate to value the policyholder. The insured value calculated by assessing risk the policyholder would face and by considering the company rsquo s financial status. This research focused on the risk classification process to assess the risk faced by the policy holder, by using logistic regression methods and neural network, and resulting a slight favor to neural network for having better results in classifying risks of policyholder."

"Integrasi antara data log dengan data seismik merupakan salah satu metode untuk melakukan prediksi terhadap suatu parameter log dalam area survei seismik. Analisa data dalam metode ini terdiri atas serangkaian data target log, yang dalam hal ini adalah log porositas dari beberapa sumur yang dikorelasikan dengan beberapa atribut seismik dari volume seismik 3D untuk menurunkan transformasi multi atribut dalam bentuk linear maupun non linear yang menghasilkan pemodelan terhadap parameter target log. Dalam transformasi linear, dihasilkan serangkaian konstanta bobot melalui metode least-square. Sedangkan pada transformasi non-linear diperlukan aplikasi Artificial Neural Network yang salah satunya adalah Probabilistic Neural Network (PNN). Untuk mengkalkulasi keberhasilan dari penurunan transformasi multi atribut, digunakan metode validasi silang. Nilai error yang dihasilkan melalui proses validasi ini menggambarkan nilai prediksi error ketika hasil transformasi multi atribut tersebut diaplikasikan kedalam volume seismik. Setelah didapatkan nilai korelasi yang optimum antara pemodelan log dengan log sebenarnya, selanjutnya dapat dibuat peta sayatan data (data slicing) yang menunjukkan penyebaran pororitas secara lateral yang dapat membantu menentukan zona persebaran porsitas tinggi yang merupakan indikasi prospek area reservoir hidrokarbon.

---

Integration between log data and seismic data is one of the method to predict log properties in seismic survey area. Data analysis in this method consists of series of target log data, which in this case is porosity log from some wells which correlate with seismic attributes from 3D seismic volume to derive linear or non linear multi attribute transform to product a predicted target log properties. In linear mode, the transformation consists of series of wheights derived by Least Square minimization. In non linear mode, application of Artificial Neural Network (ANN) is needed. One of the ANN which used in this research is Probabilistic Neural Network (PNN). To estimate the reliability of the derived multi attribute transform, crossvalidation method is used. Error that product from this validation method illustrate like prediction error when the transform is applied to seismic volume. After correlation value between predicted log and actual log obtained optimumly, a data slicing map showing the spreading of porosity lateraly can be made. This data slicing map abble to assist to determine high porosity spreading zone which is indicates the prospect area of hydrocarbon reservoir."