Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Peramalan permintaan berguna sebagai permulaan dalam perencanaan yang memiliki tujuan untuk memenuhi permintaan pelanggan di masa depan. Pada awalnya, metode peramalan dikembangkan berbasis statistik. Namun, seiring berjalannya waktu, metode peramalan saat ini juga ada yang menggunakan metode machine learning karena bertambahnya kompleksitas data dengan variabilitas permintaan yang tinggi. Industri FMCG, khususnya produk pembersih rumah tangga memiliki pola permintaan yang cukup dinamis. Hal ini menjadi tantangan tersendiri untuk perusahaan sehingga mampu meramalkan secara akurat pola permintaan pada industri ini. Dalam penelitian ini, peneliti melakukan peramalan permintaan untuk produk pembersih rumah tangga menggunakan metode deret waktu, yaitu Autoregressive Integrated Moving Average (ARIMA), dan metode machine learning, yaitu Support Vector Regression (SVR). Objek penelitian yang dipilih oleh peneliti adalah data permintaan dari 8 SKU produk pembersih rumah tangga yang dijual oleh PT Wijaya Agung Hutama sejak Januari 2014 hingga Desember 2022. Hasil penelitian menunjukkan bahwa metode SVR unggul untuk 6 dari 8 SKU yang diramalkan, dengan rata-rata Mean Absolute Percentage Error (MAPE) sebesar 31,06%. Sementara itu, ARIMA mendapatkan rata-rata MAPE sebesar 33,52%. Metode yang diajukan peneliti juga dapat menurunkan error pada peramalan perusahaan hingga 8,31%.

---

Demand forecasting is useful as a starting point in planning with the objective of meeting customer demand in the future. Initially, forecasting methods were developed based on statistics. However, over time, current forecasting methods also incorporate machine learning techniques due to the increasing complexity of data and high demand variability. The Fast-Moving Consumer Goods (FMCG) industry, particularly household cleaning products, has a dynamic demand pattern. This poses a challenge for companies to accurately forecast demand in this industry. This study conducted demand forecasting for household cleaning products using time series methods, namely Autoregressive Integrated Moving Average (ARIMA), and machine learning methods, specifically Support Vector Regression (SVR). The research focused on the demand data for 8 SKU (Stock Keeping Unit) of household cleaning products sold by PT Wijaya Agung Hutama from January 2014 to December 2022. The results of the study showed that the SVR method outperformed ARIMA for 6 out of 8 forecasted SKUs, with an average Mean Absolute Percentage Error (MAPE) of 31.06%. Meanwhile, ARIMA obtained an average MAPE of 33.52%. The proposed method by the researchers also reduced the forecasting error for the company by 8,31%. These findings indicate that the suggested forecasting methods can help companies plan production and inventory more accurately. 

"

"Sertifikat tanah merupakan surat tanda bukti hak yang berlaku sebagai alat pembuktian yang kuat mengenai data fisik dan data yuridis untuk kepemilikan tanah seseorang. Salah satu jenis pendaftaran sertifikat tanah yaitu sertifikat tanah rutin yang terdiri dari beberapa jenis objek sertifikat diantaranya adalah sertifikat tanah roya, peralihan hak atas tanah, perubahan hak atas tanah, hak tanggungan, split dan pendaftaran pertama kali. Instansi pemerintah yang memiliki wewenang mengeluarkan sertifikat tanah di Indonesia adalah Kementrian ATR/BPN melalui Kantor Pertanahan salah satunya yang terletak di Kabupaten Bandung. Namun kondisi yang terjadi di Kantor Pertanahan Kabupaten Bandung masih terdapat perlambatan penerbitan sertifikat tanah di setiap waktunya. Beberapa penyebab perlambatan tersebut karena proses perencanaan jumlah blangko dan petugas ukur yang masih belum sesuai. Sehingga diperlukan adanya perbaikan proses perencanaan menggunakan peramalan dengan pendekatan data mining untuk mendapatkan model terbaik. Metode yang digunakan adalah perbandingan metode Autoregressive Integrated Moving Average (ARIMA) dan Artificial Neural Network (ANN). Setelah dilakukan analisis berdasarkan Root Mean Square Error (RMSE), ANN dapat menghasilkan model dengan tingkat akurasi yang terbaik untuk melakukan peramalan pada masing-masing jenis sertifikat tanah dibandingkan ARIMA karena hasil dari ANN memiliki tingkat kesalahan terkecil.

---

A land certificate is a certificate of proof of rights that serves as a strong proof of physical data and juridical data for a person's land ownership. One type of land certificate registration is a routine land certificate consisting of several types of certificate objects includigroya land certificates, transfer of land rights, changes to land rights, mortgage rights, splits, and first registration. The government agency authorized to issue land certificatesin Indonesia is the Ministry of ATR/BPN through the land office, one of which is in Bandung Regency. However, the conditions that occur in the Bandung Regency land office are still a slowdown in the issuance of land certificates every time. Some of the reasons for the slowdown occurred because the planning process for the number of blanks and measuring officers was still not appropriate. So, it is necessary to improve the planning process using forecasting with a data mining approach to get the best model. The method used is to compare the Autoregressive Integrated Moving Average (ARIMA)and Artificial Neural Network (ANN) methods. After analyzing based on Root Mean Square Error (RMSE), the ANN can produce a model with the best accuracy forforecasting each type of land certificate compared to the ARIMA because the results of the ANN have the smallest error rate."

"Penelitian ini menyajikan estimasi ekonometrika tingkat rumah tangga dari elastisitas pendapatan dan harga permintaan listrik perumahan di Indonesia. Menggunakan data panel survei rumah tangga tahunan SUSENAS dari tahun 2011 hingga 2013, estimasi mengontrol variabel terkait gaya hidup rumah tangga yang secara signifikan mempengaruhi konsumsi listrik seperti aspek demografis, ukuran tempat tinggal, dan kepemilikan peralatan rumah tangga. Hasil empiris menunjukkan bahwa di Indonesia, konsumsi listrik residensial bersifat inelastis terhadap harga dan pendapatan, dengan elastisitas harga dan pendapatan masing-masing sebesar -0,88 dan 0,3. Penduduk perkotaan menggunakan lebih banyak listrik daripada penduduk desa. Menyikapi pertumbuhan ekonomi, pemerintah harus menyiapkan kapasitas listrik yang lebih besar atau menaikkan tarif untuk mendorong penghematan listrik.

---

This paper presents household-level econometric estimates of the income and price elasticities of residential electricity demand for Indonesia. Using annual household survey panel data of SUSENAS from 2011 to 2013, the estimation controls for household characteristics that significantly affect electricity consumption, such as demographic aspects, house size, and ownership of home appliances. The empirical results show that in Indonesia, the residential electricity is price- and income-inelastic, with price and income elasticities of -0.88 and 0.3, respectively. Urban residents use more electricity than their rural counterparts. Responding to the growing economy, the government should prepare a greater electricity capacity or induce a higher tariff to promote electricity savings."

"Dalam penelitian ini dikaji pengklasifikasian status kredit sepeda motor menggunakan pendekatan data mining. Model pengklasifikasian yang terdapat pada data mining salah satunya adalah algoritma C5.0. algoritma dapat berjalan bila sudah ditentukan mana yang menjadi variabel target dan variabel prediktor.Hasil yang diperoleh dari penelitian ini adalah terdapat 13 jenis pengklsifikasian dengan variabel prediktor pendapatan menempati urutan teratas pada pengklasifikasian. Penentuan variabel yang menempati urutan pengklasifikasian/spillting yang paling atas berdasarkan pada informasi gain yang terbesar, kegiatan ini terus dilakukan hingga sampai tidak adalagi variabel prediktor yang dapat di spilliting. Dengan demikian dengan algoritma C5.0 prediksi penentuan status kredit dapat dilakukan.

---

In this study reviewed the classification status of a motorcycle loans using data mining approach. Model classification contained in data mining is one of the C5.0 algorithm. algorithms can be run when it is determined where the target variable and predictor variables.The resultof this research is there are 13 types of classification by income predictor variable top ranked in the classification. Determination of the variable which ranks classification / spillting the top based on information gain is the biggest, this activity continues until no predictor variables that can in splitting. This the prediction algoritm C5.0 credit status determination can be made."

"Transjakarta merupakan salah satu transportasi umum yang marak digunakan oleh masyarakat. Pertumbuhan jumlah penumpang Transjakarta yang signifikan setiap tahunnya membuat perusahaan perlu untuk menambah armada sesuai dengan permintaan. Penambahan dan pengalokasian jumlah armada harus disesuaikan dengan kebutuhan penumpang. Salah satu cara untuk mengetahui kebutuhan penumpang terhadap armada Transjakarta adalah dengan menganalisis pola kepadatan dari penumpang. Penelitian ini bertujuan untuk mengidentifikasi pola kepadatan penumpang agar dapat menentukan perencanaan operasi dari Transjakarta sesuai dengan kebutuhan. Pendekatan data mining tepat digunakan untuk mengekstrak informasi dari data penumpang Transjakarta yang berjumlah besar, hingga pada akhirnya diperoleh pola kepadatan penumpang yang dapat dipahami dan dianalisis. Metode data mining yang digunakan dalam penelitian ini adalah clustering. Metode clustering mengelompokkan pola kepadatan penumpang yang memiliki karateristik sejenis. Melalui metode elbow, jumlah cluster terbaik sejumlah 4 cluster untuk pola kepadatan penumpang Transjakarta pada rute koridor 1, koridor 6, dan koridor 9. Hasil dari penelitian ini berupa pola kepadatan penumpang dan rekomendasi penjadwalan armada serta rekomendasi alokasi petugas layanan halte yang diharapkan dapat membantu Transjakarta untuk menentukan perencanaan operasi dari perusahaan.

---

Transjakarta is a public transportation that is widely used by the society. Significant growth in the number of Transjakarta passengers makes the company must to add the number of bus in order to meet the demand. Bus allocation must be adjusted to the needs of the passengers. One way to find out the passengers needs is to analyze the density pattern of passengers. This study aims to identify the density pattern of passengers in order to determine the operational planning of the company according to needs. The data mining approach is a right approach to extract information from a large number of Transjakarta passenger data, so that a density pattern of passenger can be obtained. The data mining method used in this study is clustering. The clustering method classifies

the density pattern of passengers who have similar characteristics. Using the elbow method, 4 clusters were obtained from the density pattern of Transjakarta passengers on the route of corridor 1, corridor 6, and

corridor 9. The results of this study are in the form of density pattern of Transjakarta passengers and recommendations of bus schedulling and allocation of bus stop service officer that can be used to determine the

operational planning of Transjakarta to meet the passenger needs."

"Penelitian tesis ini mengusulkan metode data mining untuk peramalan beban listrik jangka pendek dengan menggunakan kombinasi wavelet transform dan algoritma group method of data handling (WGMDH). Wavelet transform digunakan untuk mendekomposisi dan menganalisis sinyal beban listrik yang memiliki tren dan berfungsi sebagai proses penyaringan untuk meningkatkan kualitas data sebelum dilakukan peramalan menggunakan GMDH. Metode diuji pada data beban listrik yang terdapat pada sistem ketenagalistrikan Sumatera. Kinerja metode yang diusulkan dibandingkan dengan metode GMDH tanpa kombinasi wavelet dan metode koefisien. Metode yang diusulkan dapat memperbaiki akurasi peramalan beban listrik jangka pendek dibandingkan dengan model GMDH tanpa wavelet dan metode koefisien, yaitu menghasilkan MAPE lebih kecil dari 2%.

---

This thesis proposes a method of data mining for short-term load forecasting using a combination of wavelet transform and group methods of data handling (WGMDH). The wavelet transform is used to decompose, analyze and filter the signals trend of the electrical load to generate electricity load data into a higher quality before forecasting using GMDH. The proposed method is tested on the datasets of the power system of Sumatera. The performance of the proposed method compared with the GMDH method without the combination of wavelet transform and coefficient method. The proposed method can improve the accuracy in short-term load forecasting rather than GMDH without wavelet and coefficient method, the MAPE result is less than 2%."

"Pertumbuhan pasar modal dan ekonomi di Indonesia telah menarik banyak pihak untuk berinvestasi dan mengembangkan pasar. Peningkatan investasi memberikan peluang bagi perusahaan dan investor untuk meningkatkan keuntungan. Dengan persaingan yang semakin ketat serta kondisi pasar yang berubah-ubah, strategi investasi menjadi hal yang sangat penting. Prediksi performa perusahaan terutama di Indonesia menjadi hal yang dibutuhkan untuk mengimbangi perkembangan pasar. Metode Artificial Neural Network merupakan metode yang mulai populer dipakai untuk peramalan yang bersifat kompleks, menggunakan banyak variabel, dan bersifat nonlinear. Oleh karena itu metode ini sangat cocok untuk diterapkan dalam prediksi performa perusahaan di bursa saham yang termasuk kedalam bidang finansial. Dalam penelitian ini neural network juga dipakai untuk mengintegrasikan analisis teknikal dan analisis fundamental dari perusahaan. Hasil penelitian ini memperlihatkan bahwa neural network mampu melewati tingkat minimal pengembalian secara signifikan

---

As the economy and financial market keep growing in Indonesia, The interest to invest and develop the market are increasing. The increasing investment provide opportunity for company and investor to get more profit. With the ever competitive market and always changing market, Strategy to utilize investment become important. The ability to forecast company performance in financial sector become needs to counterbalance the ever-growing market. The Artificial Neural Network is one of the method that get more popular lately to be use as a forecasting method that require more complex model, using more variabel, and tend to be nonlinear. Hence the method really suit to be adapted in financial sector especially in stock market. In addition this study also discuss about integrating technical analysis and fundamental analysis. This study shows that neural network as a predictive model could significantly outperform the minimum return."

"Iklan merupakan salah satu hal yang biasa dikonsumsi masyarakat pada media masa. Sosok perempuan kerap ditampilkan di dalam iklan selama ini. Representasi perempuan dalam iklan masih sering menggunakan stereotip-stereotip mengenai perempuan yang telah mengakar dalam masyarakat. Stereotip inilah yang menjadi isi dalam iklan, padahal stereotip tersebut berlawanan dengan realitas kehidupan perempuan yang sudah mengalami banyak perubahan positif. Hal tersebut menimbulkan adanya misrepresentasi perempuan pada masyarakat di kehidupan nyata. Jurnal ini bermaksud untuk menemukan bagaimana representasi perempuan di dalam iklan tv dari suatu produk yang diposisikan untuk perempuan. Berdasarkan penelitian yang dilakukan, terbukti bahwa masih ada beberapa iklan yang menggunakan stereotip-stereotip negatif terhadap perempuan. Hal tersebut bisa dibuktikan bahwa beberapa iklan masih menampilkan perempuan sebagai sosok yang tidak lebih penting dibandingkan dengan laki-laki, perempuan yang hanya mengurusi urusan rumah tangga, atau bahkan perempuan yang hanya berperan sebagai penghias dalam iklan. Ketimpangan gender masih sangat terlihat dalam beberapa iklan.

---

Advertisement is kind of thing that commonly consumed by people in the media. Female figures often appear in the ad as a talent. Representation of women in advertisements mostly still use stereotypes about women which deeply rooted in society. The stereotype become the content of the ad, whereas the stereotype is opposite with the reality of the woman lives who had a lot of positive changes. This mistakes made misrepresentation of women in real life.

This study intends to find out how the representation of women in the tv ad for a product that is positioned for women. Based on the research conducted, it is evident that there are still some ads that use negative stereotypes of women. It can be proved that some ads still show woman as someone who is not more important than men, women are just taking care of household affairs, or even women who only act as an ornamental in the ad. Gender misrepresentation is still very visible in some ads."

"Untuk mencapai kesuksesan bisnis, elemen paling penting yang harus diperhatikan oleh perusahaan adalah karyawan. Oleh karena itu, perusahaan harus mampu mempersiapkan dan mengelola karyawannya dengan baik agar dapat berkontribusi secara optimal sehingga produktivitas perusahaan meningkat. Salah satu strategi yang dapat dibuat yaitu untuk mempertahankan karyawan agar tetap bekerja di perusahaan, atau lebih dikenal dengan retensi karyawan. Banyaknya karyawan yang mengundurkan diri menyebabkan turnover meningkat dan dapat merugikan perusahaan. Dalam penyusunan strategi yang berkaitan dengan hal tersebut, salah satu cara untuk menggali informasi dan mendapatkan pemahaman tambahan yaitu dengan menggunakan workforce analytics yang menggunakan data yang berhubungan dengan karyawan seperti profil, dan menggunakan pendekatan data mining dalam pengolahannya. Penelitian ini dilakukan pada salah satu perusahaan fast-moving consumer goods FMCG di Indonesia yang memiliki turnover tinggi karena banyaknya karyawan yang mengundurkan diri. Tujuan penelitian ini yaitu mengidentifikasi atribut profil yang berpengaruh terhadap masa kerja karyawan di perusahaan. Penelitian ini menggunakan data profil karyawan yang menjabat sebagai asisten manajer pada divisi penjualan. Data tersebut bersumber dari divisi human resources perusahaan dan jejaring sosial LinkedIn. Untuk mencapai tujuan, digunakan pendekatan data mining, khususnya metode klasifikasi dengan teknik decision tree dan algoritme C4.5. Hasil dari penelitian ini berupa atribut profil yang berhubungan dengan masa kerja karyawan, yang dapat digunakan untuk membantu memberikan pertimbangan pada perusahaan dalam penyusunan strategi seleksi dan retensi karyawan.

---

To achieve business success, the most important element that must be considered by the company is its employees. Therefore, the company must be able to prepare and manage its employees well so that they can contribute optimally and increase company 39 s productivity. One strategy that can be made is to keep employees to stay and work in the company, or also known as employee retention. The number of employees who are resigned can cause increasing turnover and harm the company. In the development of such strategy, one way to explore information and gain additional understanding is using workforce analytics that uses employee related data such as profiles, and data mining approach in its processing. This research was conducted on one of the fast moving consumer goods FMCG company in Indonesia which had high turnover due to many resigned employees. The purpose of this study is to identify the profile attributes that affect the working period of employees in the company. This study used employee profile data who had become assistant manager in the sales division at the company on the period of 2009 to 2016. The data was obtained from the company 39 s human resources division and LinkedIn social networking site. To achieve the goal, data mining approach is used, namely classification method with decision tree technique and C4.5 algorithm. The results of this study were profile attributes that relate to the employment period of employees, which could be used to help giving consideration to the company in the development of employee selection and retention strategies."

"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."