Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gas merupakan sumber energi yang sangat besar potensinya di Indonesia. Penelitian ini memodelkan tingkat produksi gas dari tiga perusahaan besar dan juga tingkat produksi Indonesia secara keseluruhan kemudian memprediksi tingkat produksi gas pada periode yang akan datang. Dalam hal ini digunakan analisis deret waktu ARIMA dan data dari periode Januari 2005 ? Desember 2011. Hasilnya model ARIMA yang sesuai untuk meramalkan tingkat produksi Total E&P Indonesia adalah ARIMA (4,2,1) dengan MAPE 4.854 %, Pertamina adalah ARIMA (2,2,2) dengan MAPE 5.864%, dan Conoco Phillips Grissik sesuai dengan ARIMA (4,2,1) dengan MAPE 6.207%. Sedangkan model ARIMA peramalan tingkat produksi gas di Indonesia adalah ARIMA (4,2,1) dengan MAPE 3.607 %.

---

Gas is an enormous sourceenergy potential in Indonesia. This study is to model gas production rate of three major companies and the production of Indonesia as a whole and then predict the gas production rate in the next period. For the purpose, the data used are from the period January 2005 - December 2011. The result is the appropriate ARIMA models to forecast the gas production rate of Total E & P Indonesia is ARIMA (4,2,1) with MAPE 4.854%, Pertamina is ARIMA (2,2,2) with MAPE 5.864%, and Conoco Phillips Grissik according to ARIMA (4,2,1) with MAPE 6.207%. While ARIMA model forecasting gas production rate in Indonesia is appropriate ARIMA (4,2,1) with MAPE 3.607%."

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).

---

Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"Peramalan permintaan LPG untuk rumah tangga di Indonesia dimana masyarakatnya menggunakan sumber energi tersebut sebagai komoditi utama dalam aktifitas memasak merupakan salah satu bagian terpenting yang digunakan oleh para pengambil keputusan dalam merencanakan sebuah kebijakan. Dalam studi awal rantai pasokan selalu mengedepankan sisi permintaan dalam menentukan langkah perencanaan selanjutnya, termasuk dalam perencanaan pengelolaan LPG di Indonesia. Kodisi saat ini dimana dengan semakin meningkatnya konsumsi LPG ditengah dominasi impor dan tantangan geografis dalam distribusi, seringkali terjadi deviasi antara perencanaan dan realisasi. Hal tersebut berdampak pada aspek biaya dan operasional dilapangan. PT Pertamina (Persero) sebagai perusahaan yang diberi penugasan, dituntut untuk dapat menjalankan bisnis secara effektif dan efisien. Dimana salah satu untuk mencapai tujuan tersebut adalah dengan melakukan estimasi yang lebih akurat mengenai permintaan LPG kedepan supaya dapat dijadikan referensi untuk perencanaan pengelolaan LPG. Tujuan penelitian ini adalah melakukan analisis konsumsi LPG untuk memperoleh model peramalan yang lebih baik dan akurat guna memproyeksikan kebutuhan LPG bulanan di Indonesia. Oleh karena itu, dilakukan analisis data realisasi konsumsi bulanan LPG sektor rumah tangga nasional mulai tahun 2015-2020 dengan menggunakan salah satu metode time series forcasting yaitu Autoregressive Integrated Moving Average (ARIMA). Hasilnya penelitian menunjukkan model yang diperoleh yaitu Sessional ARIMA (1,1,1)(1,1,1)12 mempunyai tingkat keakurasian yang sangat signifikan dengan nilai parameter akurasi MAPE (mean absolute percentage error) yang dihasilkan 1.7% dan MSE (mean square error) yang rendah sehingga termasuk dalam kriteria model yang mempunyai kemampuan peramalan yang sangat baik.

---

Forecasting LPG demand for households in Indonesia, where people use this energy source as the primary commodity in cooking activities, is one of the most important parts of planning a policy. In the initial study, the supply chain always prioritizes the demand side in determining the next planning step, including planning for LPG management in Indonesia. However, the current condition is that with the increasing consumption of LPG amid the dominance of imports and geographical challenges in distribution, there is often a deviation between planning and realization. The impact of this situation is cost and operational aspects in the field. Therefore, PT Pertamina (Persero), as the company assigned the task, is required to be able to run the business effectively and efficiently. One way to achieve this goal is to make a more accurate estimate of future LPG demand so that it can be used as a reference for LPG management planning. Therefore, this study analyzes LPG consumption to obtain a better and more accurate forecasting model to project monthly LPG demand in Indonesia. Thus, analyzing the monthly LPG consumption realization data for the national household sector from 2015-2020 was carried out using one of the time series forecasting methods, namely the Autoregressive Integrated Moving Average (ARIMA). The results showed that the model obtained is Sessional ARIMA (1,1,1)(1,1,1)12 had a very significant level of accuracy with the MAPE accuracy parameter value (mean absolute percentage error) the resulting 1.7% and MSE (mean square error) is low, so it is included in the criteria of a model that has excellent forecasting ability."

"Peramalan merupakan salah satu hal yang dibutuhkan untuk mencapai tingkat manajemen rantai pasok yang baik. Peramalan dapat mencegah kelebihan pembelian dan juga menjaga ketersediaan barang dengan baik. Peramalan dapat menjadi salah satu metode untuk melakukan menjaga ketersediaan obat di rumah sakit. Obat sendiri merupakan salah satu barang yang sensitif dan reaktif, hal ini menyebabkan obat harus memiliki penyimpanan khusus dan tidak bisa disimpan dalam waktu lama. Dilain pihak, pada industri rumah sakit, ketersediaan obat harus selalu ada. Hal tersebut membuat rumah sakit harus memiliki peramalan obat yang akurat untuk menjaga ketersediaan obat dan mengurangi kelebihan pembelian dan penyimpanan obat dalam waktu lama. Penelitian kali ini akan membandingkan metode tiga metode peramalan, yaitu single exponential smoothing, autoregressive integrated moving average (ARIMA), dan artificial neural network (ANN). Penelitian ini bertujuan untuk melihat dan menganalisa metode peramalan yang paling baik dari ketiga metode yang ada. Penelitian kali ini akan mengambil data penjualan sebanyak 62 periode dari 3 jenis obat dengan kategori obat fast-moving, yaitu Rhinofed, Simvastatin, dan Betahistin. Berdasarkan hasil penelitian, peramalan dengan metode artificial neural network (ANN) memiliki nilai error yang kecil, sehingga nilai ketepatannya cukup besar. Jika dibandingkan dengan kedua metode lainnya peramalan dengan menggunakan metode artificial neural network masih memiliki nilai error yang paling kecil sehingga nilai ketepatan peramalannya yang paling besar. Hal tersebut menyimpulkan bahwa peramalan dengan metode artificial neural network (ANN) merupakan metode peramalan paling baik dari ketiga metode peramalan yang ada dan baik diimplementasikan di rumah sakit.

---

A forecast is one of the important aspects of a company to achieve a good supply chain management system. The forecast could help a company to avoid overstock conditions and ensure the availability of the product. Based on that concept, forecasts could also be used to ensuring the availability of medicine stock in hospitals. The medicine itself is one of the sensitive and reactive materials that make medicines need a very intense inventory condition and couldn't keep in a long period of time. On the other hand, hospitals need to ensure the availability of each medicine. Based on that condition, it is undoubtedly true that the forecast is needed in the hospital supply chain to ensure medicine availability and avoid overstocking. This research will compare three different methods of forecasting, that is single exponential smoothing (SES), autoregressive integrated moving average (ARIMA), and artificial neural network (ANN). The goal of this research is to find and analyze the best forecasting method suitable for the hospital supply chain. Three medicines that will be analyzed in this research are Rhinofed, Simvastatin, and Betahistin based on their title as fast-moving drugs using 62 periods of historical sales. As a result, the artificial neural network method has the smallest error and creates a better accuracy compared to another two methods. Even if every single method has its own strengths and weaknesses, the artificial neural network is the best method among the three methods that been proposed and could be implemented in the hospital supply chain."

"ABSTRAK

Peningkatan jumlah kendaraan di Indonesia terbilang cukup tinggi dari tahun ke tahun memiliki dampak pada berbagai aspek seperti kemacetan, polusi udara, kecelakaan lalu lintas dll. Penelitian ini bertujuan untuk mendapatkan model terbaik dan hasil peramalan untuk pertumbuhan kendaraan bermotor berupa mobil dan motor dalam 11 tahun ke depan. Data yang digunakan dalam penelitian ini adalah data

jumlah mobil dan jumlah motor dari tahun 2005 sampai 2019. Metode yang digunakan adalah metode Multi Linear Regression dan ARIMA. Variabel yang digunakan dalam metode Multi Linear Regression adalah jumlah mobil, jumlah motor, harga premium, harga solar, jumlah rumah tangga, indeks harga konsumen, produk domestik bruto, jumlah penduduk, pertumbuhan jalan, jumlah pekerja dan pendapatan perkapita Dengan menggunakan Multi Linear Regression didapatkan

nilai MAPE yang lebih kecil dibandingkan dengan nilai MAPE ARIMA.

---

ABSTRACT

The number of vehicles in Indonesia has increased quite high from year to year having an impact on various aspects such as traffic jams, air pollution, traffic accidents etc. The purpose of this study is to obtain the best model and the results of forecasting an increase in the number of cars and the number of motorcycles in the next 11 years. The data used in this study are data on the number of cars and the number of motorcycles from 2005 to 2019. The method used is the Multi Linear

Regression and ARIMA methods. The variables used in the Multi Linear Regression method are the number of cars, number of motorcycles, premium prices, diesel prices, number of households, consumer price index, gross domestic product, population, road growth, number of workers and per capita income. By using Multi Linear Regression obtained MAPE value is smaller than the MAPE ARIMA value."

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"Tesis ini membahas prediksi penggunaan fixed broadband pada tahun 2025, karena target jumlah penetrasi pengguna Fixed Broadband yang belum tercapai pada tahun 2014. Melalui pendekatan Technology Acceptance Model serta memprediksi pengguna fixed broadband di Indonesia menggunakan data runtun waktu. Pendekatan yang digunakan dalam penelituan ini adalah pendekatan penelitian kuantitatif asosiatif, serta prediksi menggunakan model ARIMA. Hasil penelitian menunjukkan bahwa keinginan menggunakan fixed broadband sangat dipengaruhi oleh sikap dan persepsi kegunaan (manfaat) fixed broadband. Oleh sebab itu disarankan agar dalam memasarkan produk-produk fixed broadband menonjolkan fitur manfaat yang dapat mendorong sikap positif terhadap fixed broadband. Sehingga dapat dihasilkan jumlah pengguna Fixed Broadband mencapai 13 juta pengguna pada akhir tahun 2025 dengan tingkat penetrasi sebesar 70,45% berdasarkan data tahun 2017-2025. Disamping itu agar prediksi pengguna fixed broadband dapat dilakukan dengan baik, pada penelitian selanjutnya disarankan untuk melakukan prediksi terhadap penetrasi fixed broadband menggunakan faktor-faktor tingkatan ekonomi dan sosial seseorang, lingkungan politik, ekonomi, sosial dan budaya serta tahapan ketersediaan jaringan kabel yang diperlukan.

---

This thesis discusses the use of fixed broadband in 2025, because the penetration target of Fixed Broadband users has not been achieved in 2014. The Technology Acceptance Model approach and predicts fixed broadband users in Indonesia uses time series data. The approach used in this research is an associative quantitative approach, and predictions using the ARIMA model. The results show that the desire to use fixed broadband is largely determined by attitudes and perceptions of the usefulness (benefits) of fixed broadband. Therefore, it is recommended that in marketing fixed broadband products highlight features that can encourage a positive fixed broadband attitude. So that the number of Fixed Broadband users can reach 13 million users by the end of 2025 with a penetration rate of 70.45% based on 2017-2025 data. In addition, so that fixed broadband predictions can be made well, in future research it is recommended to predict fixed broadband penetration using factors such as one's economic and social level, political, economic, social and cultural environment as well as the availability of the required network."

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"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%."