Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Telkomsel sebagai sebuah operator telekomunikasi seluler besar telah turut serta mengimplementasi layanan 3G WCDMA/HSPA di area Jabodetabek (Jakarta , Bogor, Depok, Tangerang, Bekasi). Teknologi 3G yang ada saat ini hanya HSDPA yang diaktifkan sedangkan HSUPA sebagai komplemennya masih dalam kondisi disabled. Pola trafik dari pelanggan 3G belum sepenuhnya diamati sehingga dapat menemui kesulitan dalam perencanaan bisnis kedepannya. Perkembangan jumlah trafik terutama uplink dan pelanggan yang sedang aktif dalam trafik tersebut diamati maka kondisi throughput pelanggan dapat diketahui apakah mengalami saturasi atau belum sehingga keperluan pengaktifan fitur peningkatan kapasitas uplink melalui teknologi HSUPA dapat dipertimbangkan. Penelitian perhitungan forecasting ini dilakukan dengan menggunakan metode deret waktu (time series method ) terhadap payload trafik uplink dan pelanggan yang sedang aktif di layanan serta barrier dan kelas trafik tertentu saat pengamatan. Sebagai hasil, pola dan rata-rata throughput setiap transaksi uplink pada kondisi masing-masing bearer dapat diketahui.

---

ABSTRACT
Telkomsel as a big cellular telecommunication operator already participated in 3G WCDMA/HSPA implementation at Jabodetabek area (Jakarta, Bogor, Depok, Tangerang, Bekasi). 3G technology that applied recently today only enable in HSDPA feature meanwhile HSUPA as complement still in disabled condition. Traffic pattern from 3G subscribers have not been fully monitored so it will face difficulty in future business plan. Development amount of traffic especially in uplink and subscribers who active in that traffic can be monitored so user throughput being known wheter on its saturation condition or not thus activating feature for improving uplink capacity through HSUPA technology can be considered. This forecasting research was done by applying time series method to uplink traffic and active subscriber in each barrier and QoS traffic class at the monitoring moment. As result, pattern and average throughput on each barrier can be known.

Abstrak :
Telkomsel sebagai sebuah operator telekomunikasi seluler besar telah turut serta mengimplementasi layanan 3G WCDMA/HSPA di area Jabodetabek (Jakarta, Bogor, Depok, Tangerang, Bekasi). Teknologi 3G yang ada saat ini hanya HSDPA yang diaktifkan sedangkan HSUPA sebagai komplemennya masih dalam kondisi disabled. Pola trafik dari pelanggan 3G belum sepenuhnya diamati sehingga dapat menemui kesulitan dalam perencanaan bisnis kedepannya. Perkembangan jumlah trafik terutama uplink dan pelanggan yang sedang aktif dalam trafik tersebut diamati maka kondisi throughput pelanggan dapat diketahui apakah mengalami saturasi atau belum sehingga keperluan pengaktifan fitur peningkatan kapasitas uplink melalui teknologi HSUPA dapat dipertimbangkan. Penelitian perhitungan forecasting ini dilakukan dengan menggunakan metode deret waktu (time series method ) terhadap payload trafik uplink dan pelanggan yang sedang aktif di layanan serta barrier dan kelas trafik tertentu saat pengamatan. Sebagai hasil, pola dan rata-rata throughput setiap transaksi uplink pada kondisi masing-masing bearer dapat diketahui.

---

Telkomsel as a big cellular telecommunication operator already participated in 3G WCDMA/HSPA implementation at Jabodetabek area (Jakarta, Bogor, Depok, Tangerang, Bekasi). 3G technology that applied recently today only enable in HSDPA feature meanwhile HSUPA as complement still in disabled condition. Traffic pattern from 3G subscribers have not been fully monitored so it will face difficulty in future business plan. Development amount of traffic especially in uplink and subscribers who active in that traffic can be monitored so user throughput being known wheter on its saturation condition or not thus activating feature for improving uplink capacity through HSUPA technology can be considered. This forecasting research was done by applying time series method to uplink traffic and active subscriber in each barrier and QoS traffic class at the monitoring moment. As result, pattern and average throughput on each barrier can be known.

Abstrak :
RINGKASAN EKSEKUTIF
Metode analisis harga saham ada dua yaitu analisis fundamental dan analisis teknik. Investor dengan berbagai motif membeli saham dapat melakukan analisis harga saham dengan mempergunakan kedua analisis secara bersamaan. Metode analisis fundamental dapat dilakukan dengan urutan analisis sebagai berikut

a. Analisis rasio keuangan.

b. Analisis produktifitas

c. Analisis posisi perusahaan di industrinya.

d. Analisis teknologi atau sistem operasi.

e. Analisis manejemen dan sumber daya manusia.

f. Public responsibility.

Analisis teknis dapat dilakukan dengan membuat formulasi model penentuan daerah kritis harga saham menggunakan metode Box - Jenkins. Prosedur dari metoda ini dilakukan dengan tahapan:

1. Tahap identifikasi.

2. Tahap estimasi parameter.

3. Tahap uji diagnostik.

4. Tahap peramalan.

Keuntungan metode ini adalah:

a. Dapat mengidentifikasikan pola deret waktu harga saham.

b. Dapat membuat ramalan harga saham dimasa mendatang baik peramalan jangka pendek (harian) maupun jangka panjang.

c. Dapat mengidentifikasikan daerah dimana investor disarankan untuk menjual saham dengan acuan batas atas harga saham dan daerah dimana investor disarankan untuk membeli saham dengan acuan batas bawah harga saham. Alternatif-alternatif yang terjadi adalah sebagai berikut:

1. Apabila harga saham disekitar garis peramalan maka investor disarankan

menunggu perkembangan, jadi pilihannya boleh membeli atau tidak membeli saham.

2. Apabila harga saham disekitar batas atas atau di atas batas atas maka investor disarankan untuk menjual sahamnya.

3. Apabila harga saham disekitas batas bawah atau dibawah batas bawah maka investor disarankan untuk membeli saham

Untuk mengimplementasikan model yang dibangun, maka dilakukan pemrosesan data harga saham perbankan yang telah terdaftar di Bursa Efek Jakarta. Dibawah hipotesa hasil analisis fundamental akan sama dengan hasil analisis teknis, maka perbandingan kedua analisis dari industri perbankan adalah sebagai berikut:

a. Analisis fundamental

Bank-bank yang di rekomendasi baik adalah

1. BDNI

2. Bank Niaga.

3. Panin Bank.

Sedangkan untuk bank lainya direkomendasikan untuk menunggu perkembangan lebih lanjut.

b. Analisis teknis.

Bank - bank yang direkomendasikan harganya cenderung naik adalah

1. BDNI

2. BII

3. Bank Danamon

Berdasarkan perbandingan kedua analisis diatas maka BDNI merupakan bank yang oleh kedua analisis dinilai balk, Bank Bali, BUN, Bank Duta, Lippo Bank oleh kedua metode analisis disarankan untuk mengamati situasi lebih lanjut. Terdapat perbedaan penilaian antara analisis teknik dan fundamental terhadap Bank Niaga, Panin Bank dan Bank Danamon. Untuk Bank Danamon dapat dijelaskan bahwa volume transaksi untuk bulan terakhir relatif kecil oleh sebab itu disarankan untuk mengamati perkembangan lebih lanjut, jika volume transaksi tetap kecil maka lebih baik menunggu perkembangan dan disarankan untuk tidak melakukan transaksi terlebih dahulu. Untuk Bank Niaga dan Panin Bank oleh analisis fundamental direkomendasi baik sedang analisis teknis Box-Jenkins menunjukkan bahwa harga saham kedua bank tersebut cenderung menurun selama masa perama1an (12 hari), oleh sebab itu tindakan yang dapat disarankan bagi investor adalah sebaiknya investor menjual harga saham atau tidak membeli sampai situasi dimana analisis teknis memberikan informasi harga mulai cenderung naik, karena berdasarkan analisis fundamental menunjukkan bahwa Bank Niaga dan Panin Bank mempunyai penilaian yang baik sehingga dalam jangka panjang kedua bank ini akan dapat memberikan dividen atau capital gain yang besar. Dengan demikian dapat dilihat penggunaan kedua analisis secara bersamaan yang satu sama lainnya saling mengisi.

Abstrak :
Energi matahari adalah salah satu energi terbarukan dengan potensi besar di negara tropis termasuk Indonesia. Pemanenan energi surya melalui sistem fotovoltaik memiliki tantangan besar karena intermittency dan ketidakpastian serta tidak tersedianya data yang diukur di setiap lokasi. Tujuan dari penelitian ini adalah untuk meramalkan radiasi matahari di lokasi tertentu dengan menggunakan model ASHRAE Clear-Sky dan informasi cuaca lokal melalui algoritma Jaringan Syaraf Tiruan (JST). Model ASHRAE Clear-Sky digunakan sebagai dasar penyinaran maksimum yang akan dikalibrasi dengan mempertimbangkan informasi cuaca setempat. Model peramalan dikembangkan dengan menggunakan algoritma backpropagation dari JST. Metode yang diusulkan disimulasikan di Departemen Teknik Elektro Fakultas Teknik, Universitas Indonesia. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat memberikan estimasi akurat dari penyinaran matahari dengan rata-rata kesalahan absolut dalam tiga hari yang berbeda adalah 58,30.

Abstrak :
Biaya makan pasien merupakan biaya langsung dari kegiatan penyediaan makanan di rumah sakit. Terdapat perbedaan cara perhitungan kebutuhan biaya makan pasien di RSUP Dr Hasan Sadikin, karena yang diusulkan berdasarkan kelas rawat inap sedangkan yang diterima berdasarkan harga rata-rata, sehingga kurang dari yang dibutuhkan. Hal ini menyebabkan terjadinya perubahan dalam standar gizi , macam bahan makanan dan variasi makanan. Penelitian dilakukan untuk memperoleh gambaran besarnya kebutuhan biaya makan pasien melalui peramalan terhadap jumlah hari makan pasien serta biaya makan per pasien per hari per kelas rawat. Rancangan penelitian adalah analisa kuantitatif. Data yang diramalkan merupakan data sekunder mengenai jumlah hari makan pasien dan biaya makan pasien per hari per kelas rawat periode April 1997 hingga Maret 2000. Peramalan dilakukan dengan metode Time Series atau deret waktu pada program Quantitative System Business plus (QSB+) , melalui tahap input data, tampilan data, perbaikan data, pemecahan masalah dan penampilan hasil peramalan. Dari 10 metode peramalan pada program tersebut, dengan parameter Mean Error atau Bias, telah terpilih Winter's Model sebagai metode yang sesuai untuk meramal jumlah hari makan pasien dan biaya makan per pasien per hari per kelas rawat. Hasil perhitungan menunjukkan kebutuhan biaya makan pasien sebesar Rp 2197.219.533,00 atau selisih 15,68 % dengan biaya tersedia. Dari sudut rata-rata harga makanan pasien, hasil peramalan adalah Rp. 6.077,50 sedangkan indek harga yang ditetapkan adalah Rp 5.250,00. Beberapa alternatif yang dapat disarankan untuk mengatasi masalah tersebut yaitu: (1) Seluruh kekurangan ditanggung oleh rumah sakit, sambil mencari dana tambahan dari sumber lainnya , (2) Prioritas biaya makan untuk makanan pasien kelas III, (3) Prioritas biaya makanan untuk makanan pasien seluruhnya, sedangkan makanan dokter, ko-asisten dan pegawai rumah sakit lainnya disediakan dari dana lain. Perlu juga dikembangkan analisa biaya makan pasien secara tepat agar dapat dihitung besarnya kebutuhan biaya yang sebenarnya serta pembebanannya pada pola tarif yang ada. ......The patient food expense is a direct cost of hospital food services. There are different methods from food patient budgeting at the Dr Hasan Sadikin General Hospital, which is usually less than required. Hospital has to adapt the budget into nutritional value, food materials and variety of food. This study described how much was the costs of the food services through forecast number of patient food costs and number of patient day for each day per every class. Design of the study was a Quantitative Analysis with data processing from the number of patient day and number of patient food costs per day per class on April, 1997 until March, 2000. These study used Time Series Forecasting (TSFC) in Quantitative System for Business plus (QSB+) program, which some of steps following data input, data display, data checking, problem solving and display of the forecasting result. From the 10 methods on TSFC, Winter's Model had been chosen by using Mean Error parameter as the significant method for forecasting number of patient day and number of patient food costs per each patient per day per class. The result from the forecasting showed that the expense of food patient is Rp. 2.197.219.533, 00. It was different almost 15, 68 % from the actual expenses. From the average costs point of forecast was Rp. 6.077,50, while the actual index was Rp.5.250, 00. Therefore some alternatives were suggested to solve the problem. Those were: (1) Hospital absorbing all the costs while trying to get additional budget from other source, (2) Priorities the budget to 3rd class patient, (3) Priorities the budget for all patient, while food for doctor, co-assistant and hospital employees have to be paid from other fund. This requires the improvement costs analysis, in order to calculate the actual costs and tariff from the ward.

Abstrak :
ABSTRAK
Industri kemasan adalah sektor industri yang diproyeksi akan terus bertumbuh, khususnya industri kemasan plastik. Dengan plastik merupakan turunan dari minyak mentah, plastik dan bahan bakunya yang berupa resin tergolong sebagai produk petrokimia. Harga resin berfluktuasi dan sensitif terhadap pergerakan harga minyak mentah sehingga deret waktunya bersifat nonstasioner. Kondisi ini dapat membuat konverter plastik sebagai pihak yang mengkonversi resin menjadi produk plastik mengalami kesulitan dalam memasingkan harga resin pada harga produk kepada pelanggannya serta berpotensi mengalami kerugian. Hal ini memicu peneliti untuk memodelkan peramalan harga resin. Literatur menunjukkan peramalan harga produk petrokimia dengan model tradisional maupun komputasi lunak, namun masih memiliki keterbatasan yang berefek pada akurasi peramalan. Selain itu, kebanyakan peneliti memodelkan peramalan pada harga minyak mentah dan tidak ada yang ditemukan menggunakan harga resin sebagai objek peramalan. Penelitian ini mengajukan peramalan harga resin dengan model neuro-fuzzy yaitu ANFIS dan membandingkan hasilnya dengan sebuah model tradisional, ARIMA, dan sebuah model tunggal komputasi lunak, NN. Hasil peramalan menunjukkan model ANFIS memiliki tingkat error dalam bentuk MAPE yang relatif sangat kecil yaitu 1.06% dan juga tingkat akurasi arah yang tinggi yaitu 93%. Ini menunjukkan bahwa model peramalan ANFIS dapat merepresentasikan karakteristik harga resin. Selain itu, hasil uji statistik juga menunjukkan bahwa terdapat perbedaan yang signifikan antara akurasi peramalan ANFIS jika dibandingkan dengan ARIMA dan NN.

---

ABSTRACT
The packaging industry is an industrial sector that is projected to continue growing, especially the plastic packaging industry.While plastic is a derivative of crude oil, plastic and its raw material which is called resin are categorized as petrochemical products. The resin price is fluctuating and sensitive to crude oil price movement so that the time series is nonstationary. This condition may cause the plastic converters as the ones converting resin to plastic products to experience the difficulty in passing the resin price into the product price for the customers and have the potential to suffer loss. This triggers the researcher to model the forecasting of resin price. Literatures show petrochemical product price forecasting by using traditional as well as soft computing models, but they still have limitations that affect the forecasting accuracy. In addition, most researchers model forecasting on crude oil price and none of them found to use the resin price as forecasting object. This research proposes resin price forecasting using neuro-fuzzy model that is ANFIS and compare the result with a traditional model, ARIMA, and a standalone soft computing model, NN. Forecasting result shows that ANFIS model has a relative low error in terms of MAPE that is 1.06% and also a high directional accuracy which is 93%. This shows that ANFIS forecasting model can represent the resin price characteristic. Moreover, statistical test also shows that there is significant difference in ANFIS forecasting accuracy if compared to ARIMA and NN.

Abstrak :
Kenaikan permintaan energi perlu didukung oleh suplai energi yang dapat ememnuhi permintaan. Adanya keterbatasan sumber daya energi dan keterbatasan kemampuan keuangan untuk sektor energi, maka perlu dilakukan perencanaan energi terpadu. Di sektor transportasi, faktor utama yang mempengaruhi permintaan BBM adalah kenaikan jumlah kendaraan dan pertumbuhan ekonomi. Seiring dengan pertumbuhan ekonomi, diperkirakan permintaan energi akan terus meningkat. Secara umum metode proyeksi dibagi menjadi dua, proyeksi kualitatif dan proyeksi kuantitatif. Metode kuantitatif, yang menggunakan data historis dapat dikelompokan menjadi dua kategori model, yakni model deret waktu, atau time series dan model proyeksi asosiatif (Associative causal). Dalam skripsi ini dipilih satu metode dari masing-masing model, dan satu metode ekonometri. Kabupaten Cianjur merupakan salah satu kabupaten di propinsi Jawa Barat yang sedang berkembang, meningkatkan laju perekonomiannya akibat perkembangan kegiatan pariwisata maupun usaha pertanian dan perkebunan, sehingga perlu dilakukan kajian mengenai tata niaga BBM yang terkait dengan moda transportasinya. Elastisitas permintaan premium terhadap pendapatan cukup tinggi di Kabupaten Cianjur, sebesar 5,5 hal ini berarti, dengan kenaikan PDRB berubah sebesar 1% maka kenaikan permintan akan berubah sebesar 5,5%. Untuk solar elastisitas sebesar 3,8. Metode time series yang digunakan adalah metode linear dan eksponensial, diantar kedua metode itu, metode eksponensial yang paling baik. Dengan acuan data BBM nasional, metode regresi jamak dengan menggunakan variabel bebas jumlah kendaraan, PDRB, Panjang jalan, Panjang jalan aspal adalah metode yang paling baik menggambarkan proyeksi permintaan premium dan solar, sehingga untuk kabupaten Cianjur yang merupakan bagian dari BBM nasional metode ini pula yang terbaik, tentunya setelah didukung dengan data-data yang menunjang. Untuk analisis infrastruktur, dilakukan estimasi permintaan dan suplai klaster. Kabupaten Cianjur dibagi menjadi 3 Wilayah Pembangunan, WPU (Wilayah Pembangunan Utara) dibagi menjadi 3 klaster, klaster WPT (Wilayah Pembangunan Tengah) dan WPS (Wilayah Pembangunan Selatan). Penambahan SPBU baru dibutuhkan pada tahun 2017, dengan 1 SPBU di wilayah WPT dan pada tahun 2009, dengan 1 SPBU di WPS. ......The increase of energy demand should be supported by the energy supply to fulfill the demand. Taken into consideration depletions of energy resources and limitation of financial ability for energy sector an integrated energy planning is needed. In transportation sector main factor that affect demand of fuel are vehicle and income, increasing in these variables, will increase demand of fuel. There are two general approaches to forecasting, quantitative forecasts and qualitative forecasts. Quantitative forecast use mathematical models that rely on historical data (time series model) and/or causal variables to forecast demands. For this final assignment choosen one method for each time series and causal model, and also one econometric model. Cianjur district, is one of developing district West Java province, increasing rate of economy with support of farm and travel sector, its necessary to make study of fuel distribution relate with transportation sector Elasticity demand of premium is 5,5, it means increasing PDRB for 1% will caused demand increasing about 5,5%. For automotive diesel oil, the elasticity is about 3,8. Time series method, we use linear method and exponential method, between this two methods, exponential is better than linear method. Based on fuel national data, regression method using four independent variables; total vehicles, PDRB, lenght of road, Lenght of good road, is the best method among all method, we can conclude that for Cianjur consumption which is a part of national consumption, the best method is regression too, of course after supported with appropriated data. For infrastructure analysis, cluster demand and supply estimation. Cianjur district consist of 3 Developing area, WPU (North developing area) divided into 3 cluster, WPT (Middle developing area), WPS (South developing area). New Fuel station, need on 2017, with 1 new fuel station at WPT and on 2009, with 1 new fuel station for WPS.

Abstrak :
Peramalan merupakan bagian dari pengelolaan permintaan sebagai fungsi dalam perencanaan produksi sehingga dapat berguna dalam memberikan gambaran kegiatan produksi yang akan dilaksanakan. Tujuan dari penelitian ini adalah untuk memperoleh model peramalan yang akurat guna memproyeksikan permintaan produk sebagai fungsi dari perencanaan produksi. Oleh karena peramalan tidak mutlak benar dan akurat, pendekatan kesalahan peramalan merupakan kunci utama untuk menetapkan penentuan tingkat persediaan minimum (safety stock). Sehingga peramalan permintaan dapat diprediksi dan jumlah persediaan dapat ditentukan guna mengantisipasi jumlah permintaan yang variatif dan fluktuatif. Menggunakan analisis runtun waktu dengan metode ARIMA, didapatkanlah model peramalan permintaan dimana kesalahan peramalan turun hingga 19%. ......Forecasting is part of demand management as production planning functions that could be useful in giving the description of production activities to be carried out. The purpose of this research is to obtain an accurate forecasting model to project the demand for the product as a function of production planning. Because forecasting is not absolutely true and accurate, the forecast error approach is a key to determine the set minimum inventory levels (safety stock). Thus the forecast demand can be predicted and the amount of inventory can be determined to anticipate the number of variety and fluctuative demand. Using time series analysis with ARIMA method, it is concluded that the demand forecasting model in which the forecast error falls to 19%.

Abstrak :
Peramalan permintaan akurat merupakan salah satu tantangan terbesar bagi UMKM. Hal ini disebabkan kebanyakan dari pelaku usaha masih menggunakan metode peramalan tradisional seperti intuisi dan pengalaman masa lalu yang belum mampu menghasilkan estimasi akurat akan permintaan di pasar yang dinamis seperti e-commerce. Salah satu usaha yang mengalami tantangan serupa yaitu UKM Pink Fashion yang merupakan usaha online pakaian muslim asal Jakarta yang berkembang pesat pada platform e-commerce sejak tahun 2019. Untuk mengatasi tantangan tersebut, penelitian dilakukan pada berbagai metode peramalan deret waktu sederhana seperti moving average (MA), weighted moving average (WMA), simple exponential smoothing (SES), holt’s model, dan seasonal index. Peramalan dilakukan selama satu tahun terakhir yakni sejak April 2021 hingga Maret 2022 menggunakan data tiga tahun terakhir yaitu data penjualan April 2019 hingga Maret 2022 pada dua produk terlaris, yaitu baju koko dan baju setelan olahraga. Hasil penelitian menunjukkan bahwa metode SES dengan konstanta 0,7 dan WMA merupakan metode yang paling cocok untuk digunakan untuk peramalan baju koko karena memiliki nilai MAPE terkecil, yaitu 28,43% dan 28,44% secara berurutan. Metode yang sama serta holt’s model juga terpilih sebagai metode terbaik untuk peramalan permintaan baju setelan training karena menghasilkan nilai MAPE terendah, yaitu 30,85%, 30,91%, dan 30,95%. Ini menunjukkan bahwa metode terpilih paling cocok untuk digunakan dalam melakukan peramalan jangka pendek, khususnya dalam unit waktu harian produk pakaian di e-commerce. Dengan memanfaatkan metode peramalan terpilih, UKM Pink Fashion diprediksi akan mendapat 282 dan 283 permintaan baju koko dan 116 dan 115 permintaan baju setelan training pada 1 April 2022. ......Accurate demand forecasting is one of the biggest challenge for SME in e-commerce, including for Pink Fashion which is an online muslim fashion store from Jakarta. Thus, this study is analysing various simple time series demand forecasting methods such as moving average (MA), weighted moving average (WMA), simple exponential smoothing (SES), holt’s model, and seasonal index. Forecasting is done for the last one year, April 2021 to March 2022 using the last three years data on two of the store’s most best selling products, baju koko and training set. The result shows that SES with constant of 0,7 and WMA are the most suitable methods to forecast baju koko since they have the smallest MAPE score, 28,43% and 28,44% consecutively. The same methods as well as holt’s model are also chosen as the best methods to forecast the training set because they have the lowest MAPE score of 30,85%, 30,91%, and 30,95%. This shows that these two methods are proven as the best methods to estimate daily demand of fashion product in e-commerce. Using the chosen forecasting methods, Pink Fashion is predicted to get 282 and 283 demand of baju koko and 116, 115 and 115 demand of the training set in 1 April 2022.