Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 174953 dokumen yang sesuai dengan query
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
cover
Muhammad Riefqi
Analisis Peramalan Permintaan Barang Consumer Goods dengan Menggunakan Neural network dan ARIMA = Forecast Analysis of Consumer Goods Demand Using Neural network and ARIMA
"Pertumbuhan ekonomi mengakibatkan tingkat konsumsi masyarakat meningkat, termasuk didalamnya adalah tingkat konsumsi barang consumer goods. Peningkatan tingkat konsumsi memberikan peluang bagi perusahaan-perusahaan untuk meingkatkan margin keuntungannya. Dengan persaingan dengan kompetitor yang begitu ketat, perencanaan produksi menjadi hal yang sangat vital bagi perusahaan. Peramalan jumlah permintaan barang yang akurat dibutuhkan untuk memperoleh operasi produksi yang efektif dan efisien. Metode ARIMA merupakan metode peramalan yang cukup populer untuk peramalan data time series dan terbukti memberikan hasil peramalan yang cukup akurat pada beberapa penelitian yang telah dilakukan sebelumnya. Sedangkan metode neural network memiliki keunggulan untuk mendeteksi pola nonlinear yang ada di dalam data sehingga memiliki performa yang baik saat digunakan untuk melakukan peramalan untuk data yang sifatnya nonlinear. Metode hybrid yang mengkombinasikan ARIMA dengan neural network juga diajukan dalam penelitian ini untuk menganalisis performa kombinasi model gabungan dalam melakukan peramalan. Dalam penelitian ini, neural network menjadi model dengan tingkat akurasi yang lebih baik dibandingkan metode lain.
Economic growth results in increased consumptions levels of the citizen, including the consumption level of consumer goods. An increased level of consumption provides opportunity for companies to raise the profit margin. With tight competition against the competitor, production planning is very vital for the company. Forecasting an accurate number of demands is required to obtain production operation which are efficient and effective. ARIMA is one of the forecasting method which is a fairly popular for forecasting time series data and proven to give a fairly accurate forecasting result based on some researches that has been done before. While neural network method has advantages for detecting nonlinear patterns in the data, resulting a good performance when forecasting for the nonlinear nature of data. Hybrid method which combines the ARIMA with neural network also proposed in this study to analyze the performance of combination forecasting models. In this study, the neural network model with a better accuracy than other methods.
Economic growth results in increased consumptions levels of the citizen, including the consumption level of consumer goods. An increased level of consumption provides opportunity for companies to raise the profit margin. With tight competition against the competitor, production planning is very vital for the company. Forecasting an accurate number of demands is required to obtain production operation which are efficient and effective. ARIMA is one of the forecasting method which is a fairly popular for forecasting time series data and proven to give a fairly accurate forecasting result based on some researches that has been done before. While neural network method has advantages for detecting nonlinear patterns in the data, resulting a good performance when forecasting for the nonlinear nature of data. Hybrid method which combines the ARIMA with neural network also proposed in this study to analyze the performance of combination forecasting models. In this study, the neural network. "
Depok: Fakultas Teknik Universitas Indonesia, 2013
S46090
UI - Skripsi Membership  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
Hadi Al Rasyid
Peramalan permintaan konsumsi BBM Premium di Indonesia dengan metode multi linear regresi dan neural network = Forecasting of Premium Fuel demand in Indonesia with using multi linear regression and neural neetwork methode
"Semakin meningkatnya kebutuhan masyarakat pada energi semakin mendorong berkembangnya teori manajemen permintaan energi. Indonesia sebagai negarayang mengalami peningkatan kebutuhan konsumsi premium masih membutuhkan perbaikan dalam tata kelolakebijakan energinya. Salahsatunya dalam melakukan peramalan. Oleh karena itu,Dibutuhkan suatu cara agar dapat melakukan peramalan konsumsi BBM premium di Indonesia.Dalam penelitian ini, peramalan dilakukandengan dua cara. Yaitu dengan menggunakan Multi Linear Regrresi dan Neural network. Hasil yang didapat menunjukkan bahwa metode Multi linear regresi memperoleh keakuratan yang lebih baik dibanding Neural network.
The increasing of energy consumption encouraging the development of energy demand management theory. Indonesia as a country which have increasing consumption premium fuel in few years is need to improve their energy policy, especially in forecasting. Therefore, there are need a methode to forecast premium demand in Indonesia. In this research, forecasting is done with using Multi Linear Regression and Neural Network. The result is the accuration of Multi Linear Regression methode better than the accuration of Neural network methode."
Depok: Fakultas Teknik Universitas Indonesia, 2016
T45434
UI - Tesis Membership  Universitas Indonesia Library
cover
Hutama Dwantara
Peramalan permintaan produk service parts menggunakan metode single exponential smoothing, croston S method dan artificial neural network = Demand forecasting of car service parts using single exponential smoothing croston S method and artificial neural network
"Perencanaan produksi pada sebuah industri, membutuhkan keputusan yang tepat untuk menentukan jumlah produksi agar dapat memenuhi permintaan konsumen tanpa menghasilkan stok berlebih. Peramalan permintaan merupakan salah satu faktor penting dalam perencanaan produksi yang mampu membantu menghasilkan keputusan produksi yang tepat.
Pada industri otomotif mobil, peramalan yang akurat sangat dibutuhkan untuk mengatasi permintaan yang tidak menentu, khususnya untuk produk service parts, yang pada kenyataannya memiliki permintaan yang tidak menentu dari konsumen dan seringkali membuat perusahaan mobil yang memproduksinya mengalami kerugian karena backorder atau overstock. Artificial neural network ANN merupakan suatu metode berbasis machine learning dengan cara kerja seperti otak manusia yang juga mampu melakukan peramalan untuk data dengan pola non-linier.
Pada penelitian kali ini, dilakukan peramalan dengan objek 10 jenis service parts berbeda dengan menggunakan metode artificial neural network yang kemudian dilakukan perbandingan dengan peramalan metode single exponential smoothing dan croston rsquo;s method untuk dapat membandingkan tingkat akurasi dari peramalan tersebut dan menghasilkan peramalan dengan metode yang paling akurat. Hasil perhitungan pada penelitian ini menunjukkan peramalan metode artifcial neural network mampu menghasilkan peramalan yang lebih akurat dibanding dua metode lain.
Production planning in an industry, required precise decisions to made in order to determine the amount of product that will be produced to fulfill the customer's demand without produce excess stock. Demand forecasting is one of the most important factor in production planning process that able to generate precise production decision.
The automotive industry like car manufacturer, always need an accurate demand forecast serve the uncertain demand of their products, especially the service parts product, that in fact always has uncertainity in it's demand and frequently causing the manufacturer company lose their profit due to tha backorder and overstock occurence. Artificial neural network is a machine learning computation method that could work similarly like human brain that also can forecast a non linier data.
In this research, the data is gained from the demand of 10 car's service parts in a car manufacturer and forecasted with artificial neural network and also two other methods, single exponential smoothing and croston's method to generate a forecasting with the most accurate method. The result of the calculation in this research shows that forecasting with artificial neural networks produce the most accurate forecast for the car's service parts demand."
Depok: Fakultas Teknik Universitas Indonesia, 2017
S67829
UI - Skripsi Membership  Universitas Indonesia Library
cover
Sameera Ramadhani
Prediksi Jumlah Penumpang Pesawat pada Maskapai Penerbangan di Indonesia dengan Metode ARIMA dan Artificial Neural Networks = Airline Passenger Forecasting in Indonesian Airline using ARIMA and Artificial Neural Networks Approaches
"Ketidakpastian jumlah penumpang pesawat meningkat karena kenaikan tren penggunaan pesawat sebagai pilihan moda transportasi di Indonesia beberapa tahun kebelakang. Hal ini menyebabkan dibutuhkannya kemampuan untuk mengakomodasi kenaikan tersebut bagi perusahaan penerbangan untuk mempertahankan posisinya dalam industri. Pembuatan strategi sangat dipengaruhi oleh keakuratan prediksi. Karena itu, model prediksi yang akurat sangat dibutuhkan. Penelitian ini menggunakan metode neural networks yang telah teruji sebagai metode berbasis data mining dengan hasil akurasi lebih tinggi dibandingkan dengan metode tradisional untuk membuat model terbaik untuk memprediksi jumlah penumpang pesawa. Sebagai perbandingan, metode Autoregressive Integrated Moving average (ARIMA) akan digunakan. Objek dari penelitian ini adalah data jumlah penumpang bulanan dari salah satu perusahaan penerbangan di Indonesia, berfokus pada dua rute utama dengan keuntungan terbesar yaitu rute Jakarta-Yogyakarta (CGK-JOG) dan rute Jakarta-Singapura (CGK-SIN), dimana masing-masing rute ini merepresentasikan rute domestik dan rute internasional. Prediksi selama 12 periode ke depan akan dilakukan dengan model terbaik dari masing-masing metode. Nilai mean absolute percentage error (MAPE) akan dibandingkan dan Theil’s U Statistic akan dilihat untuk menilai apakah model sudah representatif. Pada kedua rute, dapat dilihat bahwa metode neural networks menghasilkan nilai error yang lebih baik daripada ARIMA dengan nilai MAPE sebesar 1.29% untuk rute CGK-JOG dan 1.66% untuk rute CGK-SIN.
Demand uncertainty has been increasing as a result of the rising trend of using airplanes as a transportation mode option in Indonesia over the years. This condition results in the need for the ability to accommodate the rise for airline companies to withstand within the industry. Strategy formulation is highly determined by the forecast accuracy. Thus, accurate forecasting models are highly required. In this study, neural network is proposed to create the best-fitted model to predict future values. Neural network is a data mining-based approach that has already been tested to result in more accurate predictions than traditional methods. As a comparison with the traditional model, Autoregressive Integrated Moving Average (ARIMA) model is applied. This study used monthly passenger data from Indonesian airlines, focused on Jakarta-Yogyakarta (CGK-JOG) and Jakarta-Singapore (CGK-SIN) routes which are the representatives of the most profitable route for both domestic and international flight. MAPE of both methods were then compared and Theil’s U Statistic were calculated to see whether the models are suitable. Forecasted future demand for the next 12 months were calculated, where in both routes neural network produced better value than ARIMA with MAPE of 1.29% for CGK-JOG route and 1.66% for CGK-SIN route.
"
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Samsul Hilal
Analisis Peramalan Konsumsi Energi Primer di Indonesia dengan Metode ARIMA = Analysis of Forecasting Primary Energy Consumption in Indonesia with ARIMA Method
"Peramalan konsumsi energi memainkan peranan penting dalam pengambilan kebijakan. Peramalan konsumsi energi yang terlalu rendah berpotensi mengganggu aktifitas ekonomi, sedangkan peramalan konsumsi energi yang terlalu tinggi akan mengakibatkan suplai energi yang berlebihan. Tesis ini meramalkan konsumsi energi primer di Indonesia dengan menggunakan metode ARIMA. Tujuannya adalah untuk meramalkan konsumsi energi primer di Indonesia pada tahun 2025 dan melakukan kajian analisis komparatif tentang bauran energi tahun 2025 antara hasil peramalan dengan menggunakan ARIMA dan target pemerintah. Hasil peramalan menunjukkan konsumsi energi primer di Indonesia pada tahun 2025 sebesar 1802 juta SBM dengan komposisi bauran energi terdiri dari minyak bumi sebesar 39 persen, gas sebesar 17 persen, batubara sebesar 41 persen, energi air dan energi baru dan terbarukan (EBT) sebesar 3 persen.
Forecasting of energy consumption plays an important role in policy making. Underestimation of the energy consumption would lead to potential disrupt economic activity, whereas overestimation of the energy consumption would lead to excessive energy supply. This thesis forecasts the Indonesia's primary energy consumption using ARIMA method. The goal is forecasting the Indonesia?s primary energy consumption in 2025 and conducting a comparative analysis of the energy mix in 2025 between the forecasting results using ARIMA method and government targets. Forecasting results demonstrate Indonesia's primary energy consumption in 2025 amounted to 1802 million BOE with the composition of the energy mix consists of oil by 39 percent, gas by 17 percent, coal by 41 percent, hydropower and renewable energy (RE) by 3 percent."
Depok: Universitas Indonesia, 2013
T42168
UI - Tesis Membership  Universitas Indonesia Library
cover
Yusuf Qaradhawi
Peramalan permintaan produk insektisida dengan metode regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan = Demand forecasting of insecticides product using multi linear regression, fuzzy multi linear regression and artificial neural network
"Akurasi peramalan permintaan sangat mempengaruhi kinerja sistem rantai pasok yang pada akhirnya berdampak langsung terhadap kesuksesan bisnis perusahaan. Peramalan yang akurat akan mampu memanfaatkan sumber daya perusahaan secara effisien. Namun, banyak perusahaan yang mengakui bahwa proses peramalan mereka tidak berjalan sebaik yang mereka harapkan. Kebanyakan perusahaan hanya menggunakan data masa lalu untuk meramalkan permintaan dimasa mendatang. Padahal data permintaan masa lalu tidak cukup untuk dijadikan dasar perkiraan permintaan dimasa mendatang. Terdapat beberapa independent variabel yang mempengaruhi jumlah permintaan produk seperti iklim, promosi, kanibalisasi, hari raya, harga produk, jumlah toko, jumlah penduduk dan pendapatan yang selalu berubah seiring waktu. Oleh karena itu perlu dibangun model yang mampu mengakomodasi fenomena tersebut. Metode yang diusulkan adalah regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan. Makalah ini menyajikan langkah-langkah peramalan yang disertai studi kasus pada produk insektisida. Hasilnya menunjukan bahwa peramalan yang dihasilkan metode ini lebih baik dari pada hasil peramalan yang dilakukan perusahaan.
The accuracy of demand forecasting greatly influences the performance of the supply chain system which ultimately has a direct impact on the business perfomance. Accurate forecasting will be able to utilize company resources efficiently. However, many companies admit that their forecasting process is not going as well as they expected. Most companies only use historical data to forecast future demand. Whereas past demand data is not enough to be used as the basis for future forecasts. There are several independent variables that affect the number of product demand such as climate, promotion, cannibalization, holidays, product prices, number of stores, population and income that always change over time. Therefore it is necessary to build a model that is able to accommodate this phenomenon. The proposed method is multi linear regression, fuzzy multi linear regression and artificial neural networks. This paper presents forecasting steps accompanied by case studies on insecticide products. The results shown that the proposed forecasting method more accurate than company forecast."
Depok: Fakultas Teknik Universitas Indonesia, 2019
T53406
UI - Tesis Membership  Universitas Indonesia Library
cover
Rendra Satya Wirawan
Perbandingan peramalan permintaan antara Artificial Neural Network dan Support Vector Regression dengan metode tradisional
"Dengan terus bertambahnya industri pada berbagai bidang, membuat konsumen memiliki banyak pilihan ketika memilih barang atau jasa. Oleh karena itu dibutuhkan suatu cara agar dapat menghasilkan barang dengan tepat. Hal inilah yang menjadi peranan dari sebuah metode peramalan permintaan. Terdapat banyak cara dalam melakukan peramalan, namun cara manakah yang dapat memberikan hasil yang terbaik. ANN dan SVR merupakan salah satu cara yang memberikan hasil peramalan terbaik. Dalam penelitian ini, dibandingkan antara metode ANN dan SVR dengan metode tradisional. Dari enam jenis data yang digunakan empat menunjukan ANN memberikan peramalan terbaik, dan satu menunjukan SVR memberikan peramalan terbaik.
With the continuous increase of industry in many fields, making consumers to have many choices when choosing goods or services. Because of that, we need some way to produce good with the correct amount. This is the role of a demand forecast method. There are many methods in demand forecast, but which method that give the best result. ANN and SVR are one of many methods that will give the best forecast result. In this research, ANN and SVR method will be compared to the traditional methods. From six kinds of data that is used, four show that ANN give the best forecast result, and one shows SVR give the best forecast result."
Depok: Fakultas Teknik Universitas Indonesia, 2011
S775
UI - Skripsi Open  Universitas Indonesia Library
cover
Arian Dhini
Forecasting analysis of consumer goods demand using neural networks and arima
"Accurate forecasting of consumer demand for goods is extremely important as it allows companies to provide the right amount of goods at the right time. Autoregressive integrated moving average (ARIMA) is a popular method for forecasting time series data, and previous studies have shown that ARIMA can produce fairly accurate forecasting results. On the other hand, the neural network method has advantages in detecting non-linear patterns in data. In addition to these methods, the hybrid method, which combines the ARIMA and neural network methods, was applied in this study. A comparison analysis was conducted to determine the best performing model. In this study, the neural network model was found to be the most accurate."
Depok: Faculty of Engineering, Universitas Indonesia, 2015
UI-IJTECH 6:5 (2015)
Artikel Jurnal  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>