Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%.

---

The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained."