Hasil Pencarian  ::  Simpan CSV :: Kembali

"Peristiwa kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana yang terjadi secara berulang di Indonesia, khususnya saat musim kemarau. Peristiwa ini tentunya menimbulkan banyak kerugian baik secara ekonomi, ekologi, maupun sosial. Oleh karena itu, perlu dilakukan prakiraan di wilayah yang berpotensi mengalami karhutla. Salah satu provinsi yang rawan mengalami karhutla adalah Provinsi Sumatera Selatan. Peristiwa karhutla dapat dipantau oleh satelit yang diindikasikan sebagai titik panas. Penelitian ini menggunakan data hotspot (titik panas) dengan parameter tanggal, tingkat kepercayaan, dan kabupaten-kabupaten di Sumatera Selatan yang tertangkap satelit pada periode tahun 2015-2019. Prediksi potensi karhutla dilakukan di wilayah kabupaten dengan jumlah titik panas tertinggi yaitu Kabupaten Ogan Komering Ilir, Kabupaten Musi Banyuasin, dan Kabupaten Banyuasin. Untuk mencapai tujuan penelitian, penelitian ini menggunakan Prophet Forecasting Model (PFM) yang didasarkan pada model aditif dengan memperhatikan tiga komponen utama yaitu trend, seasonality, dan holiday effects. PFM merupakan metode yang menggunakan pendekatan machine learning dalam melakukan prediksi terhadap deret waktu dimana permasalahan forecasting dilihat sebagai curve-fitting exercise. Hasil analisis menunjukkan bahwa PFM dapat diimplementasikan pada data titik panas dengan penilaian forecast accuracy termasuk dalam kategori baik di Kabupaten Ogan Komering Ilir dengan nilai MAPE 0,1753; kategori layak di Kabupaten Musi Banyuasin dengan nilai MAPE 0,2588; dan kategori baik di Kabupaten Banyuasin dengan nilai MAPE 0,1833.

---

Forest and land fires are one of the recurring disasters in Indonesia, especially during the dry season. This incident certainly caused many losses economically, ecologically, and socially. Therefore, it is necessary to make predictions in high potential areas for forest and land fires to occur. One province that is prone to forest and land fires is South Sumatra Province. Forest and land fires events can be monitored by satellites which are indicated as hotspots. This research uses hotspot data with parameters of date, level of confidence, and regencies in South Sumatra that are caught by satellites in the period 2015-2019. The prediction of the potential for forest and land fires was carried out in districts with the highest number of hotspots, namely Ogan Komering Ilir Regency, Musi Banyuasin Regency, and Banyuasin Regency. To achieve the research objectives, this study uses the Prophet Forecasting Model (PFM) which is based on additive model by taking into account three main components, namely trend, seasonality, and holiday effects. PFM is a method that uses a machine learning approach to predict time series where forecasting problems are seen as curve-fitting exercises. The results show that PFM can be implemented in hotspot data with forecast accuracy in the good category for Ogan Komering Ilir Regency with MAPE value of 0.1753; reasonable category in Musi Banyuasin Regency with MAPE value of 0.2588; and good category in Banyuasin Regency with MAPE value of 0.1833."

"ABSTRAKIndustri otomotif di Indonesia sebagai pelopor proses industrialisasi masih saja menghadapi berbagai kendala terutama ekonomi biaya tinggi dan ineffisiensi . Masalah ini tidak terlepas dan faktor "remote environment" seperti teknologi dan perubahan politik ekonomi dunia dewasa Ini turut mempengaruhi perekonomian secara nasional. Disamping Itu faktor "operating environment" misalnya jumlah pemasok dan pesaing yang membawa konsekwensi besar jumlah persediaan yang tidak dapat dijual baik pada kendaraan penumpang dan niaga.Remote environment akan mempengaruhi operating environment. Banyaknya produk yang tidak dapat dipasarkan menunjukkan perusahaan tidak dapat mengantisipasi pasar dan pengunaan teknik forecasting yang naif. Oleh karena itu menarik penulis untuk menjawab permasalahan tersebut dengan menulis karya ini.Persaingan dalam industri otomotif kendaraan penumpang mengalami tingkat persaingan yang sangat tinggi didalam memperebutkan pangsa pasar terutama dikelas 1000 - 1300cc antara Indomobil dengan produk Suzuki Forsa dan Toyota Astra Motor yang memproduksi Toyota Starlet. Persaingan ini menyulitkan bagi kedua industriawan otomotif dalam melakukan perencanaan -perencanaan penjualan dan investasi.Dalam kaitan tersebut diatas penulis memberikan alternatif dengan memperkenalkan teknik forecasting yang sederhana dan andal. Forecasting akan sangat mempengaruhi keberhasilan dalam perencanaan investasi kini dan masa mendatang.Dari hasil forecasting penulis menyimpulkan, bahwa industri otomotif belum melakukan teknik forecasting yang tepat dan benar dalam melakukan perencanaan - perencanaan baik yang bersifat jangka pendek maupun jangka panjang. Besarnya persediaan kendaraan penumpang yang terjadi dewasa kini dikarenakan kelemahan dalam mengantisipasi pasar."

"PT. Metalock Indonesia sebagai salah satu perusahaan domestik yang bergerak dl bidang perbaikan kapal, sejak tahun 1989 telah memperoleh lisensi langsung dan resmi menjadi anggo ta Metalock International Associated, Ltd. Sebagal perusahaan keluarga, alih generasi pimpinan peru sahaan diharapkan merupakan salah satu cara untuk membawa perusahaan ke tingkat pertumbuhan yang lebih baik. Namun demi kian, dapat dikatakan perusahaan ini belum menjamah pasar yang menjadi sasarannya. Sebagian besar operasinya (kurang lebih 99 %) masih melayani perusahaan induk dan perusahaan anggota resmi lainnya serta dilakukan di luar negeri. Hal ini menyebabkan peluang yang dimiliki hilang begitu saja dan kemampuan - terutama dilihat dari segi waktu - perusahaan untuk mengembangkan pasarnya menjadi sangat terbatas. Dengan demikian tujuan utama menerima lisensi agar dapat memasarkan produk teknologi pengelasan dengan sistem ?Metalock? di Indone sia belum sepenuhnya dapat dìlaksanakan. Masalah utama yang dihadapi untuk pemasarari dalam negeri adalah perusahaan tidak mampu menerapkan strategi biaya terken dali (overall cost leadership) secara konsisten. Strategj ini sulit diterapkan karena perusahaan induk mendominasi penen tuan barga bahan baku. Jika dikaji lebih mendala, perusahaan dapat disebut seba gai pemimpin dalam hal teknologi dl bidangnya yaitu di pasar Industri perbaikan kapal, khususnya pada repairing Engine of Ships?. Di dalam, negeri tidak ada perusahaan lain yang memiliki teknologi yang dapat disamakan. Ketergantungan perusahaan akan rekomendasi perusahaan induk dan perusahaan anggota resmi lainnya, merupakan risiko besar yang mengandung ketidakpastian di masa yang akan datang. Oleh karena itu, perusahaan perlu melakukan forecasting yang bertujuan agar forecastnya bisa meminimumkan pengaruh ketidak pastian terhadap perusahaan. Masalah yang timbul adalah bagai mana memilih metoda forecast yang paling cocok untuk kondisi perusahaan. Dari berbagai analisis yang telah dilakukan maka dengan basis data historis dapat disimpulkan bahwa metoda dekomposisi merupakan metoda yang balk digunakan. Kondisi data histor-js menunjukkan bahwa pola demand perusahaan mempunyai pola yang agak kompleks, misalnya ada unsur kenaikan, berfiuk tuasi, dan tidak teratur. Untuk dianalisa dan diforecast seka ligus sangat sulit, sehfngga sebaiknya dilakukan dekomposisi (pemecahan) ke dalam 4 komponen (pola) perubahan yaltu trend, fluktuasi musiman, fluktuasi siklus, dan perubahan yang bersi fat random. Masing-masing pola perubahan dianalisis satu per satu, setelah ditemukan dlgabungkan menjadi nilal, taksiran, atau ramalan. Metoda ini cukup kompleks tetapi untuk kondisi perusahaan seperti ini cukup akurat untuk menghasilkan forecast mendekati apa yang akan terjadi. Selanjutnya untuk implementasi forecast ing perlu dilaksanakan strategi atau program pemasaran jangka pendek misalnya promosi yang efisien dan efektif serta program jangka panjang misalnya perluasan segmen pasar serta struk turisasi harga."

"Forecasting adalah salah satu metode data mining yang digunakan untuk meramalkan atau memperkirakan mengenai sesuatu yang belum terjadi. Pada dunia bisnis, forecasting biasa digunakan dalam menentukan keputusan bisnis untuk masa yang akan datang. Penelitian ini ingin menunjukkan implementasi forecasting untuk data penjualan organisasi yang bersifat irregular, dengan menggunakan dua metode forecasting yaitu simple moving average dan single exponential smoothing. Hasil forecasting kemudian divisualisasikan dalam bentuk dashboard. Penelitian ini menunjukkan secara umum metode single exponential smoothing memberikan prediksi yang lebih baik dibandingkan simple moving average dengan selisih nilai forecast error sebesar 18,62 untuk produk dan 20,46 untuk customer.

---

Forecasting is one of data mining method that is used to predict or estimate something that has not happened. On the business world, forecasting often used to determine business decision for the future. This research would like to show the implementation of forecasting for sales data organization that is irregular, with the use of two methods of forecasting, which are simple moving average and single exponential smoothing.

The forecasting result then visualized in dashboard form. This research shows in general, single exponential smoothing method provides better predictions than simple moving average with the difference between the value of forecast error of 18,62 for products and 20,46 for customers."

"Libraries in the USA and globally are undergoing quiet revolution. Libraries are moving away from a philosophy that is collection-centered to one focused on service. Technology is key to that change. The Patron Driven Library explores the way technology has moved the focus from library collections to services, placing the reader at the center of library activities. The book reveals the way library users are changing, and how social networking, web delivery of information, and the uncertain landscape of e-print has energized librarians to adopt technology to meet a different model of the library while preserving core values. Following an introduction, the first part begins with the historical milieu, and moves on to current challenges for financing and acquiring materials, and an exploration of why the millennial generation is transformational. The second part examines how changes in library practice can create a culture for imagining library services in an age of information overflow"

"Bagian Operasional Badan Meteorologi Klimatologi dan Geofisika hingga saat ini belum memiliki metode baku dalam memprakirakan cuaca jangka pendek. Metode yang selama ini digunakan adalah dengan analogi peristiwa cuaca yang telah lampau. Penelitian ini berusaha menjawab apakah metode pohon keputusan yang dihasilkan algoritma C4.5 dapat digunakan untuk memprakirakan cuaca jangka pendek? Bagaimana tingkat akurasi yang dapat diberikan oleh metode ini? Training data serta testing data yang digunakan dalam penelitian ini berupa data hasil pengamatan unsur cuaca rata-rata harian (temperatur udara, kelembaban udara, tekanan udara, kecepatan angin, arah angin, lama penyinaran matahari, dan curah hujan) yang diperoleh dari Stasiun Meteorologi 745 Kemayoran Jakarta. Sebagai training data digunakan data pengamatan unsur cuaca dari tahun 2002 hingga 2006 sedangkan testing data adalah data tahun 2007 dan 2008. Tingkat akurasi prakiraan cuaca yang dihasilkan metode pohon keputusan ini berkisar pada angka 40% hingga 80% untuk 2 kategori (hujan dan tidak hujan). Sedangkan untuk tingkat akurasi prediksi 6 kategori (tidak hujan, hujan sangat ringan, hujan ringan, hujan sedang, hujan lebat, dan hujan sangat lebat) berkisar pada angka 30% hingga 80%. Perbedaan akurasi dipengaruhi dari jenis musim testing data (musim hujan, pancaroba I, kemarau, dan pancaroba II). Metode pohon keputusan ini dapat digunakan untuk memprakirakan cuaca jangka pendek dimana akurasi yang dihasilkan telah diterima Badan Meteorologi Klimatologi dan Geofisika karena untuk 2 kategori, nilai akurasinya relatif berada diatas 60%.

---

The Operational of Badan Meteorologi Klimatologi dan Geofisika until now have no standardized method in doing short-range weather forecasting. They use analogical method in forecasting what the weather would be the day after. This research is conducted in order to discover whether decision tree method could be used to forecast weather for such a short period of time and also to discover how acurate this method could be. The research uses daily-monitored weather elements data such as temperature, humidity, pressure, wind speed, from where the wind blowing, sunshine, and precipitation. The data was gathered from Stasiun Meteorologi 745 Kemayoran Jakarta. Data measured during 2002-2006 is used as training data, and the one measured during 2007 and 2008 is used as testing data. Prediction accuracy resulted from this decision tree method is around 40% to 80% for 2-category prediction (rain and no-rain). And for 6-category prediction (no-rain, very-light-rain, light-rain, moderate-rain, heavy-rain, and very-heavy-rain), the accuracy is around 30% to 80%. The 6-category prediction accuracy differs from the 2-category prediction because the testing data was measured in different seasons and it causes the accuracy for rainy season testing data is lower than any other season in 6-category prediction. The conclusion that can be made is that decision tree method could be used as one of short-range weather forecasting methods since its prediction accuracy for 2-category is acceptable according to Badan Meteorologi Klimatologi dan Geofisika (relatively above 60%)."