Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bahan bakar merupakan salah satu komponen yang paling penting dalam struktur biaya operasional sebuah moda transportasi. Tidak terkecuali pada industri penerbangan, dimana bahan bakar pesawat (Jet Fuel) turut berpartisipasi sebesar 33.33% dari total biaya operasional sebuah maskapai penerbangan. Guna meningkatkan efisiensi biaya, maskapai penerbangan memerlukan sistem monitoring harga bahan bakar yang dapat memberikan peramalan dengan akurat sebagai upaya agar maskapai dapat menentukan strategi yang dapat dijalankan untuk meminimalisir biaya bahan bakar pesawat. Dalam penelitian ini, dicoba beberapa teknik predictive analytics berbasis multivariate time series untuk melakukan monitoring dan peramalan terhadap harga transaksi bahan bakar pesawat. Agar lebih akurat, model peramalan dibuat dengan mempertimbangkan harga minyak mentah dunia, harga bahan bakar pesawat yang berlaku di dunia dan di setiap lokasi bandara, serta terdapat tambahan variabel yaitu aspek ekonomi yang berlaku di lokasi bandara. Metode yang digunakan adalah 2 metode pengembangan Recurrent Neural Network (RNN) yaitu: Long Short Term Memory (LSTM) dan Gate Recurrent Unit (GRU). Untuk meminimalkan risiko yang merupakan kekurangan dari LSTM dan GRU, maka kedua metode tersebut akan diintegrasikan dengan metode Vector Autoregression (VAR). Hasil dari kombinasi VAR-LSTM dan VAR-GRU menujukkan hasil dengan akurasi yang baik, yaitu 98.98% dan 99.40% secara berturut-turut.

---

Fuel cost is the most contributed component in the operational cost of all transportation modes. In the aviation industry, jet fuel cost contributed to a percentage of 33.33% of the total airline operational costs. To increase efficiency in operational costs and the airline should have jet fuel price monitoring systems that can forecast the future price and give some strategy recommendations to airlines. In this research, we propose many multivariate time series-based predictive analytics as a tool for the airline to monitor and forecast the jet fuel price transaction based on jet fuel transaction price. We consider the global crude oil price and also global and local jet fuel prices in each airport. We also consider additional variables for the economical aspect that applied differently for each airport location. We examine two Recurrent Neural Network (RNN) algorithm, Long Short Term Memory (LSTM) and Gate Recurrent Units (GRU). For minimizing the weakness of LSTM and GRU, we combine each methods with Vector Autoregression (VAR). After forecasting results using VAR-LSTM and VAR-GRU, we get forecasting accuracy of 98.98% and 99.40% respectively."

"Penelitian ini bertujuan untuk meningkatkan prediksi time series pada jaringan seluler dengan memasukkan variabel lagged ke dalam model peramalan yang berbeda. Penelitian ini berfokus pada memprediksi Total Traffic Volume (Payload) pada jaringan seluler menggunakan model statistik dan machine learning. Teknik feature engineering melibatkan pemilihan variabel lagged, termasuk beban PRB, CQI, dan pengguna RRC, bersama dengan variabel waktu. Model yang memasukkan variabel lagged tambahan, yaitu SARIMAX, LSTM Multi, dan SVR Multi, memiliki performa lebih baik daripada model sebanding univariat tambahan, dengan hasil RMSE yang lebih rendah, MAE yang lebih rendah, dan nilai R-squared yang lebih tinggi. Penelitian ini menekankan pentingnya memasukkan variabel lagged dan menghitung peningkatan akurasi peramalan pada model multi-variabel dibandingkan dengan model variabel tunggal. Temuan ini berkontribusi pada pemahaman tentang peramalan time series pada jaringan seluler dan memberikan panduan untuk prediksi traffic volume yang akurat.

---

This research aims to improve time series prediction in cellular networks by incorporating lagged variables into different forecasting models. The study focuses on predicting the Total Traffic Volume (Payload) in cellular networks using statistical and machine learning models. Feature engineering involves selecting lagged variables, including PRB load, CQI, and RRC users, along with time variables. The models incorporating additional lagged variables, namely SARIMAX, LSTM Multi, and SVR Multi, outperform their counterparts without additional variables, resulting in lower RMSE, MAE, and higher R-squared values. The study highlights the importance of incorporating lagged variable and calculates the improvement of forecasting accuracy at multi-variable models compared to single variable models. These findings contribute to the understanding of time series forecasting in cellular networks and provide insights for accurate traffic volume prediction."

"Dewasa ini, diperlukan inovasi yang berkelanjutan dalam industri manufatur untuk meningkatkan keandalan dan ketahanan dari seluruh aspek industri manufaktur. Untuk memenuhi kebutuhan tersebut, sudah terdapat strategi seperti preventive maintenance dan corrective maintenance untuk memastikan bahwa peralatan-peralatan manufaktur dapat dapat bekerja secara terus-menerus tanpa gangguan. Namun, metode yang sudah ini bersifat statis sehingga tidak bisa digunakan untuk menghadapi perubahan kondisi yang dinamis untuk memprediksi kondisi di masa depan. Salah satu metode untuk menanggulangi kekurangan tersebut adalah predictive maintenance, yang bertujuan untuk mendeteksi kegagalan dan kerusakan peralatan sebelum kerusakan tersebut terjadi. Pada tugas akhir ini diajukan sebuah metode berbasis data untuk motor listrik pabrik, yang memanfaatkan teknik analisis data yaitu state space time series forecasting untuk memprediksi nilai pengukuran motor listrik, dan algoritma pembelajaran mesin LSTM-RNN untuk memprediksi Remaining Useful Lifetime (RUL) dari motor listrik. Metode yang digunakan pada tugas akhir ini didasarkan pada pengukuran akurasi prediksi (RMSE dam NRMSE) dari kedua metode tersebut, dan pertimbangan terhadap kecepatan komputasi serta praktikalitasnya. Hasilnya adalah metode time series forecasting dapat memberikan nilai RMSE sebesar 0,6 dengan wakti komputasi 6,44 detik, sedangkan LSTM-RNN memberikan nilai NRMSE sebesar 0,03 dalam waktu komputasi 7 menit. Kedua metode menunjukkan akurasi dan waktu komputasi yang menjanjikan untuk diterapkan sebagai solusi yang praktikal.

---

In today's era, continuous innovation in the manufacturing industry is essential to improve the reliability and resilience of all aspects of manufacturing processes. To meet these demands, strategies such as preventive maintenance and corrective maintenance have been established to ensure that manufacturing equipment operates continuously without disruptions. However, these existing methods have a significant limitation: they are static and unable to adapt to dynamic changes in conditions or predict future states. One approach to address this limitation is predictive maintenance, which aims to detect equipment failures and malfunctions before they occur. This final project proposes a data-driven method for factory electric motors, leveraging data analysis techniques such as state space time series forecasting to predict electric motor measurement values, and the machine learning algorithm LSTM-RNN to predict the Remaining Useful Lifetime (RUL) of the electric motor. The methods employed in this study are evaluated based on prediction accuracy (using RMSE and NRMSE), computational speed, and practicality. The results indicate that the time series forecasting method achieves an RMSE of 0.6 with a computation time of 6.44 seconds, while the LSTM-RNN method achieves an NRMSE of 0.03 with a computation time of 7 minutes. Both methods demonstrate promising accuracy and computational efficiency, making them practical solutions for implementation."

"This textbook presents a practical approach to predictive analytics for classroom learning. It focuses on using analytics to solve business problems and compares several different modeling techniques, all explained from examples using the SAS Enterprise Miner software. The authors demystify complex algorithms to show how they can be utilized and explained within the context of enhancing business opportunities. Each chapter includes an opening vignette that provides real-life example of how business analytics have been used in various aspects of organizations to solve issue or improve their results. A running case provides an example of a how to build and analyze a complex analytics model and utilize it to predict future outcomes."

"ABSTRAKHarga bahan bakar berdampak pada berbagai macam industry terutama transportasi. Dalam hal fluktuasi harga bahan bakar jet, maskapai penerbangan lah yang akan mendapatkan dampak langsung karena mereka membutuhkan bahan bakar jet untuk operasional sehari-hari. Dampaknya juga mempengaruhi return dari harga saham mereka. Menggunakan data panel yang terdiri dari maskapai full service dan maskapai low cost, penelitian ini melihat hubungan berbeda dimana maskapai full service memiliki hubungan dengan market return dan harga bahan bakar tetapi maskapai low cost hanya memiliki hubungan dengan market return. Sementara jika data diklasifikasikan sebagai negara maju dan berkembang, hasilnya cukup menarik dimana harga saham maskapai di developed countries memiliki hubungan dengan pengembalian pasar, harga bahan bakar, dan perubahan biaya bahan bakar di dalam perusahaan. Namun pada negara berkembang/developing countries, return saham maskapai hanya memiliki hubungan dengan inflasi.

---

Harga bahan bakar berdampak pada area yang luas terutama transportasi. Dalam hal fluktuasi harga bahan bakar jet, maskapai penerbangan lah yang akan mendapatkan dampak karena mereka membutuhkan bahan bakar jet untuk kegiatan operasional. Untuk melihat dampak harga bahan bakar jet dalam pengembalian harga saham maskapai, penelitian ini menggunakan data panel yang terdiri dari perusahaan layanan penuh dan maskapai berbiaya rendah yang terdaftar. Dalam model efek acak, operator layanan penuh memiliki dampak pada pengembalian pasar dan harga bahan bakar, tetapi biaya rendah hanya berdampak pada pengembalian pasar. Sementara jika data diklasifikasikan sebagai negara berpendapatan menengah ke atas & menengah ke bawah, hasilnya menarik karena stok maskapai negara berpenghasilan menengah ke atas berdampak pada pengembalian pasar, harga bahan bakar, dan perubahan biaya bahan bakar di dalam perusahaan. Namun, di negara-negara menengah ke bawah, pengembalian saham maskapai hanya berdampak pada inflasi."