Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada periode pasca pandemi, banyak industri yang terdampak dikarenakan adanya perubahan perilaku dari masyarakat, salah satu industry yang terdampak adalah industri farmasi. Hal ini dapat menyebabkan terjadinya gangguan pada rantai pasok, yang nantinya dapat menyebabkan kekosongan barang atau stock yang berlebih. Gangguan ini dapat di mitigasi dengan menjalankan perencanaan permintaan yang memerlukan peramalan yang baik. Peramalan atau forecasting dapat di perbaikin dengan menggunakan alat, seperti machine learning. Penelitian ini akan berfokus pada produk obat over-the-counter (OTC) dimana produk dapat dijual bebas di toko-toko pada umumnya. Tujuan dari penelitian ini adalah mencari algoritma forecast yang terbaik dengan menggunakan software Python dengan cara membandingkan 3 Mean Average Percentage Error (MAPE) algoritma forecast yang sering digunakan: Metode SARIMA, XGBoost, dan Prophet. Hasil dari forecast ini disbanding dengan forecast awal yang dilakukan di Perusahaan, dan menunjukkan hasil forecast yang dihasilkan oleh machine learning memiliki accuracy yang lebih baik, dapat diartikan bahwa forecast mennginakn machine learning dapat digunakan untuk memperbaikin proses forecast produk farmasi untuk hasil yang lebih cepat dan akurat. Berdasarkan hasil perbandingan dari ketiga algoritma juga menunjukan metode forecast yang terbaik adalah prophet method karena menghasilkan MAPE terendah untuk lebih banyak produk.

---

During the post-pandemic period, many industries are impacted due to shifting behavior of the public, one of the industry which is widely impacted is pharmaceutical industry. This can cause a supply chain disruption which can cause either out of stock situations or overstock conditions. This can be mitigated by carrying out demand planning which requires good forecasting. Forecasting can be improved by utilizing tools, such as machine learning.

In this study, the focus will be on Over the Counter (OTC) drugs where the products can be found in many general stores. This study aims to find the best forecast algorithm using Python software for OTC products by comparing 3 commonly used algorithm, SARIMA, XGBoost and Prophet method. Based on the results of MAPE, the best forecast algorithm to use is the Prophet method, which generated a lower MAPE for the most products. In comparison to the original forecast, we also found the Machine Learnings to have a better forecast accuracy, represented by a lower MAPE. This results shows that machine learning could be used to improve the forecasting process of pharmaceutical products for a faster and more accurate planning."

"ABSTRAKPenelitian ini bertujuan untuk mengetahui dampak dari implementasi atau penerapan sistem kliring tersentralisi melalui Central Counterparty Clearing House CCP pada produk Over-the-Counter OTC Derivatif terhadap risiko sistemik di negara-negara yang telah menerapkan sistem CCP pada produk OTC Derivatifnya. Negara-negara tersebut termasuk Brazil, Amerika Serikat, Meksiko, Inggris, Perancis, Jerman, Italia, Jepang, Australia, Korea Selatan, China dan Hong Kong. Penelitian ini menggunakan metode regresi dengan data panel selama kurang lebih tujuh tahun yaitu dari Juli 2009 hingga November 2016 menggunakan data harian. Penelitian ini menemukan bahwa penerapan proses kliring melalui CCP pada produk OTC Derivatif secara signifikan mempengaruhi risiko sistemik di suatu negara dimana setelah adanya penerapan CCP pada produk OTC Derivatif risiko sistemik di negara tersebut menurun secara signifikan. Penelitian ini juga menemukan bahwa faktor dinamika pasar modal di suatu negara berpengaruh signifikan terhadap risiko sistemik di suatu negara.

---

ABSTRACTThis study aims to examine the impact of implementation of centralize clering system by Central Counterparty Clearing House CCP on Over the Counter OTC Derivatives product towards systemic risk in countries which implemented the system. These countries are Brazil, United States, Mexio, United Kingdom, France, Germany, Italy, Japan, Australia, South Korea, China and Hong Kong. This study uses panel data methodology, using annual data for a more than 7 years from July 2009 until November 2016 using daily basis data. The results of the study show that the implementation of CCP on OTC Derivatifs product significantly affects country rsquo s systemic risk which after the implementation of CCP on OTC Derivatifs product, country rsquo s systemick risk decrase significantly. This study also finds that dynamics of stock market factor significantly affect country rsquo s systemic risk."