Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penjualan produk fesyen merupakan penjualan dengan tingkat kompetisi yang sangat tinggi dimana inventris merupakan faktor penting yang mempengaruhi permintaan produk dan keuntungan perusahaan. Produk fesyen merupakan produk dengan siklus hidup yang sangat singkat dimana suatu produk dapat digantikan dengan produk yang baru dalam jangka waktu yang sangat cepat. Kendala berupa kelebihan stok maupun kekurangan stok merupakan masalah yang sering terjadi. Perkiraan permintaan yang akurat untuk produk-produk tersebut sangat penting dalam mendorong operasi bisnis yang efisien dan mencapai keunggulan kompetitif yang berkelanjutan. Metode peramalan yang akurat sangat diperlukan dalam meramalkan produk fesyen karena beragamnya produk fesyen, selain itu produk fesyen memiliki data historis yang terbatas karena siklus hidupnya yang pendek. Oleh karena itu, sangat penting untuk mengembangkan metode peramalan yang berbeda untuk menganalisis tren permintaan produk ini. Dalam penelitian ini, skema peramalan dilakukan meggunakan metode hibrida klastering K-Means untuk melakukan agregasi terhadap beberapa jenis produk fesyen pada produk lama/produk historis, klasifikasi decision tree untuk meramalkan produk baru berdasarkan karakteristik produk lama, serta metode moving average untuk meramalkan penjualan berdasarkan time series pada produk baru.

---

Indonesian local fashion products are currently common in Indonesia because of highly level of competition where many business owner start their business in fashion local, higher demand from Indonesian citizen, efficient product development timeline and increasingly product diversity. The significant growth of Indonesian fashion local product has caused of a competitive business with the scope of Indonesian fashion local business. Accurate demand forecasting of such products become important in driving effective business especially in local fashion product and achieving a sustainable competitive advantage. In this study, forecasting demand of Indonesian local fashion product using hybrid method clustering K-means algorithm, classification method decision tree and moving average was conducted. Five independent variable/attribute descriptive was conducted to classify the item using decision tree classification method. They are color, size, material, price, and motif. In this research, the forecasting was performed as mid-term forecasting method. "

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%.

---

The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained."

"Peramalan permintaan LPG untuk rumah tangga di Indonesia dimana masyarakatnya menggunakan sumber energi tersebut sebagai komoditi utama dalam aktifitas memasak merupakan salah satu bagian terpenting yang digunakan oleh para pengambil keputusan dalam merencanakan sebuah kebijakan. Dalam studi awal rantai pasokan selalu mengedepankan sisi permintaan dalam menentukan langkah perencanaan selanjutnya, termasuk dalam perencanaan pengelolaan LPG di Indonesia. Kodisi saat ini dimana dengan semakin meningkatnya konsumsi LPG ditengah dominasi impor dan tantangan geografis dalam distribusi, seringkali terjadi deviasi antara perencanaan dan realisasi. Hal tersebut berdampak pada aspek biaya dan operasional dilapangan. PT Pertamina (Persero) sebagai perusahaan yang diberi penugasan, dituntut untuk dapat menjalankan bisnis secara effektif dan efisien. Dimana salah satu untuk mencapai tujuan tersebut adalah dengan melakukan estimasi yang lebih akurat mengenai permintaan LPG kedepan supaya dapat dijadikan referensi untuk perencanaan pengelolaan LPG. Tujuan penelitian ini adalah melakukan analisis konsumsi LPG untuk memperoleh model peramalan yang lebih baik dan akurat guna memproyeksikan kebutuhan LPG bulanan di Indonesia. Oleh karena itu, dilakukan analisis data realisasi konsumsi bulanan LPG sektor rumah tangga nasional mulai tahun 2015-2020 dengan menggunakan salah satu metode time series forcasting yaitu Autoregressive Integrated Moving Average (ARIMA). Hasilnya penelitian menunjukkan model yang diperoleh yaitu Sessional ARIMA (1,1,1)(1,1,1)12 mempunyai tingkat keakurasian yang sangat signifikan dengan nilai parameter akurasi MAPE (mean absolute percentage error) yang dihasilkan 1.7% dan MSE (mean square error) yang rendah sehingga termasuk dalam kriteria model yang mempunyai kemampuan peramalan yang sangat baik.

---

Forecasting LPG demand for households in Indonesia, where people use this energy source as the primary commodity in cooking activities, is one of the most important parts of planning a policy. In the initial study, the supply chain always prioritizes the demand side in determining the next planning step, including planning for LPG management in Indonesia. However, the current condition is that with the increasing consumption of LPG amid the dominance of imports and geographical challenges in distribution, there is often a deviation between planning and realization. The impact of this situation is cost and operational aspects in the field. Therefore, PT Pertamina (Persero), as the company assigned the task, is required to be able to run the business effectively and efficiently. One way to achieve this goal is to make a more accurate estimate of future LPG demand so that it can be used as a reference for LPG management planning. Therefore, this study analyzes LPG consumption to obtain a better and more accurate forecasting model to project monthly LPG demand in Indonesia. Thus, analyzing the monthly LPG consumption realization data for the national household sector from 2015-2020 was carried out using one of the time series forecasting methods, namely the Autoregressive Integrated Moving Average (ARIMA). The results showed that the model obtained is Sessional ARIMA (1,1,1)(1,1,1)12 had a very significant level of accuracy with the MAPE accuracy parameter value (mean absolute percentage error) the resulting 1.7% and MSE (mean square error) is low, so it is included in the criteria of a model that has excellent forecasting ability. "

"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."

"Perubahan pada jadwal pengiriman dan jumlah produk yang dilakukan oleh pelanggan di perusahaan make-to-order menyebabkan kegiatan produksi terhambat pada perusahaan suatu perusahaan kemasan fleksibel. Hal ini menyebabkan sering terjadinya perubahan jadwal produksi serta ketidaktersediaan bahan baku untuk proses produksi. Maka dari itu, peramalan diajukan untuk menanggulangi ketidakpastian permintaan. Penerapan peramalan permintaan dilakukan untuk melakukan Perencanaan Kebutuhan Bahan. Tujuan dari penerapan perencanaan kebutuhan bahan baku adalah dapat memastikan ketersediaan bahan baku serta dapat mengurangi jumlah persediaan. Dalam penelitian ini, metode ARIMA, Holt-Winter’s, dan Jaringan Syaraf Tiruan diajukan untuk meramalkan permintaan pelanggan. Objek pada penelitian ini adalah 3 produk pada perusahaan objek penelitian. Dengan penerapan perencanaan kebutuhan bahan baku, setiap kebutuhan bahan baku untuk permintaan selama bulan oktober hingga desember 2019 dapat terpenuhi. Dalam penelitian ini, ditemukan bahwa penerapan perencanaan kebutuhan bahan baku dapat memenuhi kebutuhan permintaan namun dapat meningkatkan jumlah persediaan dan biaya persediaan yang dikeluarkan. Maka dari itu, peramalan dapat dikatakan berhasil memprediksi permintaan untuk menanggulangi ketidakpastian dan perencanaan kebutuhan bahan baku dapat dijadikan opsi untuk diterapkan pada perusahaan make-to-order dengan permintaan yang tidak pasti.

---

Alteration of order quantiy and delivery schedule by the customer is disrupting the production activity in a make-to-order type production corporation. The uncertainty of quantity and schedule creates a frequent occurence of production rescheduling and material stock out for production activity. Forecasting is proposed to tackle the uncertainty of the order quantity and schedule. Material Requirements Planning is used to determine the schedule and quantity needed for each material. The object of this research is three products with the highest order frequency and quantity. In this study, the proposed forecasting methods are Autoregressive Integrated Moving Average (ARIMA), Holt-Winter’s method, and Artificial Neural Network. These method will be compared to know which method are the best for each product by considering the error measurement of the methods. After implementing Material Requirements Planning for the actual demand of october until december 2019. These methods can fullfill every material needed for each product. The findings in this study is Material Requirements Planning can provide the requirements for production while increasing the inventory level and inventory cost. This proves that these methods can be applied as an option for make-to-order production company with an uncertain quantity and schedule of order."

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"

Seiring dengan meningkatnya taraf hidup dan konsumsi masyarakat di Indonesia, permintaan produk Fast Moving Consumer Goods (FMCG) pun mengalami peningkatan khususnya produk FMCG pada kategori Nutrisi. Hal ini tentunya menjadi potensi keuntungan bagi perusahaan jika bisa memanfaatkan kondisi dengan baik. Untuk mengoptimalkan potensi yang ada, perusahaan perlu memastikan bahwa produknya bisa menjangkau masyarakat luas dengan tepat waktu, hal ini perlu didukung oleh rencana produksi yang baik. Hal utama yang menjadi acuan perusahaan memproduksi sebuah produk adalah peramalan permintaan di waktu yang akan datang. Peramalan akan menjadi acuan perusahaan untuk menentukan seberapa banyak produk yang harus diproduksi dalam kurun waktu tertentu. Peramalan yang baik akan membantu perusahaan untuk meningkatkan keuntungan dan meminimalisasi kerugian yang timbul akibat kesalahan dalam perhitungan produksi. Selain peramalan, perusahaan pun perlu menentukan jumlah safety stock dan reorder point untuk membantu perusahaan dalam memastikan bahwa stok yang dimiliki bisa terus memenuhi permintaan pasar.

---

Along with the increasing standard of living and public consumption in Indonesia, the demand for Fast Moving Consumer Goods (FMCG) products has also increased, especially for FMCG products in the Nutrition category. This is a great potential profit for the company if it can take the advantages of the conditions properly. To optimize the potential that exists, companies need to ensure that their products can reach the wider community at the right time, this needs to be supported by a good production plan. The main thing that becomes a reference for producing a product is forecasting demand in the future. Forecasting will be a reference for the company to determine how many products must be produced within a certain time. Good forecasting will help companies to increase profits and minimize losses arising from errors in production calculations. In addition to forecasting, companies also need to determine the amount of safety stock and reorder points to help companies ensure that their stock can continue to meet market demand.

"

"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."

"Permasalahan penyimpanan pasti dihadapi oleh semua instansi, terutama perusahaan yang melakukan produksi. Untuk menyelesaikan permasalahan yang ada, perusahaan menggunakan berbagai macam metode dalam manajemen penyimpanan (inventory management). Salah satunya adalah metode Economic Order Quantity (EOQ). Namun demand (permintaan) dalam metode EOQ dianggap konstan berdasarkan asumsi dalam metode EOQ. Pada kenyataannya permintaan terhadap barang tidak selalu sama setiap waktunya. Oleh dari itu, dalam penelitian ini dilakukan peramalan permintaan dengan menggunakan model peramalan Zhang’s Hybrid yang menggabungkan metode Autoregressive Integrated Moving Average atau ARIMA untuk menggambarkan bagian linear dan Artificial Neural Network untuk menggambarkan bagian nonlinear dari data permintaan. Hasil dari peramalan selanjutnya akan digunakan dalam metode EOQ untuk mendapatkan optimal quantity order dan optimal reordering level. Penelitian ini akan menunjukkan algoritma dan proses penyelesaian permasalahan inventory dengan menerapkan model Zhang’s hybrid untuk peramalan permintaan dalam metode EOQ dengan output berupa optimal quantity order dan optimal reordering level yang ditunjukkan melalui simulasi menggunakan data historis inventory.

---

Every instance in several sectors will face inventory problems, especially for company in production sector. To solve the inventory problems, the company will do several methods in inventory management. One of the method that usually used to solve inventory problem is Economic Order Quantity (EOQ) method. By standard EOQ assumption, the demand is set to be constant, while in the fact the demand is variative by time. Therefore, this study will use Zhang’s Hybrid Method for demand forecasting that use ARIMA to describe the linear part and use Artificial Neural Network to describe the nonlinear part of the data. The outcome from the method is used as demand for EOQ process to find the optimal quantity order and the optimal reordering level. The study provide solving algorithm and show how to apply Zhang’s hybrid model in demand forecasting for EOQ, the output of the process are optimal quantity order and the optimal reordering level. To understand more about the process, the algorithm are simulated using real historical inventory data."