Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Peramalan beban listrik, juga dikenal sebagai Probabilistic Load Forecasting (PLF), memiliki peran penting dalam industri tenaga listrik, terutama dalam merencanakan operasi sistem tenaga, menjaga stabilitas, dan memfasilitasi perdagangan energi. Di Bandar Udara Internasional Soekarno-Hatta yang merupakan sebuah entitas komersial besar, peramalan yang akurat dan andal sangat penting untuk optimalisasi layanan, kepatuhan terhadap regulasi dan meningkatkan akurasi perencanaan konsumsi energi. Tujuan penelitian ini adalah menentukan model peramalan yang akurat untuk digunakan di Bandar Udara Internasional Soekarno-Hatta. Dalam penelitian ini, empat model berbeda diuji: Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX), serta dua model berbasis neural network, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Kemudian model ini diterapkan pada data historis harian yang dikumpulkan dari perusahaan operator bandar udara dengan rentang waktu 01 Januari 2022 hingga 31 Desember 2022. Hasil penelitian menunjukkan bahwa model LSTM mencapai performa terbaik dalam melakukan peramalan, dengan Mean Absolute Error (MAE) 12.79, Root Mean Square Error (RMSE) 15.47, dan Mean Absolute Percentage Error (MAPE) 1.91%. Sehingga berdasarkan hasil penelitian, model LSTM dapat digunakan untuk meningkatkan akurasi perencanaan konsumsi listrik harian di Bandar Udara Internasional Soekarno-Hatta dan fasilitas serupa lainnya.

---

Electric load forecasting, also known as Probabilistic Load Forecasting (PLF), plays a crucial role in the electricity industry, particularly in planning power system operations, maintaining stability, and facilitating energy trading. At Soekarno-Hatta International Airport, which is a large commercial entity, accurate and reliable forecasting is essential for service optimization, regulatory compliance, and improving the accuracy of energy consumption planning. The aim of this study is to identify an accurate forecasting model to be used at Soekarno-Hatta International Airport. In this study, four different models were tested: Seasonal Autoregressive Integrated Moving Average (SARIMA), SARIMA with Exogenous (SARIMAX), and two neural network-based models, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). The models were subsequently utilized on the daily historical data gathered by the airport operating firm from January 1, 2022, to December 31, 2022. The research findings demonstrated that the LSTM model was the most effective in terms of forecasting performance, with Mean Absolute Error (MAE) of 12.79, Root Mean Square Error (RMSE) of 15.47, and Mean Absolute Percentage Error (MAPE) of 1.91%. Therefore, based on the research findings, the LSTM model can be used to improve the accuracy of daily electricity consumption planning at Soekarno-Hatta International Airport and other similar facilities."

"Pembangkit Listrik Tenaga Bayu (PLTB) merupakan salah satu energi terbarukan yang cukup populer dan sudah banyak dikembangkan karena kelebihannya sebagai energi bersih, berbahan bakar murah, serta biaya investasinya yang cenderung semakin ekonomis. Tetapi di sisi lain PLTB termasuk pembangkit bersifat intermiten yang disebabkan adanya fluktuasi alami (variability) dan kesalahan prediksi (uncertainty) dari daya keluaran PLTB tersebut. Kondisi ini berpotensi menyebabkan gangguan sistem serta pemadaman listrik konsumen yang cukup besar, bahkan sampai terjadi blackout. Untuk itu diperlukan model integrasi PLTB yang tepat dalam menentukan kebutuhan tambahan cadangan operasi yang optimal sebagai antisipasi sifat intermiten PLTB tersebut, sehingga sistem tenaga listrik dapat tetap beroperasi secara andal dan ekonomis.Penelitian ini bertujuan menentukan model algoritma untuk menghitung kebutuhan tambahan cadangan operasi harian yang dinamis dan optimal pada integrasi PLTB di sistem Sulawesi bagian Selatan (Sulbagsel). Dengan menggunakan usulan algoritma Multi-Stage Statistical Approach (MSSA) maka dapat diketahui karakteristik daya keluaran PLTB pada sistem Sulbagsel. Kemudian hasil analisa tersebut diolah dengan menggunakan usulan algoritma Seasonal Daily Variability and Uncertainty (SDVU) berbasis Hybrid Artificial Intelligence (Hybrid AI) untuk memprediksi pola variability dan uncertainty dari data yang ada untuk menghitung parameter Dynamic Confidence Level (DCL). Hasil DCL tersebut kemudian digunakan untuk menghitung kebutuhan optimal tambahan cadangan operasi harian yang dibutuhkan.Dari beberapa alternatif Hybrid AI yang digunakan, diketahui bahwa kombinasi Seasonal Auto Regressive Moving Average (SARIMA) dan Long Short-Term Memory (LSTM) menghasilkan prediksi yang paling akurat dan konsisten, baik untuk data variability maupun uncertainty. Dampak signifikan dari penelitian ini ditunjukkan dengan adanya potensi penghematan biaya bahan bakar pembangkit rata-rata sekitar 250 milyar rupiah per tahun untuk kebutuhan tambahan cadangan operasi saat dibandingkan dengan metoda eksisting yang menggunakan parameter Static Confidence Level (SCL) dengan tingkat keandalan yang sama.

---

Wind Power Plant (WPP) is part of renewable energy which is quite popular and has been widely developed due to its advantages as clean energy, cheap fuel, and decreasing trend of its investment cost. But on the other hand, WPP is part of Variable Renewable Energy (VRE) due to natural fluctuation (variability) and forecast errors (uncertainty) of the wind power output. This situation has the potential to cause significant system disturbance and costumer power outages, even blackouts. For this reason, a WPP integration model is needed in determining the optimum operational operating reserve to anticipate of the intermittent nature of the WPP, so that the electric power system can be operated reliably and economically.

This study aims to determine the algorithm model to calculate the need for additional dynamic and optimal daily operational reserves for the integration of WPP in the Southern Sulawesi power system. By using the first proposed method, Multi-Stage Statistical Approach (MSSA) algorithm, the characteristics of the wind power output can be discovered. Then the results of the analysis are processed using the second proposed method, Seasonal Daily Variability and Uncertainty (SDVU) algorithm based on Hybrid Artificial Intelligence (Hybrid AI) to forecast variability and uncertainty patterns of the observed data in calculating Dynamic Confidence Level (DCL) parameters. The DCL results are then used to determine the optimal daily additional operating reserve.

Among the Hybrid AI variants, it is concluded that the combination of Seasonal Auto Regressive Moving Average (SARIMA) and Long Short-Term Memory (LSTM) produces the most accurate and consistent forecast, both for variability and uncertainty data. The significant impact of this research is indicated by the potential cost savings of around 250 billion rupiah per year on average for additional operational reserves when compared to the existing method using Static Confidence Level (SCL) parameters with the same level of reliability."

"Industri farmasi di Indonesia menunjukkan pertumbuhan signifikan, namun menghadapi tantangan dalam manajemen persediaan dan peramalan penjualan. Produk farmasi memiliki masa simpan terbatas dan permintaan yang fluktuatif, sehingga peramalan yang akurat sangat penting untuk mengurangi risiko overstock dan stockout. Penelitian ini membandingkan akurasi metode peramalan time series untuk data penjualan perusahaan farmasi menggunakan metode SARIMA dan Holt-Winters Exponential Smoothing. Tujuan penelitian adalah menentukan metode peramalan paling efektif untuk meningkatkan efisiensi manajemen persediaan di industri farmasi. Data yang digunakan adalah penjualan historis dari Februari 2019 hingga Agustus 2023. Hasil penelitian menunjukkan bahwa metode SARIMA memberikan rata-rata MAPE sebesar 37,06%, lebih baik dibandingkan metode Holt-Winters Exponential Smoothing yang memiliki rata-rata MAPE sebesar 43,99%. Penelitian ini diharapkan dapat berkontribusi pada peningkatan manajemen persediaan dan operasional di industri farmasi Indonesia.

---

The pharmaceutical industry in Indonesia shows significant growth but faces challenges in inventory management and sales forecasting. Pharmaceutical products have limited shelf lives and fluctuating demand, making accurate forecasting crucial to reduce the risks of overstock and stockout. This study compares the accuracy of time series forecasting methods for pharmaceutical company sales data using SARIMA and Holt-Winters Exponential Smoothing methods. The objective of this research is to determine the most effective forecasting method to improve inventory management efficiency in the pharmaceutical industry. The data used comprises historical sales from February 2019 to August 2023. The results indicate that the SARIMA method achieves an average MAPE of 37.06%, outperforming the Holt-Winters Exponential Smoothing method, which has an average MAPE of 43.99%. This study is expected to contribute to the improvement of inventory management and operations in Indonesia's pharmaceutical industry."

"Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan yang memiliki nilai ekonomi yang tinggi bagi negara Indonesia, karena hasil dari perkebunan kelapa sawit dapat meningkatkan devisa negara.  Perkebunan kelapa sawit dapat menciptakan lapangan pekerjaan bagi masyarakat Indonesia, sehingga dapat mengurangi angka pengangguran di Indonesia. Perkebunan kelapa sawit di Indonesia telah menyebar ke berbagai daerah, selain terdapat di pulau Sumatera dan Kalimantan, kini perkebunan kelapa sawit hampir terdapat di berbagai daerah di Indonesia baik perkebunan berskala kecil maupun perkebunan berskala besar. Periode produksi kelapa sawit yang digunakan adalah dari Januari 1997 hingga Desember 2023 yang diperoleh dari website PT. X atau data dokumentasi di PT. X. Pada penelitian ini data dibagi menjadi 4 skenario data dengan menggunakan metode Time Series Cross Validation (TSCV). Hasil penelitian menunjukkan bahwa Model LSTM (Long Short-Term Memory) dengan skenario data 1 jumlah neuron 32, dan jumlah epoch 50 memiliki performa yang terbaik dengan nilai akurasi 85.91%. Model SARIMA (Seasonal Autoregressive Integrated Moving Average) dengan skenario data 4 dengan model ARIMA(0,1,1)×(1,1,1)₁₂ memiliki performa yang terbaik dengan nilai akurasi 93.72 %. Sehingga berdasarkan hasil penelitian, Model terbaik diperoleh pada penelitian ini adalah Metode SARIMA menunjukkan nilai MAPE (Mean Absolute Percentage Error) yang lebih kecil dibandingkan Metode LSTM. Secara keseluruhan, kedua metode (SARIMA dan LSTM) mendapatkan akurasi yang cukup baik karena kedua model menghasilkan akurasi yang lebih dari 85%.

---

Oil palm plant (Elaeis guineensis Jacq.) is a plantation cropthat has a high economic value forIndonesia, because  the results of oil palm plantations can increase the country's foreign exchange. Oil palm plantations can create jobs for the people of Indonesia, thus reducing unemployment in Indonesia. Oil palm plantations in Indonesia have spread tovarious regions, besides being found on the islands of Sumatra and Kalimantan, now oil palm plantations are almost found in various regions in Indonesia both small-scale plantations and  large-scale plantations. This research uses historical data in the form of monthly palm oil production to predict the price of strategic food commodities. The period of palm oil production used is from January 1997 to December 2023 obtained from the website of PT. X or documentation data at PT. X. In this study the data was  divided into 4 data scenarios using the Time  Series Cross Validation (TSCV) method. The results showed that the Long Short-Term Memory (LSTM) model with data scenario 1, the number of neurons 32, and the number of epochs 50 had the best performance with an accuracy value of 85.91%. The SARIMA (Seasonal Autoregressive Integrated Moving Average) model with data scenario 4 with the ARIMA (0,1,1)×(1,1,1)₁₂ model has the best performance with an accuracy value of 93.72%. So based on the research results, the best model obtained in this study is the SARIMA method which shows a smaller MAPE (Mean Absolute Percentage Error) value than the LSTM method. Overall, both methods (SARIMA and LSTM) get pretty good accuracy because both models produce more than 85% accuracy."

"This article attempts to socialize Box-Jenkins method (ARIMA model) for forecasting. Steps in using the method are model identification, estimation, diagnostic checking (testing) and forecasting. It also introduces variation of the method such as ARIMA which consider seasonal factor (SARIMA model) and combination between regression and ARIMA model (MARMA model). In the last part, It shows how to forecast composite stock price index in Jakarta Stock Exchange and nominal exchange rate of Rupiah per US dollar using the method."

"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."