Hasil Pencarian  ::  Simpan CSV :: Kembali

"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.

"

"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."

"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."

"Penelitian ini bertujuan untuk membuat model peramalan yang efektif dalam meramalkan penjualan produk mobil dalam segmen B2B (Business to Business) agar didapatkan estimasi penjualan produk di masa mendatang. Peneilitian ini menggunakan regresi linear berganda dan jaringan syaraf tiruan yang dioptimasi dengan algoritma genetika.  Faktor peramalan penjualan mobil pada umumnya meliputi penjualan mobil secara nasional, Indeks Harga konsumen, Indeks Kepercayaan Konsumen, Laju Inflasi, Produk Domestik Bruto (GDP), dan  Harga Bahan Bakar Minyak (BBM). Penulis juga telah mendapatkan faktor yang berpengaruh dalam penjualan segmen B2B dengan menyebarkan survey (kuesioner) kepada 102 orang DMU (Decision Making Unit) yang memiliki keputusan dalam pembelanjaan mobil di perusahaan mereka. Kemudian hasil scoring dari kuesioner tersebut kami bobotkan pada data training dan simulasi pada Jaringan Syaraf Tiruan. Hasil penelitian ini menunjukkan bahwa Jaringan Syaraf Tiruan yang dioptimasi  dengan Algoritma Genetika dengan 18 Variabel dapat meningkatkan akurasi peramalan penjualan mobil segmen B2B dengan error 1,3503%, jika dibandingkan nilai error pada Jaringan Syaraf Tiruan biasa sebesar 4,173% dan Regresi Linear Berganda sebesar 17,68%.

---

ABSTRACT

This study aims to create an effective forecasting model in predicting sales of car products in the B2B segment (Business-to-Business) in order to obtain estimates of product sales in the future. This research uses multiple linear regression and artificial neural networks that are optimized by genetic algorithms. Car sales forecasting factors generally include National car sales, Consumer Price Index, Consumer Confidence Index, Inflation Rate, Gross Domestic Product (GDP), and Gasoline Price. The author has also obtained an influential factor in the sale of B2B segments by distributing surveys (questionnaires) to 102 DMU (Decision Making Unit) who have a decision in car purchasing at their company. Then the results of the scoring from the questionnaire are weighted to the training and simulation data on the Artificial Neural Network. The results of this study indicate that the Artificial Neural Network optimized with Genetic Algorithm can improve the accuracy of forecasting B2B segment car sales with an error of 1.3503%, when compared to the error value in the usual Artificial Neural Network of 4.173% and Multiple Linear Regression of 17.68 %."

"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."

"As an extension of artificial intelligence research, artificial neural networks (ANN) aim to simulate intelligent behavior by mimicking the way that biological neural networks function. In Artificial Neural Networks, an international panel of experts report the history of the application of ANN to chemical and biological problems, provide a guide to network architectures, training and the extraction of rules from trained networks, and cover many cutting-edge examples of the application of ANN to chemistry and biology. In the tradition of the highly successful Methods in Molecular Biology series, this volume exhibits clear, easy-to-use information with many step-by-step laboratory protocols."

"Identifikasi sistem dinamik merupakan tahapan awal dalam melakukan perancangan algoritma kendali pada suatu sistem dinamik. Namun, pada sistem dinamik yang multivariabel, tidak linier dan kopling tinggi-seperti pada misil AIM-9L Sidewinder-identifikasi sistem dinamik umumnya akan gagal dan sering terjadi simplifikasi pada sistem yang diidentifikasi, seperti dekopling dan linearisasi sistem. Pada penelitian ini, identifikasi sistem dinamik misil dilakukan dengan menggunakan algoritma artificial neural network dengan harapan karakteristik sistem dinamik tetap terjaga dengan baik. Penerbangan misil dilakukan dengan menggunakan simulator X-Plane dan akuisisi data penerbangannya dilakukan menggunakan bahasa pemrogramman python. Penerbangan dilakukan dengan sinyal referensi swept-sine dan zig-zag untuk mancakup banyak kemungkinan penerbangan misil. Hasilnya, artificial neural networks dapat melakukan pemetaan pola sistem dinamik misil dengan standardized MSE 7.155x10^(-2).

---

Dynamical system identification is the very first step in designing a control algorithm on a dynamic system. However, in the multivariate, nonlinear and coupled dynamical system-like the AIM-9L Sidewinder missile-dynamical system identifications are often failed and oversimplified the dynamical system, such as decoupling and linearization. In this research, system identification is done by using artificial neural networks algorithm with expectations that its characteristics will be maintained well. The missile flights are done by using the X-Plane flight simulator and the acquisition process is done by using python language. The flights use swept sine and zig-zag references to cover lots of missile flight conditions possibility. As a result, artificial neural networks can do missile dynamical pattern mapping with 7.155x10^(-2) standardized mean squared errors."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"Salah satu kelemahan yang dihadapi saat bekerja dengan mesin angkatan laut adalah korosi, yang selanjutnya menyebabkan kerusakan parah pada kapal. Oleh karena itu, diperlukan proteksi khusus bagi kapal angkatan laut untuk mencegah terjadinya korosi tersebut. Skripsi ini bertujuan untuk melokalisasi kerusakan multiple coating yang terjadi pada lambung kapal menggunakan model kapal generik yang dikombinasikan dengan jaringan syaraf tiruan (JST). Simulasi numerik menggunakan perangkat lunak FEM COMSOL Multiphysics dilakukan untuk menghitung tanda tangan potensial listrik bawah air (UEP) yang sesuai. Kerusakan lapisan yang disebutkan di atas didefinisikan di permukaan lambung secara acak dan arus yang dipengaruhi oleh sistem perlindungan katodik arus terkesan (ICCP) serta tanda tangan UEP digunakan sebagai parameter input untuk melatih ANN untuk lebih melokalisasi kerusakan lapisan. Kerusakan lapisan ganda dilacak secara terpisah karena sangat kecil kemungkinan kerusakan lapisan tersebut terjadi secara bersamaan ketika kapal berada dalam kondisi perairan terbuka.Akurasi prediksi dievaluasi oleh JST terlatih dan diuji lebih lanjut untuk model kapal sektoral masing-masing menggunakan 8 dan 12 sektor. Dengan metode deep learning ini didapatkan akurasi sekitar 80% untuk kerusakan lapisan pertama, namun akurasi untuk lokalisasi kerusakan lapisan kedua hanya mencapai 40% dengan model kapal generik mempertimbangkan 12 sektor. Namun, karena implementasi kerusakan kedua di kapal 12 sektor sulit diprediksi oleh JST, tidak masuk akal untuk merealisasikan sektor tambahan.

---

One of the disadvantages that is faced when working with naval machinery is corrosion which further causes severe damage to the ship. Therefore, specific protection is needed in the naval vessel in order to prevent said corrosion. This thesis aims to localize multiple coating damages that occur in the ship hull using a generic ship model. The numerical simulation using the FEM software COMSOL Multiphysics is performed to calculate corresponding underwater electric potential (UEP) signature. The aforementioned coating damages are defined in the ship hull surface in a random manner and the impressed currents impressed by the ICCP current as well as the UEP signatures are used as input parameters to train the artificial neural network (ANN) to further localize the coating damage. The multiple coating damages are tracked separately since it is highly unlikely for said coating damages to occur simultaneously when the ship is in open water condition.

The prediction test is done by generating the ANN and is tested for the prediction accuracy in the 8 and 12-sector ship. With this deep learning method, approximately 80% of accuracy is obtained for the first coating damage, however the accuracy for the second coating damage localization only reaches 40% with the generic ship model which is divided into 12 sectors taken into consideration. However, since the implementation of the second damage in the 12-sector ship was hard for the ANN to predict, it does not make sense to realize additional sectors."