Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 4 dokumen yang sesuai dengan query
cover
Muhammad Rais Haq
Peramalan dan Perencanaan Kebutuhan Bahan Baku untuk Produksi Make-To-Order pada Perusahaan Kemasan Fleksibel = Demand Forecasting and Material Requirements Planning (MRP) Implementation for Make-To-Order (MTO) Production in Flexible Packaging Company
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rinaldi Rusli
Prediksi kebutuhan batubara PLTU menggunakan data mining hybrid particle Swarm Optimization (PSO) dan Auto Regressive Integrated Moving Average (ARIMA) = Coal consumption prediction on Steam Power Plant Using Data Mining Hybrid Particle Swarm Optimization (PSO) and Auto Regressive Integrated Moving Average (ARIMA)
2019
TA-Pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Yosef Benyamin
Pemilihan metode peramalan untuk mendapatkan peramalan obat yang akurat dengan metode Single Exponential Smoothing (SES), Autoreggresive Integrated Moving Average (ARIMA), dan Artificial Neural Network (ANN) pada divisi farmasi di rumah sakit. = Selection of forecasting method that suitable for medicine forecasting in Hospital Supply Chain using Single Exponential Smoothing (SES), Autoregressive Integrated Moving Average (ARIMA), and Artificial Neural Network (ANN) in hospital pharmaceutical divi
"Peramalan merupakan salah satu hal yang dibutuhkan untuk mencapai tingkat manajemen rantai pasok yang baik. Peramalan dapat mencegah kelebihan pembelian dan juga menjaga ketersediaan barang dengan baik. Peramalan dapat menjadi salah satu metode untuk melakukan menjaga ketersediaan obat di rumah sakit. Obat sendiri merupakan salah satu barang yang sensitif dan reaktif, hal ini menyebabkan obat harus memiliki penyimpanan khusus dan tidak bisa disimpan dalam waktu lama. Dilain pihak, pada industri rumah sakit, ketersediaan obat harus selalu ada. Hal tersebut membuat rumah sakit harus memiliki peramalan obat yang akurat untuk menjaga ketersediaan obat dan mengurangi kelebihan pembelian dan penyimpanan obat dalam waktu lama. Penelitian kali ini akan membandingkan metode tiga metode peramalan, yaitu single exponential smoothing, autoregressive integrated moving average (ARIMA), dan artificial neural network (ANN). Penelitian ini bertujuan untuk melihat dan menganalisa metode peramalan yang paling baik dari ketiga metode yang ada. Penelitian kali ini akan mengambil data penjualan sebanyak 62 periode dari 3 jenis obat dengan kategori obat fast-moving, yaitu Rhinofed, Simvastatin, dan Betahistin. Berdasarkan hasil penelitian, peramalan dengan metode artificial neural network (ANN) memiliki nilai error yang kecil, sehingga nilai ketepatannya cukup besar. Jika dibandingkan dengan kedua metode lainnya peramalan dengan menggunakan metode artificial neural network masih memiliki nilai error yang paling kecil sehingga nilai ketepatan peramalannya yang paling besar. Hal tersebut menyimpulkan bahwa peramalan dengan metode artificial neural network (ANN) merupakan metode peramalan paling baik dari ketiga metode peramalan yang ada dan baik diimplementasikan di rumah sakit.
A forecast is one of the important aspects of a company to achieve a good supply chain management system. The forecast could help a company to avoid overstock conditions and ensure the availability of the product. Based on that concept, forecasts could also be used to ensuring the availability of medicine stock in hospitals. The medicine itself is one of the sensitive and reactive materials that make medicines need a very intense inventory condition and couldn't keep in a long period of time. On the other hand, hospitals need to ensure the availability of each medicine. Based on that condition, it is undoubtedly true that the forecast is needed in the hospital supply chain to ensure medicine availability and avoid overstocking. This research will compare three different methods of forecasting, that is single exponential smoothing (SES), autoregressive integrated moving average (ARIMA), and artificial neural network (ANN). The goal of this research is to find and analyze the best forecasting method suitable for the hospital supply chain. Three medicines that will be analyzed in this research are Rhinofed, Simvastatin, and Betahistin based on their title as fast-moving drugs using 62 periods of historical sales. As a result, the artificial neural network method has the smallest error and creates a better accuracy compared to another two methods. Even if every single method has its own strengths and weaknesses, the artificial neural network is the best method among the three methods that been proposed and could be implemented in the hospital supply chain."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dwiky Nugraha
Peramalan permintaan bahan bakar minyak jenis avtur di Tanjungpinang dengan metode arima dan neural network = Forecasting demand of avtur in Tanjungpinang with arima method and neural network
"Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini.
Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Dari penelitian yang dilakukan, hasil peramalan dibandingkan dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar 13.75 . Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, 97.86 kl.
The growing of air transport, the economy and the facilities in the local area resulted in an increase in aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have preliminary data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don rsquo t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method.
ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. This research shown the results of forecasting compared to traditional and SARIMA method, and found that the hybrid method gives the best result, with MAPE error is 13.75 . And the total demand in the next period is 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, and 97.86 kl."
Depok: Fakultas Teknik Universitas Indonesia, 2016
S66594
UI - Skripsi Membership  Universitas Indonesia Library