Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSkripsi ini membahas tentang pengendalian persediaan bahan bakar minyak high speed diesel yang merupakan sumber energi untuk generator yang akan mensuplai kebutuhan energi listrik departemen proses dan pengolahan susu. Kekurangan persediaan BBM HSD sangat dihindari, karena akan menimbulkan biaya kegagalan proses yang cukup besar. Namun selama tahun 2008-2010 kekurangan persediaan masih sering terjadi, ini menunjukkan bahwa sistem pengendalian persediaan yang dilakukan oleh perusahaan belum optimal.Penelitian ini ingin mengetahui pengendalian persediaan yang optimal menurut metode Economic Order Quantity, kemudian diperbandingkan dengan metode perusahaan dari segi total biaya persediaan yang terjadi. Selain itu penelitian ini juga akan melakukan peramalan permintaan BBM HSD untuk tahun 2012 dan dari data permalan permintaan tersebut dicari jumlah pembelian yang dapat meminimumkan biaya langsung penyimpanan dan biaya kebalikannya yaitu biaya pemesanan BBM HSD.

---

ABSTRACTThis paper discusses about the inventory control system of high speed diesel fuel, which is the energy sources for generator that will supply the electrical energy needs of milk processing and milk treatment department. Stockout of HSD fuel is very avoided, because it will incur substantial failure cost of the process. But during the years 2008-2010 short supply are still common happened, this indicates that the inventory control system carried out by companies not yet optimal.This research wanted to find the optimal inventory control systems according to the methods of Economic Order Quantity, then compared with the inventory control methods of the company in terms of total inventory cost which happened. Moreover this study will also forecast the HSD fuel demand for year 2012 and from the forecasting result data will be processed to find the quantity number of purchase requests which can minimize the direct cost of holding inventories and the inverse cost of ordering HSD fuel."

"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."

"Pada proyek transportasi kereta api cepat biaya investasi, operasional dan pemeliharaannya begitu besar sehingga diperlukan ide dan inovasi untuk menarik pendapatan revenue agar biaya instasi serta biaya operasional dan pemeliharaan dapat tertutupi dalam jangka waktu tertentu. Untuk memprediksi revenue dilakukan pendekatan sistem dinamik yang dipercaya dapat menggambarkan potensi demand masing-masing daerah di kedua rute dipilih. Penelitian ini merupakan penelitian lanjutan yang bertujuan untuk meningkatkan revenue mengenai kelayakan investasi finance dengan konsep fungsi tambah pada Proyek Kereta Api Cepat Jakarta-Surabaya. Hasil penelitian ini menunjukkan bahwa nilai IRR untuk skenario multi fungsi pada kedua rute lebih besar daripada hanya single fungsi. Pada rute 1; skenario multi fungsi nilai IRR pada ketiga skenario tarif yaitu 6,98, 8,87, 10,97, sedangkan pada rute ke-2, nilai IRR yaitu 6,52, 8,59, 10,23.

---

High Speed Railways HSR Infrastructure projects very costly in investment and also in operational and maintenance cost, thereby it will need a better idea and inovation to attrack revenue in order to cover the investment cost and also operational and maintenance cost on certain of period. To predict revenue dinamic system approach used which can describe demand potential on lokal area in two routes chosens.

This research are continous research that aim to improve revenue about investment analysis with added function value on high speed railway project. The result shows that interntal rate of return on multi function more bigger rather than single function. On first route multi function IRR value on three tariff scenario are 6,98, 8,87, 10,97, whereas on second route, IRR value area 6,52 , 8,59 , 10,23."

"Saat ini terjadi kelebihan pasokan listrik di Jawa-Bali seiring beroperasinya PLTU dari program 35.000 Mega Watt. Untuk itu dibutuhkan prediksi kebutuhan energi listrik yang lebih akurat sebagai dasar perencanaan dan pengoperasian sistem tenaga listrik, serta peningkatan efisiensi sistem tenaga listrik. Mengembangkan model yang mencapai presisi peramalan tertinggi dalam konteks tenaga listrik telah menjadi objek studi di beberapa negara. Penelitian ini berusaha menemukan model prediksi konsumsi energi listrik di Indonesia menggunakan LSTM (Long Short Term Memory). LSTM merupakan jenis jaringan syaraf berulang (Recurrent Neural Network) yang sering digunakan untuk mengidentifikasi pola periodik dalam deret waktu (time series) karena merekam hubungan antara nilai yang berurutan. Pelatihan dan pengujian model menggunakan data konsumsi energi listrik dari Januari 2013 hingga Februari 2023 yang diperoleh dari laporan penjualan tenaga listrik PT PLN. Dilakukan percobaan dengan berbagai kombinasi nilai hyperparameter jumlah unit neuron dan jumlah epoch untuk masing-masing model prediksi konsumsi energi listrik Nasional, segmen Rumah Tangga, Bisnis, dan Industri. Evaluasi kinerja model diukur dengan MAPE (rata-rata persentase kesalahan absolut). Model prediksi konsumsi energi listrik nasional dapat memprediksi dengan baik dilihat dari nilai MAPE sebesar 2,212%. Dengan membandingkan akurasi model LSTM yang dibangun dengan prediksi manual yang dilakukan PLN per bulan, maka model LSTM yang dibangun mampu melakukan prediksi lebih akurat.

---

Currently, there is excess power or oversupply of power generation capacity in Jawa-Bali in line with the operation of the PLTU from the 35,000 Mega Watt program. For this reason, a more accurate prediction of electricity demand is needed as a basis for planning and operating the electric power system, as well as increasing the efficiency of the electric power system. Developing a model that achieves the highest forecasting precision in the context of electric power has been the object of study in several countries. This research seeks to find a predictive model of electricity consumption in Indonesia using LSTM (Long Short Term Memory). LSTM is a type of recurrent neural network (RNN) that is often used to identify periodic patterns in a time series because it records the relationship between successive values. Model training and testing uses electricity consumption data from January 2013 to February 2023 obtained from PT PLN's electricity sales report. Experiments were carried out with various combinations of hyperparameter values for the number of neuron units and the number of epochs for each prediction model for the National electricity consumption, the Household, Business and Industrial segments. Model performance evaluation is measured by MAPE (Mean Absolute Percentage Error). The National electricity consumption prediction model can predict well with MAPE value of 2.212%. By comparing the accuracy of the built LSTM model with manual predictions made by PLN per month, LSTM model was able to make more accurate predictions."