Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Penelitian ini membandingkan kinerja metode SARIMAX dan Random Forest dalam memprediksi harga bahan pokok di DKI Jakarta, menggunakan data harga bulanan Bawang Merah, Cabai Merah Keriting, dan Cabai Rawit Merah dari April 2021 hingga Maret 2024. Hasil penelitian menunjukkan bahwa Random Forest memiliki nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah dibandingkan SARIMAX, dengan MAPE masing-masing sebesar 2,18% dan 13,43% untuk Bawang Merah, 16,59% dan 23,79% untuk Cabai Merah Keriting, serta 17,07% dan 37,38% untuk Cabai Rawit Merah. Temuan ini menunjukkan bahwa Random Forest lebih efektif dalam menangani fluktuasi harga bahan pokok, memberikan kontribusi praktis bagi pengambilan keputusan dalam manajemen rantai pasok dan kebijakan harga bahan pokok.

---

This study compares the performance of the SARIMAX and Random Forest methods in forecasting commodity prices in DKI Jakarta, using monthly price data for Shallots, Red Curly Chili, and Red Cayenne Pepper from April 2021 to March 2024. The results show that Random Forest has a lower Mean Absolute Percentage Error (MAPE) compared to SARIMAX, with MAPE values of 2.18% and 13.43% for Shallots, 16.59% and 23.79% for Red Curly Chili, and 17.07% and 37.38% for Red Cayenne Pepper, respectively. These findings indicate that Random Forest is more effective in handling commodity price fluctuations, providing practical contributions to decision-making in supply chain management and commodity pricing policies."

"Analisis harga Crude Palm Oil (CPO) merupakan langkah krusial dalam perencanaan strategis industri minyak kelapa sawit untuk mengantisipasi fluktuasi harga. Metode analisis harga awalnya berbasis statistik, namun seiring perkembangan teknologi dan kompleksitas data, metode machine learning mulai diterapkan untuk hasil lebih akurat. Harga CPO dipengaruhi oleh faktor eksternal seperti curah hujan dan nilai tukar mata uang, yang membuat prediksi harga menjadi tantangan tersendiri. Penelitian ini menganalisis harga CPO menggunakan metode deret waktu, Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), dan metode Machine Learning, Random Forest. Data yang digunakan meliputi harga CPO, nilai tukar rupiah terhadap dollar, dan inflasi di Indonesia dari Januari 2010 hingga Januari 2024. Evaluasi performa model menggunakan Mean Absolute Percentage Error (MAPE) menunjukkan bahwa Random Forest memiliki performa lebih baik dengan nilai MAPE 18,92%, dibandingkan SARIMAX dengan nilai MAPE 19,07%. Hasil penelitian ini diharapkan dapat membantu pelaku industri CPO dalam pengambilan keputusan strategis dan perencanaan bisnis yang lebih baik.

---

Crude Palm Oil (CPO) price analysis is a crucial step in the strategic planning of the palm oil industry to anticipate price fluctuations. Price analysis methods were originally based on statistics, but with the development of technology and data complexity, machine learning methods began to be applied for more accurate results. CPO prices are affected by external factors such as rainfall and currency exchange rates, which makes price prediction a challenge. This research analyzes CPO prices using the time series method, Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), and the machine learning method, Random Forest. The data used includes CPO prices, rupiah exchange rate against the dollar, and inflation in Indonesia from January 2010 to January 2024. Evaluation of model performance using Mean Absolute Percentage Error (MAPE) shows that Random Forest has better performance with a MAPE value of 18.92%, compared to SARIMAX with a MAPE value of 19.07%. The results of this study are expected to help CPO industry players in making strategic decisions and better business planning."

"Penelitian ini menganalisis akurasi peramalan permintaan produk barang konsumsi cepat (FMCG) menggunakan model Machine Learning, yaitu LSTM (Long Short-Term Memory) dan SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), dengan data sekunder dari April 2021 hingga April 2024 yang terdiri dari 36 observasi bulanan. Variabel dependen adalah total penjualan, sementara variabel eksogen mencakup pengeluaran per kapita, adopsi produk, proporsi penjualan dari promosi, jumlah toko yang menjual produk, dan pangsa pasar produk. Hasil menunjukkan model LSTM memiliki akurasi lebih tinggi dalam memprediksi nilai penjualan dibandingkan SARIMAX, dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah pada sebagian besar sampel. Analisis korelasi mengungkapkan variabel jumlah toko yang menjual produk dan adopsi produk berpengaruh signifikan terhadap nilai penjualan dalam model LSTM, sedangkan SARIMAX unggul dalam menangkap pola musiman namun memiliki MAPE lebih tinggi. Penelitian ini menyarankan penggunaan model LSTM untuk data time series yang kompleks dan tidak stasioner, sementara SARIMAX lebih cocok untuk data dengan komponen musiman yang kuat. Pemilihan model harus mempertimbangkan karakteristik data dan tujuan analisis.

---

This study analyzes the forecasting accuracy of fast-moving consumer goods (FMCG) demand using Machine Learning models, namely LSTM (Long Short-Term Memory) and SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), utilizing secondary data from April 2021 to April 2024 with a total of 36 monthly observations. The dependent variable is sales value, while the exogenous variables include spend per buyer, product penetration, promo % of value, the number of stores selling, and market share. The results indicate that the LSTM model has higher accuracy in predicting sales value compared to the SARIMAX model, with a lower Mean Absolute Percentage Error (MAPE) for most samples. Correlation analysis reveals that the variables number of stores selling and product penetration significantly influence sales value in the LSTM model, whereas SARIMAX excels in capturing seasonal patterns but has a higher MAPE. This study recommends using the LSTM model for complex and non-stationary time series data, while SARIMAX is more suitable for data with strong seasonal components. Model selection should consider the characteristics of the data and the objectives of the analysis."