Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Peramalan beban listrik, juga dikenal sebagai Probabilistic Load Forecasting (PLF), memiliki peran penting dalam industri tenaga listrik, terutama dalam merencanakan operasi sistem tenaga, menjaga stabilitas, dan memfasilitasi perdagangan energi. Di Bandar Udara Internasional Soekarno-Hatta yang merupakan sebuah entitas komersial besar, peramalan yang akurat dan andal sangat penting untuk optimalisasi layanan, kepatuhan terhadap regulasi dan meningkatkan akurasi perencanaan konsumsi energi. Tujuan penelitian ini adalah menentukan model peramalan yang akurat untuk digunakan di Bandar Udara Internasional Soekarno-Hatta. Dalam penelitian ini, empat model berbeda diuji: Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX), serta dua model berbasis neural network, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Kemudian model ini diterapkan pada data historis harian yang dikumpulkan dari perusahaan operator bandar udara dengan rentang waktu 01 Januari 2022 hingga 31 Desember 2022. Hasil penelitian menunjukkan bahwa model LSTM mencapai performa terbaik dalam melakukan peramalan, dengan Mean Absolute Error (MAE) 12.79, Root Mean Square Error (RMSE) 15.47, dan Mean Absolute Percentage Error (MAPE) 1.91%. Sehingga berdasarkan hasil penelitian, model LSTM dapat digunakan untuk meningkatkan akurasi perencanaan konsumsi listrik harian di Bandar Udara Internasional Soekarno-Hatta dan fasilitas serupa lainnya. ......Electric load forecasting, also known as Probabilistic Load Forecasting (PLF), plays a crucial role in the electricity industry, particularly in planning power system operations, maintaining stability, and facilitating energy trading. At Soekarno-Hatta International Airport, which is a large commercial entity, accurate and reliable forecasting is essential for service optimization, regulatory compliance, and improving the accuracy of energy consumption planning. The aim of this study is to identify an accurate forecasting model to be used at Soekarno-Hatta International Airport. In this study, four different models were tested: Seasonal Autoregressive Integrated Moving Average (SARIMA), SARIMA with Exogenous (SARIMAX), and two neural network-based models, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). The models were subsequently utilized on the daily historical data gathered by the airport operating firm from January 1, 2022, to December 31, 2022. The research findings demonstrated that the LSTM model was the most effective in terms of forecasting performance, with Mean Absolute Error (MAE) of 12.79, Root Mean Square Error (RMSE) of 15.47, and Mean Absolute Percentage Error (MAPE) of 1.91%. Therefore, based on the research findings, the LSTM model can be used to improve the accuracy of daily electricity consumption planning at Soekarno-Hatta International Airport and other similar facilities.

Abstrak :
Perencanaan persediaan material pesawat adalah aspek penting dalam proses perawatan pesawat, guna meningkatkan efisiensi dan mengurangi biaya penyimpanan, perusahaan perlu melakukan peramalan berdasarkan data historis permintaan material. Studi ini diawali dengan klasifikasi material menggunakan sistem klasifikasi FSN, dimana 14 material penting teridentifikasi dalam kategori F. Selanjutnya, analisis permintaan terhadap 14 material tersebut menunjukkan bahwa semua memiliki karakteristik permintaan intermiten, yang merupakan tantangan dalam peramalan. Dalam upaya mengatasi tantangan ini, penelitian membandingkan beberapa metode peramalan yaitu Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Hasil analisis menunjukkan bahwa metode berbasis Recurrent Neural Network (RNN), khususnya LSTM dan GRU, memberikan akurasi peramalan yang paling baik dibandingkan dengan metode lainnya. Hal ini menegaskan keefektifan Artificial Neural Network, khususnya arsitektur RNN, dalam menghadapi tantangan peramalan untuk permintaan material intermiten. ......Aircraft material inventory planning is an important aspect in the aircraft maintenance process. In order to increase efficiency and reduce storage costs, companies need to forecast based on historical material demand data. This study begins with material classification using the FSN classification system, where 14 important materials are identified in category F. Furthermore, demand analysis for these 14 materials shows that all of them have intermittent demand characteristics, which is a challenge in forecasting. In an effort to overcome this challenge, research compares several forecasting methods, namely Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). The analysis results show that Recurrent Neural Network (RNN) based methods, especially LSTM and GRU, provide the best forecasting accuracy compared to other methods. This confirms the effectiveness of Artificial Neural Networks, especially RNN architectures, in dealing with forecasting challenges for intermittent material demand.

Abstrak :
Pemantauan harga komoditas strategis merupakan pekerjaan yang penting karena kontribusi signifikan yang dimiliki oleh komoditas strategis terhadap perhitungan laju inflasi. Untuk membantu menyelesaikan pekerjaan ini, dibutuhkan metode prediksi terbaik yang mampu memprediksi pergerakan harga komoditas pangan strategis. Penelitian ini memiliki tujuan untuk menemukan model prediksi terbaik di antara Long-Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi harga harian sepuluh komoditas pangan strategis: bawang merah, bawang putih, beras, cabai merah, cabai rawit, daging ayam, daging sapi, gula pasir, minyak goreng, dan telur ayam. Model ARIMA digunakan sebagai standar model klasik dalam penelitian kali ini. Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE), GRU memberikan hasil prediksi harga harian paling baik pada enam dari total sepuluh komoditas dan LSTM memberikan hasil prediksi terbaik pada empat komoditas sisanya. Model terbaik pada tiap komoditas berhasil mengurangi angka MAE dari ARIMA sekitar 3% hingga 43%. Ketika model mempelajari data, GRU berhasil menyelesaikan prosesnya lebih cepat daripada LSTM pada delapan komoditas. Model peramalan terbaik yang ditemukan pada penelitian kali ini dapat digunakan untuk memperbaiki metode peramalan klasik yang telah digunakan dalam memprediksi harga harian pangan Indonesia, sehingga dapat membantu pemerintah dalam memformulasikan kebijakan dan peraturan terkait manajemen stabilitas harga pangan. ......Managing strategic commodities prices in the market is considered an important task since they have a significant contribution to the calculation of the inflation rate. To aid this task, it is necessary to find the best forecasting model that can predict commodities daily price. This paper aims to find the best prediction model between Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) in forecasting the daily price of ten Indonesia’s strategic commodities: shallot, garlic, rice, chili pepper, cayenne pepper, broiler meat, topside beef, granulated sugar, cooking oil, chicken egg. This research used ARIMA as a benchmark model. Based on Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), GRU gave the best result in predicting the daily price of six out of ten commodities. It is found that the best model for each commodity managed to reduce the MAE score from ARIMA by around 3% until 43%. GRU managed to finish faster than LSTM in training eight commodities data. The best forecasting method found in this research can be used to improve the classic method to forecast the daily price of Indonesia’s food commodities in assisting the government in formulating policies and regulations related to food price management.