Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sebuah perusahaan penyedia batubara di Jakarta yang berperan sebagai terminal dan tempat pengolahan batubara belum memiliki metode perencanaan produksi, sementara permintaan yang dihadapi sangat fluktuatif. Hal ini mengakibatkan keuntungan yang diperoleh perusahaan menjadi tidak optimal. Oleh karena itu, diperlukan model matematika yang dapat digunakan untuk membuat perencanaan produksi yang tepat agar perusahaan dapat memaksimumkan keuntungan. Selain itu, dengan adanya model matematika, proses produksi juga dapat dilakukan dengan pemanfaatan sumber daya tersedia dengan lebih efisien. Model matematika dibangun dengan pendekatan Linear Programming. Adapun objek yang akan diteliti adalah batubara jenis fine, nut, dan rom. Hasil dari penelitian ini adalah diperolehnya kuantitas produksi optimal dari ketiga jenis produk dan keuntungan yang diperoleh tiap periode dalam 12 periode mendatang Mei 2018-April 2019, serta faktor-faktor yang mempengaruhi besar keuntungan tersebut. ......A coal supply company in Jakarta that acts as a terminal and a coal processing plant does not yet have a production planning method, while the demand faced is very volatile. This resulted in the company 39 s profit to be not optimal. Therefore, it is needed a mathematical model that can be used to make the right production planning so that the company can maximize the company 39s profit. In addition, with the mathematical model, the production process can also be done with the utilization of available resources more efficiently. Mathematical model is built with Linear Programming method. The objects to be studied are fine, nut, and rom coal. The result of this research is obtaining optimum quantity of production from three product types and profit obtained each period in the next 12 periods May 2018 April 2019, and also get the factors that influence the profit.

Abstrak :
Permasalahan penyimpanan pasti dihadapi oleh semua instansi, terutama perusahaan yang melakukan produksi. Untuk menyelesaikan permasalahan yang ada, perusahaan menggunakan berbagai macam metode dalam manajemen penyimpanan (inventory management). Salah satunya adalah metode Economic Order Quantity (EOQ). Namun demand (permintaan) dalam metode EOQ dianggap konstan berdasarkan asumsi dalam metode EOQ. Pada kenyataannya permintaan terhadap barang tidak selalu sama setiap waktunya. Oleh dari itu, dalam penelitian ini dilakukan peramalan permintaan dengan menggunakan model peramalan Zhang’s Hybrid yang menggabungkan metode Autoregressive Integrated Moving Average atau ARIMA untuk menggambarkan bagian linear dan Artificial Neural Network untuk menggambarkan bagian nonlinear dari data permintaan. Hasil dari peramalan selanjutnya akan digunakan dalam metode EOQ untuk mendapatkan optimal quantity order dan optimal reordering level. Penelitian ini akan menunjukkan algoritma dan proses penyelesaian permasalahan inventory dengan menerapkan model Zhang’s hybrid untuk peramalan permintaan dalam metode EOQ dengan output berupa optimal quantity order dan optimal reordering level yang ditunjukkan melalui simulasi menggunakan data historis inventory. ......Every instance in several sectors will face inventory problems, especially for company in production sector. To solve the inventory problems, the company will do several methods in inventory management. One of the method that usually used to solve inventory problem is Economic Order Quantity (EOQ) method. By standard EOQ assumption, the demand is set to be constant, while in the fact the demand is variative by time. Therefore, this study will use Zhang’s Hybrid Method for demand forecasting that use ARIMA to describe the linear part and use Artificial Neural Network to describe the nonlinear part of the data. The outcome from the method is used as demand for EOQ process to find the optimal quantity order and the optimal reordering level. The study provide solving algorithm and show how to apply Zhang’s hybrid model in demand forecasting for EOQ, the output of the process are optimal quantity order and the optimal reordering level. To understand more about the process, the algorithm are simulated using real historical inventory data.

Abstrak :
Konsumsi energi merupakan indikator kritis pertumbuhan ekonomi dan perkembangan sosial di Indonesia. Dengan urbanisasi yang pesat dan pertumbuhan PDB yang fluktuatif, pemahaman mendalam tentang faktor-faktor yang mempengaruhi konsumsi energi menjadi sangat penting. Penelitian ini bertujuan untuk mengidentifikasi prediktor utama konsumsi energi dan membandingkan keefektifan model prediktif Regresi Linear dan Random Forest dalam konteks perkembangan ekonomi dan urbanisasi Indonesia.Menggunakan data dari Trading Economics, Our World in Data, dan World Bank, studi ini menganalisis data tahunan dari 1965 hingga 2022, dengan fokus pada jumlah penduduk kota, PDB per kapita, dan pertumbuhan PDB sebagai variabel independen, serta konsumsi energi sebagai variabel dependen. Analisis korelasi dan Variance Inflation Factor (VIF) mengungkap multikolinearitas antara jumlah penduduk kota dan PDB per kapita, yang mengarah pada penghapusan PDB per kapita dari model.Model Regresi Linear menunjukkan performa superior dengan Mean Absolute Percentage Error (MAPE) 7,55%, dibandingkan dengan Random Forest yang memiliki MAPE 13,45%. Temuan ini mengindikasikan hubungan yang dominan linear antara prediktor, terutama jumlah penduduk kota, dan konsumsi energi. Diagnostik residual mengkonfirmasi asumsi-asumsi regresi linear: normalitas, homoskedastisitas, dan non-autokorelasi. ......Energy consumption is a critical indicator of economic growth and social development in Indonesia. With rapid urbanization and fluctuating GDP growth, a deep understanding of the factors influencing energy consumption is essential. This research aims to identify the key predictors of energy consumption and compare the effectiveness of Linear Regression and Random Forest predictive models in the context of Indonesia's economic development and urbanization. Using data from Trading Economics, Our World in Data, and the World Bank, the study analyzes annual data from 1965 to 2022, focusing on urban population, GDP per capita, and GDP growth as independent variables, and energy consumption as the dependent variable. Correlation analysis and Variance Inflation Factor (VIF) revealed multicollinearity between urban population and GDP per capita, leading to the exclusion of GDP per capita from the model. The Linear Regression model demonstrated superior performance with a Mean Absolute Percentage Error (MAPE) of 7.55%, compared to Random Forest, which had a MAPE of 13.45%. These findings indicate a predominantly linear relationship between the predictors, particularly urban population, and energy consumption. Residual diagnostics confirmed the assumptions of linear regression: normality, homoscedasticity, and non-autocorrelation.

Abstrak :
Penelitian ini dilakukan dengan tujuan untuk menganalisis proses perencanaan produksi dan manajemen persediaan yang diterapkan oleh perusahaan kue dan roti PT. ABC, serta merekomendasikan metode yang tepat dan komprehensif sehingga dapat mengatasi permasalahan produksi dan persediaan yang selama ini dihadapi perusahaan. Penelitian dilaksanakan dengan melakukan observasi pada perusahaan manufaktur PT. ABC, perusahaan kue dan roti di kota Jakarta Selatan. Data yang digunakan dalam penelitian ini merupakan data primer dan sekunder, berupa wawancara yang dilakukan pada pihak manajemen dan karyawan PT. ABC, serta data historis perusahaan berupa laporan keuangan dan dokumen administrasi lainnya yang berkaitan dengan produksi dan gudang. Penelitian ini dilakukan untuk menyelesaikan permasalahan yang selama ini dialami oleh PT. ABC. Hasil penelitian berupa analisis perencanaan produksi pada proses peramalan permintaan dan penyusunan jadwal induk produksi. Selain itu, peneliti juga menyajikan analisis tentang bagaimana manajemen persediaan yang sebaiknya diterapkan berkaitan dengan proses produksi dengan mengusulkan metode Material Requirement Planning (MRP), melakukan perhitungan rasio perputaran persediaan, serta analisis horizontal berdasarkan data laporan perusahaan periode sebelumnya. ......This research was conducted with the aim of analyzing the process of production planning and inventory management applied by pastry and bakery company PT. ABC, as well as recommending an appropriate and comprehensive method that could overcome production and inventory problems that have been faced by the company. The research was carried out by observing the manufacturing company PT. ABC, a pastry and bakery company in South Jakarta. The data used in this study are primary and secondary data, in the form of interviews conducted with the management and employees of PT. ABC, as well as company historical data in the form of financial reports and other administrative documents related to production and warehouses. This research was conducted to solve the problems that have been experienced by PT. ABC. The results of the research are in the form of analysis of production planning in the demand forecasting process and the preparation of master production schedules. In addition, the researcher also presents an analysis of how inventory management should be applied in relation to the production process by proposing the Material Requirement Planning (MRP) method, calculating the inventory turnover ratio and horizontal analysis based on previous company report data.

Abstrak :
Penelitian ini menganalisis model permintaan perjalanan penumpang berbasis rumah tangga dengan tujuan berbelanja di Kabupaten Administrasi Kepulauan Seribu. Penelitian ini menjawab tiga pertanyaan utama: pola perjalanan belanja, faktor-faktor yang memengaruhi bangkitan dan tarikan perjalanan, serta pengembangan model matematis yang memprediksi bangkitan dan tarikan perjalanan tersebut. Pengumpulan data melibatkan sumber primer dan sekunder, dengan data primer dikumpulkan melalui survei di sebelas pulau berpenghuni Kepulauan Seribu. Penelitian ini menggunakan metode analisis regresi untuk memodelkan proses bangkitan dan tarikan perjalanan, dengan mempertimbangkan berbagai faktor sosial ekonomi. Hasil utama menunjukkan bahwa karakteristik rumah tangga, seperti jumlah anggota keluarga berdasarkan usia, dan karakteristik tempat perbelanjaan, seperti jumlah pedagang, berpengaruh signifikan terhadap frekuensi perjalanan berbelanja. Model regresi yang dikembangkan memberikan wawasan tentang hubungan antara variabel sosial ekonomi dan permintaan perjalanan yang berkontribusi pada pemahaman dinamika kompleks sistem transportasi kepulauan dan menawarkan dasar untuk perencanaan kebijakan pada masa depan guna meningkatkan kualitas hidup dan peluang ekonomi bagi penduduk Kabupaten Administrasi Kepulauan Seribu. ......This research analyzes the household-based passenger travel demand model with the aim of shopping in the Administrative District of Kepulauan Seribu. It addresses three main questions: shopping travel patterns, factors influencing trip generation and attraction, and the development of a mathematical model to predict these trip generations and attractions. Data collection involved both primary and secondary sources, with primary data gathered through surveys across eleven inhabited islands in Kepulauan Seribu. The study employs regression analysis to model the trip generation and attraction processes, considering various socio-economic factors. Key findings indicate that household characteristics, such as family size, and shopping location characteristics, such as the number of vendors, significantly affect shopping trip frequency. The developed regression model provides insights into the relationship between socio-economic variables and travel demand, contributing to a better understanding of the complex dynamics of the island transportation system. This offers a foundation for future policy planning to enhance the quality of life and economic opportunities for the residents of the Administrative District of Kepulauan Seribu.

Abstrak :
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.

Abstrak :

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. 

Abstrak :
Seiring dengan semakin ketatnya persaingan dalam industri Fast Moving Consumer Goods (FMCG), perusahaan FMCG perlu mengetahui jumlah permintaan yang potensial di suatu wilayah. Dengan begitu perusahaan dapat menyesuaikan supply yang optimal untuk menghindari tidak terpenuhinya permintaan pelanggan. Metode ekonometrik merupakan salah satu solusi untuk memodelkan estimasi permintaan dengan melihat faktor-faktor yang mempengaruhinya. Pada penelitian ini digunakan data cross section sehingga perlu dilakukan uji dependensi spasial untuk melihat apakah antar wilayah memiliki dependensi spasial atau tidak. Hasilnya pada model regresi tidak terdapat dependensi spasial sehingga digunakan analisis regresi non-spasial sebagai model estimasi permintaan. Selain itu juga diperoleh hasil bahwa permintaan konsumen dipengaruhi oleh faktor jumlah penduduk, PDRB perkapita, rata-rata pengeluaran konsumsi rumah tangga, dan kategori wilayah rural atau urban. ......Along with the strict competitiveness of Fast Moving Consumer Goods (FMCG) industry, companies need to know the number of potential demands in an area. So, companies can adjust optimal supply to avoid consumer's demands unfulfillment. Econometric method is one of the solution to model the demand estimation considering factors affecting it. This research use cross section data, so spatial dependence was conducted to investigate whether there is a spatial dependency between the region. The result revealed that there was no spatial dependency. Therefore, non-spatial regression analysis was used as a model of demand estimation. Beside that, the result also show that consumer?s demands are influenced by number of population, Gross Domestic Regional Product (GDRP), average of household expenditure, and the category of the area (rural or urban).

Abstrak :
Indonesia memiliki ketergantungan tinggi pada sistem transportasi laut yang mendukung konektivitas antarpulau. Kabupaten Administrasi Kepulauan Seribu menjadi salah satu objek justifikasi yang diidentifikasi sebagai wilayah yang dapat meningkatkan aktivitas perjalanan, mendukung pertumbuhan ekonomi, dan memenuhi kebutuhan transportasi. Penelitian ini berfokus pada perjalanan penumpang laut dengan berbagai tujuan bekerja, termasuk sektor swasta, wirausaha, nelayan, buruh, guru, keamanan publik, tenaga kesehatan, hingga Aparatur Sipil Negara (ASN). Melalui pendekatan demand forecasting dengan metode stastistik inferensi regresi linear, penelitian ini bertujuan untuk menganalisis pola perjalanan dan faktor-faktor yang mempengaruhi bangkitan perjalanan penumpang, serta membuat model matematis bangkitan perjalanan penumpang dengan tujuan bekerja di Kabupaten Administrasi Kepulauan Seribu. Data responden diperoleh berdasarkan survei secara cross-sectional yang kemudian direkapitulasi untuk proses pengembangan dan analisis model. Melalui metode statistik inferensi Regresi Linear, Uji Korelasi dan Signifikansi, Uji Koefisien Determinasi, Uji Hipotesis Distribusi, dan Uji Asumsi Klasik, didapatkan model yang layak digunakan serta penentuan model terbaik melalui validasi data untuk menyesuaikan model prediksi dengan observasi menggunakan Root Mean Square Error (RMSE). Hasil penelitian menungkap faktor terbaik yang mempengaruhi bangkitan perjalanan penumpang melalui Trip Production dan Trip Attraction serta nilai koefisien determinasi (R²) yang dihasilkan masing-masing persamaan model. ......Indonesia has a high dependency on sea transportation systems that support inter-island connectivity. Kepulauan Seribu Administrative District is one of the justification objects identified as an area that can increase travel activity, support economic growth, and meet transportation needs. This research focuses on sea passenger trips with various work purposes, including the private sector, entrepreneurs, fishermen, public safety, teachers, public security, health workers, and the State Civil Apparatus (ASN). Through a demand forecasting approach with a linear regression inference statistical method, this research aims to analyze travel patterns and factors that influence the generation of passenger trips, as well as to create a mathematical model of passenger travel generation with the purpose of working. Respondent data was obtained based on a cross-sectional survey which was then recapitulated for the model development and analysis process. Through statistical methods of Linear Regression inference, Correlation and Significance Test, Determination Coefficient Test, Distribution Hypothesis Test, and Classical Assumption Test, a feasible model is obtained and the best model is determined through data validation to adjust the prediction model with observations using Root Mean Square Error (RMSE). The results of the study revealed the best factors affecting the generation of passenger trips through Trip Production and Trip Attraction and the coefficient of determination (R²) generated by each model equation.

Abstrak :
Pengelolaan persediaan yang kurang baik di PT.XYZ menyebabkan tidak terpenuhinya semua permintaan atas beberapa jenis barang. Selain tidak dapat memperoleh pendapatan yang lebih tinggi, hal ini juga membuat PT.XYZ harus membayar sejumlah biaya penalti kepada konsumen. Oleh karena itu peneliti ingin menganalisis manajemen persediaan pada PT XYZ. Langkah pertama yang dilakukan adalah dengan terlebih dahulu mengelompokkan barang persediaan dan menentukan jenis barang mana saja yang mengalami stock out. Lalu membuat peramalan permintaan untuk jenis barang yang stock out serta menerapkan model manajamen persediaan untuk menentukan kuantitas pesanan yang optimal, titik pemesanan kembali dan total biaya persediaan. Penelitian ini menggunakan pendekatan kuantitatif dan menggunakan data yang diperoleh melalui FGD (focused group discussion). Penelitian ini menggunakan metode ABC dan ABC Inventory Matrix untuk mengelompokkan barang, weighted moving average untuk membuat peramalan permintaan dan model EOQ (economic order quantity model) untuk menentukan kuantitas optimal, ROP dan total biaya persediaan. Hasil olah data menunjukkan produk D dan J mengalami stok out. Penerapan model EOQ pada kedua produk dapat menurunkan total biaya persediaan dan menghindarkan terkena biaya penalti. Agar hasil analisis ini dapat diterapkan maka perusahaan perlu membuat pengelompokkan semua item persediaan, melakukan pencatatan yang akurat dan memastikan supplier dapat mengirimkan pesanan dalam jumlah lebih kecil dari pesanan biasanya.  ......Inventory management failure at PT. XYZ prevents all requests for various types of goods from being fulfilled. Apart from not being able to earn a higher salary, this also requires PT. XYZ to pay a number of penalty fees to customers. As a result, researchers want to look into inventory management at PT XYZ. The first step is to categorize the inventory items and determine which types of goods are in short supply. Then, for the types of goods that are out of stock, create a demand forecast and use an inventory management model to determine the optimal order quantity, reorder point, and total inventory cost. This study takes a quantitative approach and makes use of FGD data (focused group discussion). The ABC and ABC Inventory Matrix methods are used in this study to classify goods; weighted moving averages are used to forecast demand; and EOQ (economic order quantity model) models are used to determine optimal quantity, ROP, and total inventory costs. The data processing results show that products D and J are out of stock. When applied to both products, the EOQ model can reduce total inventory costs while avoiding penalty costs. To apply the findings of this analysis, the company must group all inventory items, keep accurate records, and ensure that suppliers can send orders in smaller quantities than usual.