Machine Translated by Google

OPERASI DAN MANAJEMEN RANTAI PASOKAN

Jil. 14, No. 2, 2021, hlm. 123 – 132

ISSN 1979-3561 | EISSN 2759-9363

Teknik Peramalan Hibrida untuk Ditangani

Permintaan Heteroskedastis dalam Rantai Pasokan

Sanjita Jaipuria
Institut Manajemen India, Kompleks Mayurbhanj, Nongthymmai
Shillong – 793 014 Distrik Perbukitan Khasi Timur, Meghalaya, India
Email: sanjita.jaipuria@gmail.com (Penulis Koresponden)

SS Mahapatra
Departemen Teknik Mesin
Institut Teknologi Nasional Rourkela, 769008 India
Email: mahapatrass2003@gmail.com

batching pesanan, fluktuasi harga, kekurangan pasokan dan peramalan

ABSTRAK
Di bawah permintaan lingkungan yang tidak pasti, menjaga
persediaan pengaman yang tepat sangat penting untuk mengatasi
situasi kehabisan persediaan. Estimasi jumlah safety stock yang
tidak tepat menyebabkan estimasi pesanan yang tidak tepat dan penyebab
efek bullwhip dan amplifikasi stok bersih. Dalam prakteknya,
permintaan bersifat heteroskedastis yaitu varians dari
permintaan bervariasi dengan waktu. Oleh karena itu, penting
untuk memprediksi varians permintaan yang berubah untuk
memperbarui tingkat persediaan pengaman di setiap siklus
pengisian. Model Autoregressive Integrated Moving Average
(ARIMA) diterapkan untuk memprediksi permintaan rata-rata
dengan asumsi bersifat homoskedastis. Sedangkan, model
Generalized Autoregressive Conditional Heteroskedastisitas
(GARCH) menangani permintaan heteroskedastis dan membantu
memproyeksikan varians permintaan yang berubah. Oleh karena
itu, pendekatan gabungan model ARIMA dan GARCH (ARIMA-GARCH) telah bahwa diusulkan
kuantitas. Kinerja ARIMA dan ARIMA-GARCH telah dievaluasi
mengingat permintaan dari perusahaan manufaktur semen.
Permintaan semen bersifat musiman dan sangat fluktuatif.
Menggunakan data permintaan semen, model ARIMA (2, 1, 1) (0,
1, 1)12 dan GARCH (2, 1) diidentifikasi untuk meramalkan rata-rata
12 bulan ke depan dan varians permintaan untuk menentukan stok
pengaman dan jumlah pesanan di setiap siklus pengisian
menerapkan persamaan yang diusulkan oleh Zhang (2004) dan
Luong & Phien (2007). Selanjutnya, bullwhip effect dan rasio net-
stock amplification diestimasi untuk mengevaluasi kinerja model
ARIMA-GARCH terhadap model ARIMA. Dari studi tersebut,
ditemukan bahwa model ARIMA-GARCH mengungguli ARIMA
karena memperbarui stok pengaman untuk menghitung jumlah
pesanan di setiap siklus pengisian.
Kata kunci: moving average terintegrasi autoregressive; omong kosong
memengaruhi; heteroskedastisitas bersyarat autoregresif umum;
amplifikasi stok bersih
1. PENDAHULUAN Bullwhip effect
(BWE) dapat digambarkan sebagai variasi dalam kaitannya dengan
varian permintaan dan
salah satu perhatian terpenting dalam rantai pasokan. Chopra dkk. (2006)
telah menyatakan bahwa BWE menyebabkan peningkatan total biaya
karena kenaikan berbagai biaya seperti produksi, penyimpanan persediaan,
pengiriman dan penerimaan biaya dan penurunan tingkat layanan dan
profitabilitas. BWE dalam rantai pasokan dapat dikurangi dengan
mengendalikan penyebab seperti non-zero lead-time,
permintaan sebagaimana dibuktikan oleh Lee et al. (1997). Dalam kasus
permintaan non deterministik, jumlah pesanan dihitung dengan
menggunakan prediksi permintaan dan karenanya akurasi perkiraan
jumlah pesanan tergantung pada akurasi peramalan. Oleh karena itu,
peramalan
permintaan memainkan peran utama untuk mengendalikan BWE
lebih lanjut
dan ada model deret waktu yang berbeda
disarankan dan dievaluasi oleh banyak penulis. Model-model tersebut
adalah: model moving average (MA) (Chen et al., 2000a; Hong dan Ping,
2007), model exponential moving average (EMA) (Chen et al., 2000b),
model exponentially weighted moving average (EWMA) ( Hong dan Ping,
2007), autoregressive orde pertama (AR(1)) (Luong, 2007), orde AR yang
lebih tinggi yaitu AR(p) (Luong dan Phien, 2007), model autoregressive
moving average (ARMA) (Zhang, 2004; Duc et al., 2008a; 2008b) dan
model autoregressive integrated moving average (ARIMA) (Gilbert, 2005;
Gilbert dan Chatpattananan, 2006). Model-model ini telah menunjukkan
BWE dapat untuk mengevaluasi
dimoderasi tingkat dan
dengan memantau ketertiban
koefisien persediaan
AR dan MA pengama
dan waktu tunggu. Praktis, sulit untuk mengontrol parameter ini. Model-
model ini berlaku untuk deret data yang stasioner dan homoskedastis,
yaitu:
mengasumsikan bahwa varians permintaan tetap konstan sepanjang
cakrawala waktu yang dipertimbangkan.
Namun pada kenyataannya deret permintaan bersifat heteroskedastis.
Oleh karena itu, sulit untuk menangkap fluktuasi
varians permintaan menggunakan model AR, MA, ARMA atau ARIMA.
Untuk mengatasi variasi permintaan, persediaan pengaman disimpan
dalam setiap tahap rantai pasokan. Safety stock berfungsi sebagai buffer
dalam mengantisipasi situasi stock-out ketika
permintaan tidak pasti. Dalam kebijakan pengendalian persediaan tingkat
atas, perhitungan kuantitas pesanan menjadi salah jika persediaan
pengaman tidak diestimasi secara akurat. Oleh karena itu, akurat
Perhitungan persediaan pengaman sangat penting untuk mengelola
persediaan dan permintaan. Peramalan yang akurat dari varians permintaan
diperlukan untuk menghitung ulang jumlah persediaan pengaman di setiap
periode pengisian dan dengan demikian jumlah pesanan dihitung. Untuk
memprediksi varians permintaan model peramalan deret waktu yang
disebut autoregressive umum
Model conditional heteroskedastisitas (GARCH) dapat diterapkan (Liang,
2013; Hor et al., 2006; Zhang, 2007).
Tidak ada literatur yang memadai yang ada
menyoroti prosedur untuk memperbarui tingkat persediaan pengaman
dan estimasi jumlah pesanan di setiap siklus pengisian
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
124 Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021

mengikuti kebijakan pengendalian inventaris tingkat atas pesanan
di bawah lingkungan permintaan heteroskedastis. Oleh karena itu, untuk memecahkan
kendala yang terkait dengan model ARIMA untuk menghitung
persediaan pengaman dan kuantitas pesanan pada setiap periode pengisian
kembali, pendekatan gabungan model ARIMA dan GARCH yang dilambangkan
sebagai ARIMA-GARCH, telah diusulkan dalam pekerjaan ini.
Pengaruh BWE dapat divisualisasikan dalam biaya peralihan produksi atau
biaya pemesanan. Karena variasi kuantitas pesanan di sisi permintaan,
tingkat persediaan pengaman yang tinggi harus
terus di sisi pasokan rantai pasokan dan ini menyebabkan biaya penyimpanan
persediaan yang tinggi. Oleh karena itu, tidak hanya diperlukan untuk
mengukur variasi dalam jumlah pesanan tetapi juga untuk mengukur
variasi tingkat stok. Fluktuasi tingkat persediaan dapat direpresentasikan
melalui penguatan stok bersih (Boute dan Lambrecht, 2009). Dalam hal ini,
studi BWE dan amplifikasi stok bersih telah dianggap sebagai ukuran kinerja
untuk
menguji kinerja model ARIMA-GARCH
mengikuti kebijakan pengendalian persediaan dasar. Kinerja model ARIMA-
GARCH yang diusulkan telah dijelaskan melalui studi kasus.
2. TINJAUAN PUSTAKA Model ARIMA runtun waktu
dan estimasi interval kepercayaan. Bullwhip effect adalah salah satu isu utama
dalam rantai pasok. Shee dan Kaswi (2015) telah menganalisis pengaruh
perilaku pemesanan terhadap bullwhip effect dalam rantai pasokan
multinasional dan lokal tiga eselon di Indonesia. Lee dkk. (1997) telah
menyatakan bahwa tidak akurat
peramalan adalah salah satu alasan utama BWE dalam rantai pasokan. Oleh
karena itu, untuk memantaunya di seluruh rantai pasokan
Model ARIMA telah digunakan dan banyak penulis telah menyorotinya. Dhahri
dan Chabchoub (2007) telah mengusulkan model pemrograman tujuan
nonlinier berdasarkan proses ARIMA untuk memoderasi BWE dalam rantai
pasokan. Pengaruh waktu tunggu dan pembagian informasi pada persediaan
yang ada dalam rantai pasokan serial dua eselon dianalisis oleh Agrawal et
al. (2009) dengan asumsi permintaan pelanggan mengikuti proses AR di akhir
pengecer.
Mengingat ARIMA (0, 1, 1) proses permintaan di toko ritel Babai et al. (2013)
telah menganalisis hubungan antara ketepatan peramalan dan kinerja
persediaan. Pendekatan gabungan ARIMA dan jaringan saraf telah digunakan
oleh Aburto dan Weber (2007) untuk peramalan permintaan. Duc dkk. (2008)
telah menerapkan model time series ARMA (1, 1) untuk menguji pengaruh
koefisien AR dan MA dan lead-time terhadap BWE. Dari penelitian, mereka
telah membuktikan bahwa BWE terjadi

telah diterapkan di berbagai bidang penelitian untuk meramalkan nilai

masa depan. Berthouex dan Box (1996) menerapkan model EWMA untuk dalam kasus di mana koefisien AR lebih tinggi dari MA
koefisien. Untuk rantai pasokan multistage, Gilbert (2005) telah
memprediksi kinerja instalasi pengolahan air 1-5 hari ke depan sehingga
merekomendasikan ekspresi umum untuk menghitung BWE ketika permintaan
operator dapat mengambil tindakan pencegahan. Tse (1997) telah
diprediksi menggunakan proses ARIMA dan memverifikasi bahwa
menggunakan model ARIMA untuk meramalkan harga pasar real estat di
BWE menjadi tinggi dalam kasus ketika lead-time panjang dan permintaan
Hong Kong. Saab dkk. (2001) menerapkan AR, ARIMA dan AR (1) yang
adalah autokorelasi. Boute dan Lambrecht (2009) telah meneliti model prediktif
dikombinasikan dengan filter high-pass untuk memprediksi konsumsi listrik
seperti rata-rata bergerak, pemulusan eksponensial dan kesalahan kuadrat
satu bulan ke depan di Lebanon. Kumar dan Jain (1999) telah menggunakan
rata-rata minimum untuk rantai pasokan dua tahap yang mengikuti kebijakan
model ARIMA time series untuk memprediksi kebisingan lalu lintas. Chavez
pengisian persediaan tingkat atas pesanan. Mereka melaporkan bahwa
dkk. (1999) telah menerapkan model ARIMA untuk meramalkan produksi
mengendalikan BWE tidak serta merta mengendalikan biaya penyimpanan
masa depan dan tingkat konsumsi energi di Asturias. Ho dan Xie (1998) telah
persediaan. Biaya penyimpanan persediaan dipengaruhi secara signifikan
mempelajari penggunaan pemodelan deret waktu dalam sistem yang dapat
dengan menjaga persediaan pengaman yang tinggi karena fluktuasi persediaan.
diperbaiki untuk menganalisis dan meramalkan interval kegagalan sistem
mekanis untuk menguji keandalan sistem. Untuk menginterpretasikan
hubungan antara permintaan energi dan status ekonomi, Ediger dan Akar
Model ARIMA deret waktu mengasumsikan bahwa varians permintaan
(2007) telah menggunakan ARIMA dan ARIMA musiman untuk memprediksi
tetap konstan sepanjang periode peramalan
permintaan energi di Turki dari tahun 2005 hingga 2020. Menggunakan 42
dan karenanya sulit diprediksi. Namun, variasi varians permintaan dapat
tahun (dari 1960 hingga 2007) data debit bulanan, Valipur dkk. (2013)
diprediksi dengan menggunakan model GARCH. Engle (1982) telah
memprediksi laju aliran masuk waduk Dez dam menerapkan model ARMA,
memperkenalkan model Autoregressive Conditional Heteroskedastisitas
ARIMA dan jaringan syaraf tiruan statis dan dinamis dan membandingkan
(ARCH) untuk memperkirakan rata-rata dan varians dari tingkat inflasi. Dia
kinerjanya. Erdogdu (2007) memproyeksikan pertumbuhan masa depan
telah dijelaskan bahwa model ARCH mengimplementasikan struktur
permintaan listrik di Turki menggunakan pemodelan ARIMA. Rekhi dkk. (2020)
autoregressive pada varians bersyarat dari kesalahan proses untuk
menerapkan model ARIMA untuk meramalkan kualitas udara di Delhi, India.
menjelaskan perubahan waktu yang bervariasi. Selanjutnya, Bollerslev (1986)
15.
memperluas model ARCH dengan menempatkan struktur ARMA pada varians
bersyarat dari kesalahan proses dan model dipopulerkan sebagai model
GARCH. Liang (2013) telah menerapkan model GARCH untuk memeriksa
dan memprediksi data kegagalan lapangan dari sistem yang dapat diperbaiki.
Dritsakis dan Klazoglou (2019) menggunakan model ARIMA untuk meramalkan
Hor dkk. (2006) telah meramalkan beban listrik harian menggunakan model
pengeluaran kesehatan di Amerika Serikat.
ARIMA dan meramalkan kebutuhan maksimum menggunakan proses GARCH.
Wang dan Yeh (2014) menerapkan arsitektur sistem pendukung
Simonato (2019) telah menerapkan model GARCH dengan mempertimbangkan
keputusan berbasis web untuk peramalan yang lebih akurat dan efektif.
inovasi non-normal untuk menentukan harga opsi Amerika. Trapero dkk.
Kavasseri dan Seetharaman (2009) telah memprediksi kecepatan angin satu
(2019) menerapkan estimasi kepadatan kernel dan GARCH
hari dan dua hari ke depan menggunakan model ARIMA pecahan. Hosain dkk.
(2006) telah menggunakan model ARIMA untuk membuat tiga jenis prakiraan
berdasarkan data historis, ex-post dan ex-ante untuk memprediksi harga
(1, 1) untuk menghitung persediaan pengaman. Selanjutnya, mereka
komoditas di Bangladesh. Zhou dkk. (2006) telah menerapkan pendekatan
membuktikan bahwa estimasi densitas kernel cocok untuk lead-time yang lebih pendek
ARIMA untuk memproyeksikan harga kliring pasar per jam di pasar spot listrik
sedangkan untuk long lead model GARCH cocok untuk memprediksi varians
dengan koreksi kesalahan
permintaan dan menentukan tingkat persediaan pengaman. Zhang (2007)
telah menerapkan model AR (1) untuk mengkarakterisasi
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
Operasi dan Manajemen Rantai Pasokan 14 (2) hlm. 123 – 132 © 2021 125

perubahan dinamis dalam tingkat permintaan dari waktu ke waktu dan Untuk mengidentifikasi model ARIMA perangkat lunak
model GARCH (1, 1) untuk menentukan varians permintaan yang STATISTICA 9 telah digunakan dalam pekerjaan ini. Paragraf
berubah. Choudhry dkk. (2019) menerapkan tujuh varian model GARCH berikut, singkat model GARCH.
untuk memperkirakan rasio lindung nilai dari pasar berjangka saham
3.2
Eropa yang sedang berkembang seperti Yunani, Hongaria, Polandia, dan Inggris Model GARCH
Dengan menggunakan pengaturan ini, pengaruh heterogenitas Model ARCH deret waktu melonggarkan asumsi dasar model
temporal pada kinerja inventaris dikuantifikasi dengan ARIMA dan memiliki kompetensi
mempertimbangkan kebijakan pengendalian inventaris tingkat atas untuk menangkap data deret waktu keuangan yang berfluktuasi.
pesanan. Hal ini juga menunjukkan bahwa heteroskedastisitas pada Persamaan (4) dan Persamaan (5) merepresentasikan model ARCH
presisi peramalan dapat didekomposisi secara aditif dari varians dengan orde q yang dinotasikan sebagai ARCH (q) (Engle, 1982).
kesalahan peramalan total.

rt = t t , dimana
t ~ N(0,1) (4)
3. PERAMALAN DERI WAKTU
MODEL 2 2 2
=+rt 0 1 t 1 + +...
r qtq
Model peramalan permintaan deret waktu dapat (5)
mengungkapkan sebagai berikut:
Model ARCH deret waktu diperluas ke GARCH

= ( ) model. Persamaan (6) adalah ekspresi matematis dari proses

D tf+1DD t
+
1 + ...
+ t Dt 1N+ (1)
permintaan GARCH (p, q) dengan pembatasan (Bollerslev, 1986).
Persamaan ini menyatakan bahwa varians bersyarat dari kesalahan
di mana, Dt+1adalah nilai permintaan dalam waktu t+1 yang menjadi dikaitkan dengan kuadrat kesalahan masa lalu dan varians bersyarat
masa lalu.
ditentukan, ini diperkirakan menggunakan nilai saat ini dan masa lalu
yaitu data permintaan yang ada. Data permintaan masa lalu dapat
2 2 2 2 2
=t +
diterapkan untuk memperkirakan rata-rata dan varians dari permintaan masa depan. 0 1rt 1 ...
+ + r qtq + 1t1 +...+ ptp (6)
Paragraf berikut secara singkat menjelaskan model seri waktu
i = 0, i 1,2,...,q , 0 , j j = 1,2,...,p dan i + ÿÿj 1.
ARIMA dan GARCH yang dapat diterapkan untuk meramalkan
permintaan rata-rata dan varians permintaan masing-masing.
di mana rt menunjukkan pengembalian berkorelasi rata-rata, masa lalu
3.1 Model ARIMA 2

Untuk peramalan dengan model ARIMA diasumsikan deret tÿp noise

permintaan bersifat stasioner dan homoskedastis. Lima langkah
umum seperti (i) persiapan data (ii) pemilihan model (iii) estimasi
(iv) pemeriksaan diagnostik dan (v) peramalan terlibat untuk
mengidentifikasi model ARIMA dan membuat prediksi (Makridakis
et al., 1998). Model ARIMA untuk permintaan non musiman
dinyatakan dalam bentuk ARIMA (p, d, q) dan untuk permintaan
musiman, model dinyatakan sebagai ARIMA (p, d, q) (P,D,Q)s.
Persamaan (2) menggambarkan model ARIMA(1,1,1) sedangkan
Persamaan (3)
menggambarkan ARIMA(1,1,1)(1,1,1)12 model musiman (Box and
Jenkins, 1976; Box et al. 1994; Box et al. 2015).
=++
Y tc (1) D 1 t1 - ÿ -1 D et 2 +
varians bersyarat adalah white , t dan p dan q adalah bilangan
bulat positif yang menunjukkan urutan proses GARCH, t > max (p,
q).
Model deret waktu GARCH berlaku untuk deret kembali.
Prosedur statistik yang berbeda diikuti untuk mengidentifikasi model
GARCH untuk prediksi permintaan
perbedaan. Ini adalah: (i) konversi seri data menjadi seri kembali
(ii) uji adanya efek ARCH dan korelasi seri dalam seri kembali (iii)
estimasi dan analisis model (iv) analisis komparatif untuk model
yang dipasang (v) pemeriksaan pasca diagnostik untuk model yang
dipasang dan (vi) peramalan menggunakan model yang
teridentifikasi. Dalam penelitian ini, software MATLAB 2013 telah
digunakan untuk mengidentifikasi model GARCH.
t 1et 1
(2)

4. MODEL PERAMALAN YANG

Yt c= (1)
+ +DD
+ +1(1) t D 1)D
(1 + +1 + ÿ 1+ +1 (3) ÿt 13ÿ ÿ (+ 1ÿ + 1 1)
Dt 14 ( + 1+Dt 24
1

1
1t2

1 )Dt 25
1
1

1
t 12

De
1 t 26 t e1t1 e 1 t 12 e
1 1 t 13
DIUSULKAN
Stok pengaman disimpan oleh organisasi untuk mengelola
situasi stock-out terjadi karena ketidakpastian permintaan dan
Dalam persamaan di atas, suku p dan q masing-masing
penawaran. Varians permintaan adalah salah satu parameter kunci
mewakili orde non musiman dari bagian AR dan MA sedangkan, P
untuk memperkirakan persediaan pengaman. Dalam kasus seri
dan Q masing-masing mewakili orde AR dan MA musiman. 's'
permintaan heteroskedastis, prediksi perubahan varians permintaan
mewakili jumlah periode musiman, c adalah suku konstan, non-
sangat penting untuk perhitungan yang akurat dari persediaan
musiman dan musiman danÿ j j pengaman dan kuantitas pesanan pada setiap periode pengisian
j th parameter AR, danÿ
jj
bersifat non-musiman dan musiman persediaan. Varians permintaan yang berubah sulit diprediksi
karena model ARIMA hanya dapat menangani deret data
j th Parameter MA, d dan D derajat non-musiman dan musiman
homoskedastis. Namun, keterbatasan model ARIMA ini dapat
perbedaan yang terlibat, e ,e dan e adalah istilah kesalahan
t tp tq diselesaikan dengan model GARCH. Oleh karena itu, model ARIMA
pada waktu t, tp dan tq berturut-turut. terintegrasi dengan model GARCH yang direpresentasikan sebagai
ARIMA-GARCH untuk meningkatkan kinerja model peramalan.
Model ARIMA-GARCH ditunjukkan pada Gambar 1.
Machine Translated by Google
Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
126
Permintaan rata-rata diprediksi menggunakan ARIMA dan varians
permintaan diprediksi melalui model GARCH.
ARIMA
model
Seri data permintaan
sebelumnya
GARCH
Model
Gambar 1 Struktur model ARIMA-GARCH
5. STUDI KASUS
Sebuah perusahaan manufaktur semen XYZ Pvt. Ltd. yang
terletak di bagian timur India dianggap sebagai kasus dalam penelitian
ini. Untuk menguji kinerja model ARIMA dan ARIMA-GARCH enam
tahun data permintaan bulanan dari April 2006 sampai Maret 2013
dikumpulkan dari perusahaan. Prosedur statistik yang dijelaskan pada
bagian 3.1 diikuti untuk mengidentifikasi model ARIMA. Gambar 2
menggambarkan plot deret waktu untuk permintaan semen yang
dikumpulkan.
Gambar 2 Plot deret waktu untuk permintaan semen
Untuk memverifikasi adanya stasioneritas dalam data permintaan
semen dilakukan uji Augmented Dickey-Fuller (ADF) pada taraf
signifikansi 0,05( = 5%). Pengujian menentukan bahwa h=0 dan p-
value=0,3906 menunjukkan bahwa ia gagal menolak hipotesis nol dan
karenanya permintaan semen bersifat non stasioner. Gambar 3 dan
Gambar 4 menggambarkan plot fungsi autokorelasi (ACF) dan fungsi
autokorelasi parsial (PACF) masing-masing untuk deret permintaan
Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021
Selanjutnya, rata-rata dan varians dari permintaan digunakan untuk
menghitung jumlah persediaan pengaman dan jumlah pesanan.
Permintaan rata-rata yang diprediksi
Memesan Jumlah pesanan
perkiraan
Varians permintaan yang
diprediksi
dilakukan untuk periode 18-lag. Pada Gambar 3, lonjakan signifikan
yang diamati pada lag 12 menandakan bahwa rangkaian permintaan
bersifat musiman. Oleh karena itu, data permintaan diubah menjadi
bentuk stasioner dengan membedakan dengan lag 12 dan karenanya D=1.
Gambar 3 ACF plot permintaan semen
Kemudian deret yang dihasilkan dibedakan lagi dengan lag 1 dan
karenanya d =1. Plot deret waktu (Gambar 5) dari permintaan semen
yang dihasilkan setelah transformasi menggambarkan pola tersebut
stasioner. Selanjutnya, uji ADF dilakukan pada deret yang dihasilkan
(Gambar 5) pada =0,05 dan memverifikasi bahwa permintaan semen
bersifat stasioner sebagai nilai statistik h=1 dan p-value=0,001.
Gambar 6 dan Gambar 7 mewakili plot ACF dan PACF untuk
rangkaian permintaan yang dihasilkan. Pada Gambar 6, lonjakan
signifikan dapat diamati pada lag 1 dan lag 12, maka q=1 dan Q=1.
Demikian juga pada Gambar 7 terlihat lonjakan signifikan pada lag 1
dan lag 3 sehingga p =2 dan P = 0.
Berdasarkan parameter yang teridentifikasi, model ARIMA untuk
permintaan semen adalah ARIMA (2, 1, 1) (0, 1, 1)12.
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
Operasi dan Manajemen Rantai Pasokan 14 (2) hlm. 123 – 132 © 2021 127

Uji ARCH dilakukan pada seri kembali (Gambar 5). Dalam uji Q Ljung-
Box-Pierce, h=0 menunjukkan bahwa tidak ada korelasi yang signifikan
sedangkan h=1 menunjukkan adanya korelasi. Demikian pula, dalam
kasus uji Engle ARCH, h=1 menunjukkan adanya efek ARCH dan h=0
menunjukkan tidak ada efek ARCH. Ringkasan uji-Q Ljung-Box-Pierce
untuk pengembalian dan pengembalian kuadrat masing-masing
dijelaskan pada Tabel 1 dan Tabel 2 . Ringkasan menyimpulkan
bahwa ada korelasi yang signifikan antara pengembalian mentah dan
pengembalian kuadrat dari permintaan ketika diuji hingga 10, 15 dan
20 lag dari ACF pada = 0,05. Ringkasan uji ARCH (Tabel 3)
menyimpulkan bahwa terdapat pengaruh ARCH terhadap permintaan
semen sejak h=1 dan p-value < 0,05 diuji pada = 0,05 untuk lag 10, 15
dan 20.

Gambar 4 Plot PACF permintaan semen

Gambar 7 Plot PACF untuk perbedaan permintaan semen

Tabel 1 Ringkasan Uji Q Ljung-Box-Pierce untuk seri permintaan kembali

Gambar 5 Plot deret waktu untuk perbedaan permintaan semen H p-Nilai Nilai kritis
Keterlambatan 10 1 0,0178 Status 21.5178 18.307
15 1 0,0456 23.4199 24,9958
20 1 0,0248 34.2014 31.4104

Tabel 2 Ringkasan Ljung-Box-Pierce Q-Test untuk pengembalian kuadrat dari seri permintaan

Keterlambatan p-Nilai Nilai kritis

H 10 1 0,0006 Status 31.132 18.307
15 0 67.3172 24,9958
20 11 0 71.5217 31.4104

Tabel 3 Ringkasan uji ARCH untuk seri permintaan kembali

H p-Value Stat 1 0,0093 23,411 1 Nilai kritis

0,0227 27,8242 0,0397 32,3486 18.307

24,9958
1
Keterlambatan 10 15 20 31.4104

Uji Ljung-Box-Pierce Q-test dan uji ARCH membuktikan bahwa

Gambar 6 Plot ACF untuk perbedaan permintaan semen
Untuk mengidentifikasi model GARCH untuk deret permintaan
semen, terlebih dahulu diuji adanya korelasi dan pengaruh pengaruh
ARCH. Untuk menguji adanya heteroskedastisitas, uji Ljung-Box-Pierce
Q-test dan
data permintaan semen bersifat heteroskedastis. Oleh karena itu,
perhitungan tingkat persediaan pengaman yang akurat sangat penting
untuk mengelola permintaan dan persediaan. Oleh karena itu,
perusahaan manufaktur semen mengambil kasus untuk mempelajari
dan menganalisis kinerja model ARIMA dan ARIMA GARCH ditinjau
dari parameter BWE dan net-
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
128 Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021

amplifikasi saham. Urutan kecil p dan q umumnya berlaku untuk Tabel 6 Ringkasan estimasi parameter model GARCH (1, 2)
memilih model yang paling sesuai. Model GARCH sederhana
Parameter Nilai Kesalahan t-Statistik
mampu menangkap sebagian besar variabilitas dalam rangkaian
C -312.05 standar -0,0777
permintaan. Biasanya, model GARCH (1, 1), GARCH (1, 2) atau
K 1.45E+08 4013.6 0,0158 9.19E+09
GARCH (2, 1) cocok untuk pemodelan
volatilitas (Bollerslev et al., 1992). Namun, model GARCH (0, 1), GARCH(1) 0,5527 0.2571 2.15

GARCH (0, 2) dan GARCH (2, 2) dimasukkan untuk mengidentifikasi ARCH(1) 0,3529 0.1933 1.8256

model yang sesuai untuk permintaan yang bervariasi waktu seperti lengkung (2) 0,0172 0,3019 0,057
yang ditunjukkan pada Tabel 4. Ide di balik ini adalah untuk memiliki
model yang dapat menangkap pola permintaan sebaik mungkin. Uji Tabel 7 Ringkasan estimasi parameter model GARCH (2, 1)

statistik, Akaike Information Criterion (AIC) dan Bayesian Information

Parameter Nilai Kesalahan standar t-Statistik
Criterion (BIC) dilakukan untuk mengidentifikasi model yang cocok
C -312.05 3489.5 -0,0894
dari model yang bersaing.
Model-model tersebut memiliki nilai AIC yang lebih rendah dan BIC diperlakukan K 1.45E+08 0,0065 2.25E+10

GARCH(1) 0 0,2352 0
sebagai model yang menguntungkan. Tabel 4, menggambarkan nilai AIC dan
GARCH(2) 0,4763 0,2550 1.8677
BIC untuk enam model yang berbeda. Di antara model yang terdaftar, GARCH
(2, 1) memiliki nilai AIC dan BIC yang lebih rendah, oleh karena itu, diambil ARCH(1) 0,3892 0,2018 1.9285
sebagai model yang sesuai untuk meramalkan varians permintaan.
Demikian pula, parameter diperkirakan untuk GARCH (2, 2),
Tabel 4 Model GARCH yang Berbeda dengan Nilai AIC dan BIC GARCH (0, 1) dan GARCH (0, 2) seperti yang dijelaskan pada
Model AIC BIC Tabel 8, Tabel 9 dan Tabel 10 masing-masing. Dari tabel, dapat
GARCH(0,1) 1502.9 1509.7 diamati bahwa kecuali GARCH (0, 2) sisanya memenuhi kondisi
GARCH(1,1) 1382.1 1391,2 yang diperlukan dari model GARCH dan ini dipilih sebagai model
GARCH(0,2) 1394.2 1403.3 yang sesuai. Model GARCH (0, 2) melanggar aturan 0 (dari Tabel
1384,1 1395.5
GARCH(1,2)
10). Namun, dari Tabel 4 telah
i+j_ 1 yaitu 0,42065+0,57935 >
GARCH(2,1) 1380.1 1391.1

GARCH(2,2) 1382.1 1395,7

Uji statistik yang berbeda telah dilakukan dan parameter
seperti koefisien dan t-statistik ditentukan untuk mengevaluasi model
yang paling cocok. Tabel 5 merangkum estimasi parameter untuk
menentukan bahwa GARCH (2, 1) memiliki nilai AIC dan BIC yang
relatif lebih sedikit dibandingkan dengan model GARCH lainnya.
Oleh karena itu, GARCH (2, 1) diidentifikasi sebagai model yang
paling cocok untuk prediksi varians permintaan semen.

model GARCH (1, 1). Dari tabel tersebut dapat disimpulkan bahwa
Tabel 8 Ringkasan estimasi parameter model GARCH (2, 2)
GARCH (1, 1) memenuhi kondisi yang diperlukan dari model
GARCH yaitu , ÿ1 ÿ1 1+11 Parameter
C
Nilai
-312.05
Kesalahan
standar
t-Statistik
-0,0874
1 _ 0 dan 1 0 dan karenanya dipilih
K 1.45E+08 3570.3 0,0153 9.5E+09
model yang sesuai. Demikian pula, parameter yang diestimasi untuk 0 0,4078 0
GARCH(1)
model GARCH (1, 2) didefinisikan pada Tabel 6. Parameter tersebut 0,4762 0.2646 1.8
GARCH(2)
membenarkan bahwa model GARCH (1, 2) juga memenuhi kondisi
ARCH(1) 0.3893 0.2032 1.9155
yang diperlukan yaitu ji_ , lengkung (2) 0 0,3156 0

i+j_ 1, dan0i 0
j_ dimana (i=1,2,…,q dan Tabel 9 Ringkasan estimasi parameter model GARCH (0, 1)

j=1,2,…,p). Rangkuman estimasi parameter untuk model GARCH

Parameter Nilai Kesalahan standar t-Statistik
(2, 1) didefinisikan pada Tabel 7. Dari parameter tersebut dapat
C -312.05 725.13 -0.4303
dikatakan bahwa GARCH (2, 1) merupakan model yang sesuai.
K 1.45E+08 4.97E+06 29.2372

ARCH(1) 0,84997 0,25201 3.3727

Tabel 5 Ringkasan estimasi parameter model GARCH (1, 1)

Tabel 10 Rangkuman estimasi parameter model GARCH (0, 2)
Parameter Nilai Kesalahan standar t-Statistik
Parameter Nilai Kesalahan t-Statistik
C -312.05 4022.2 -0,0776
C -312.05 standar -0,1688
K 1.45E+08 0,00885 1.64E+10
K 1.45E+08 1848.8 3.46E+09
GARCH(1) 0.5649 0,1304 4.3312
ARCH(1) 0.4207 0,04205 0,1280 3.2858
ARCH(1) 0.3543 0,1917 1.8478
lengkung (2) 0,5794 0.1423 4.071
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
Operasi dan Manajemen Rantai Pasokan 14 (2) hlm. 123 – 132 © 2021 129

Kesesuaian model ARCH atau GARCH adalah
umumnya didefinisikan berdasarkan properti residu dan lebih
khusus pada residu standar (Takle, 2003).
Menurut asumsi yang dipertimbangkan dalam model GARCH,
residu mengikuti proses derau Gaussian putih aditif yaitu model
cocok dengan data dengan baik dan residu harus independen
secara acak dan terdistribusi secara identik untuk mengikuti
distribusi normal. Jika asumsi ini terpenuhi, maka model dapat
diperlakukan sebagai model yang paling cocok. Angka 8
menggambarkan hubungan antara residual (inovasi), inovasi
standar bersyarat dan rangkaian kembali dari model pas yang
diidentifikasi yaitu GARCH (2, 1). Dalam gambar ini, pengelompokan
volatilitas dapat diamati pada seri pengembalian dan seri inovasi.
Gambar 9 merangkum pola untuk inovasi standar. Inovasi
terstandar adalah rasio inovasi dan nilai standar deviasi bersyarat.
Dari gambar tersebut, dapat disimpulkan bahwa seri inovasi
standar stabil dengan sedikit pola clustering.
residu standar. Gambar 11, mewakili plot ACF untuk residu
standar. Semua paku berada di dalam batas sehingga tidak ada
korelasi yang tersisa. Selanjutnya untuk memverifikasi adanya
korelasi dan heteroskedastisitas pada deret residual dilakukan uji
Ljung-Box-Pierce Q dan uji ARCH untuk deret inovasi
terstandarisasi. Nilai estimasi masing-masing didefinisikan pada
Tabel 11 dan Tabel 12. Nilai yang diamati, h=0 dan p-Value >=
0,05 menyatakan gagal menolak hipotesis nol maka terbukti tidak
ada
korelasi maupun efek ARCH telah tertinggal dalam seri inovasi
standar. Oleh karena itu, GARCH (2, 1) dipilih sebagai model
yang paling sesuai dan dengan menggunakan model ini diprediksi
varians permintaan 12 bulan ke depan.

Gambar 10 Plot probabilitas normal untuk deret residual model

GARCH (2, 1)

Gambar 8 Hubungan pengembalian, estimasi volatilitas dan seri

inovasi

Gambar 11 ACF dari residual standar kuadrat dari model

GARCH (2, 1)

Tabel 11 Ringkasan uji-Q Ljung-Box-Pierce untuk seri inovasi standar

H p-Nilai Stat Nilai kritis

0 0,2403 12.7111 18.307
0 0,2733 17.7998 24,9958
0
Keterlambatan 10 15 20 0,4491 20.1415 31.4104

Tabel 12 Ringkasan uji ARCH untuk inovasi standar

Gambar 9 Plot deret waktu untuk residu GARCH (2, 1)
H p-Nilai Nilai kritis Stat
Keterlambatan 10 0 0.2225 18.307 13.0206
Untuk memeriksa normalitas dalam seri residual, plot
15 0 0.258 18.0898 24,9958
probabilitas normal diplot untuk residual dari GARCH (2, 1) seperti
20 0 0,4497 20.1317 31.4104
yang disajikan pada Gambar 10. Sebagian besar titik jatuh di
sepanjang garis lurus putus-putus dan menunjukkan bahwa
residual mengikuti distribusi normal (Gambar 10). Suatu model 6. HASIL DAN PEMBAHASAN
dikatakan sebagai model yang sukses ketika tidak ada autokorelasi Kinerja ARIMA dan ARIMA-GARCH diukur melalui BWE
yang tersisa pada residual dan kuadrat yang terstandarisasi dan rasio amplifikasi stok bersih.
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
130 Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021

Jumlah pesanan () Qt diestimasi dengan menggunakan
bentuk sederhana dari order up-to level yaitu ((R, S)) kebijakan inventory
control yaitu base-stock inventory policy menggunakan Persamaan (7) -
(8) dengan mempertimbangkan lead time (L) dan review period (R) sama
untuk satu periode waktu (Zhang, 2004; Luong & Phien 2007).
Model GARCH sedikit lebih sedikit dibandingkan dengan model ARIMA
menandakan fluktuasi yang lebih sedikit dalam tingkat stok di tangan.
Dari studi di atas, telah dibuktikan bahwa model ARIMA-GARCH dapat
memperkirakan jumlah pesanan dengan tingkat akurasi yang relatif tinggi
melalui update safety stock menggunakan varians permintaan yang
diprediksi dibandingkan dengan model ARIMA.

( L + zÿ L
)D( L + zÿ L
)+ D t 1
Qt = D t t t1 t1 (7)
7. KESIMPULAN
Dalam karya ini, pendekatan hibrida ARIMA dan GARCH (ARIMA-

Qt = (Dt )+ D t 1
L L
D t1
di mana, Dtÿ1mewakili permintaan semen aktual pada t-1
periode, suku z menyatakan tingkat pelayanan untuk memenuhi pesanan
dan diasumsikan sebesar 95% maka nilai z yang dihasilkan adalah 1,96.
L permintaan diramalkan menggunakan model ARIMA (2, 1, 1) (0, 1, 1)12
parameter t Ini adalah variasi permintaan yang diperkirakan selama
L
lead-time sementara t1 adalah variasi permintaan yang diperkirakan
L L
selama periode sebelumnya t-1. permintaanDt dan Dt 1
rata-rata yang diprediksi selama lead time pada periode waktu t dan t-1.
Dalam kasus deret permintaan heteroskedastis, Persamaan 7 dapat
digunakan untuk memperkirakan jumlah pesanan.
Sedangkan Persamaan (8) berlaku untuk deret permintaan homoskedastis
dimana tidak ada perubahan varians permintaan. Dengan menggunakan
model GARCH (2, 1) yang teridentifikasi, varian permintaan semen 12
bulan ke depan diramalkan dan rata-rata permintaan diramalkan
menggunakan model ARIMA (2, 1, 1) (0, 1, 1)12 yang teridentifikasi.
Menggunakan perkiraan rata-rata dan varians permintaan, keamanan
L L
volume stok ( zÿ t / zt 1 ) diperbarui pada setiap periode
pengisian ulang untuk menghitung jumlah pesanan menggunakan
Persamaan (7). Ketika varians permintaan tidak dipertimbangkan, jumlah
pesanan diestimasi menggunakan Persamaan (8) yaitu tanpa
mempertimbangkan varians permintaan yang diprediksi menggunakan
model GARCH. Selanjutnya, amplifikasi BWE dan net-stock dihitung
masing-masing menggunakan Persamaan (9), Persamaan (10),
dan ringkasan pada Tabel 13.
(8) GARCH) telah diusulkan untuk menangani deret permintaan
heteroskedastis. Untuk menggambarkan model yang diusulkan dan
untuk menganalisis kinerjanya contoh studi kasus yaitu permintaan dari
pabrik semen telah dipertimbangkan. Dengan mengikuti prosedur
statistik yang berbeda, model ARIMA dan GARCH untuk seri permintaan
semen telah diidentifikasi. Rata-rata 12 bulan ke depan dan varians
dan GARCH (2, 1) yang teridentifikasi secara berurutan. Kemudian
telah dilakukan analisis komparatif antara ARIMA dan ARIMA-GARCH
mewakili
untuk menilai kinerja melalui estimasi BWE dan rasio amplifikasi stok
bersih dengan mempertimbangkan kebijakan stok dasar. Dari analisis,
ditemukan bahwa nilai amplifikasi BWE dan net-stock adalah komparatif
yang lebih kecil ketika pesanan diestimasi dengan mempertimbangkan
varians permintaan yang bervariasi waktu yang diramalkan daripada
tanpa mempertimbangkan varians permintaan yang bervariasi waktu.
Oleh karena itu, terbukti bahwa model yang diusulkan membantu dalam
memprediksi varians permintaan yang berubah untuk menghitung
kuantitas safety stock di masing-masing
periode pengisian untuk perhitungan volume pesanan yang akurat.
Model yang diusulkan dapat diterapkan oleh suatu organisasi untuk
memprediksi variasi permintaan untuk menetapkan tingkat persediaan
pengaman dan perhitungan kuantitas pesanan yang akurat. Ini lebih
lanjut, membantu organisasi untuk mengurangi biaya penyimpanan,
tingkat layanan pelanggan, dan mengelola permintaan dan pesanan.
Model yang diusulkan diverifikasi untuk kebijakan pengendalian
persediaan stok dasar. Oleh karena itu, model yang diusulkan dapat
diverifikasi untuk varian lain dari kebijakan pengendalian persediaan tingkat pesanan.

= (9)
REFERENSI
Aburto, L., & Weber, R. (2007). Peningkatan manajemen rantai pasokan
berdasarkan perkiraan permintaan hibrida. Komputasi Lunak
= (10) Terapan, 7(1), 136-144.
Agrawal, S., Sengupta, RN, & Shanker, K. (2009). Dampak berbagi
informasi dan waktu tunggu pada BWE dan inventaris yang ada.
Tabel 13 Estimasi BWE dan penguatan stok bersih
Riset Operasional Jurnal Eropa, 192(2), 576-593.
dari
Model BWE Amplifikasi stok bersih
ARIMA 0.881 1.041 Babai, MZ, Ali, MM, Boylan, JE, & Syntetos, AA (2013).
ARIMA-GARCH 0,953 1.024 Peramalan dan kinerja inventaris dalam rantai pasokan dua tahap
dengan permintaan ARIMA (0, 1, 1): Teori dan analisis empiris.
Jurnal Internasional Ekonomi Produksi, 143(2), 463-471.
Dari Tabel 13 dapat disimpulkan bahwa pendekatan BWE menjadi
satu dalam kasus model ARIMA-GARCH. Berthouex, PM, & Box, GE (1996). Model deret waktu untuk peramalan
Hal ini menandakan bahwa BWE lebih kecil yaitu nilai varians pesanan kinerja instalasi pengolahan air limbah. Penelitian Air, 30(8),
kurang lebih sama dengan nilai varians permintaan. Sedangkan estimasi 1865-1875.
BWE pada kasus model ARIMA kurang dari satu yang menunjukkan Bollerslev, T. (1986). Heteroskedastisitas bersyarat autoregresif umum.
Jurnal Ekonometrika, 31(3), 307-327.
skenario redaman, yaitu variasi order lebih rendah dibandingkan variasi
Boute, RN dan Lambrecht, MR (2009). Menjelajahi efek bullwhip melalui
demand (Boute dan Lambrecht, 2009). Nilai BWE dalam kasus ARIMA
simulasi spreadsheet. Menginformasikan Transaksi Pendidikan,
relatif lebih tinggi dari ARIMA-GARCH. Nilai amplifikasi stok bersih yang 10(1), 1-9.
dihitung dalam kasus ARIMA Box, GP dan Jenkins, GM (1976). Analisis deret waktu: Peramalan dan
kontrol, Holden-day Inc., San Francisco, CA.
Machine Translated by Google
Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
Operasi dan Manajemen Rantai Pasokan 14 (2) hlm. 123 – 132 © 2021
Box, GE, Jenkins, GM, Reinsel, GC, & Ljung, GM (2015).
Analisis deret waktu: peramalan dan pengendalian, Edisi ke- 5 ,
John Wiley & Sons, Hoboken, New Jersey.
Kotak, GEP, Jenkins, GM, Reinsel, GC dan Jenkins, G. (1994).
Analisis Deret Waktu: Peramalan dan Kontrol, 3rd Ed., Prentice-
Hall, Englewood Cliffs, NJ.
Chavez, SG, Bernat, JX, & Coalla, HL (1999). Peramalan produksi dan
konsumsi energi di Asturias (Spanyol Utara). Energi, 24(3), 183-198.
Chen, F., Drezner, Z., Ryan, JK dan Simchi-Levi, D. (2000a).
Mengukur efek bullwhip dalam rantai pasokan sederhana: Dampak
peramalan, waktu, dan informasi. Ilmu Manajemen,
memimpin
46(3), 436-443.
Chen, F., Ryan, JK dan Simchi-Levi, D. (2000b). Dampak perkiraan
pemulusan eksponensial pada efek bullwhip. Logistik Riset
Angkatan Laut, 47(4), 269-286.
Chopra S., Meindel P. dan Kalra DV (2006). Strategi, perencanaan, dan
operasi manajemen rantai pasokan. 3rd Ed., Pearson Education,
Inc., New Delhi, India.
Choudhry, T., Hasan, M., & Zhang, Y. (2019). Memprediksi rasio lindung
nilai dinamis harian di pasar berjangka saham Eropa yang sedang
berkembang: bukti dari model GARCH. Jurnal Internasional
Perbankan, Akuntansi dan Keuangan, 10(1), 67-100.
Dhahri, I., & Chabchoub, H. (2007). Model pemrograman tujuan nonlinier
yang mengukur efek bullwhip dalam rantai pasokan berdasarkan
parameter ARIMA. Jurnal Riset Operasional Eropa, 177(3),
1800-1810.
Dritsakis, N., & Klazoglou, P. (2019). Analisis deret waktu menggunakan
model ARIMA: suatu pendekatan untuk memperkirakan pengeluaran
kesehatan di Amerika Serikat. Economia Internazionale/ Ekonomi
Internasional, 72(1), 77-106.
Duc, TTH, Luong, HT dan Kim, Y.-D. (2008). Ukuran efek bullwhip dalam
rantai pasokan dengan proses permintaan rata-rata bergerak
autoregresif campuran. Jurnal Riset Operasional Eropa, 187(1),
243-256.
Duc, TTH, Luong, HT dan Kim, YD (2008). Ukuran efek bullwhip dalam
rantai pasokan dengan waktu tunggu stokastik. Jurnal Internasional
Teknologi Manufaktur Lanjutan, 38 (11-12), 1201-1212.
Ediger, V. ., & Akar, S. (2007). Prakiraan ARIMA permintaan energi
primer berdasarkan bahan bakar di Turki. Kebijakan Energi, 35(3),
1701-1708.
Erdogdu, E. (2007). Analisis kebutuhan listrik menggunakan model
kointegrasi dan ARIMA: Studi kasus Turki. Kebijakan Energi, 35(2),
1129-1146.
Engle, RF (1982). Heteroskedastisitas bersyarat autoregresif dengan
perkiraan varians inflasi Inggris.
Ekonometrika, 50(4), 987-1007.
Gilbert, K. (2005). Model rantai pasokan ARIMA. Ilmu Manajemen, 51(2),
305-310.
Gilbert, KC dan Chatpattananan, V. (2006). Model rantai pasokan ARIMA
dengan kebijakan pemesanan umum. Jurnal Pemodelan dalam
Manajemen, 1(1), 33-51.
Ho, SL, & Xie, M. (1998). Penggunaan model ARIMA untuk peramalan
dan analisis keandalan. Teknik Komputer dan Industri, 35(1),
213-216.
Hong, L. dan Ping, W. (2007). Analisis efek bullwhip dalam rantai pasokan
untuk teknologi peramalan permintaan. Rekayasa Sistem-Teori
dan Praktek, 27(7), 26-33.
Hor, CL, Watson, SJ, & Majithia, S. (2006, Juni). Peramalan beban harian
dan estimasi permintaan maksimum menggunakan ARIMA dan
GARCH. Dalam Metode Probabilistik Diterapkan pada Sistem
Tenaga, 2006. PMAPS 2006. Konferensi Internasional tentang
(hal. 1-6). IEEE.
Hossain, Z., Abdus Samad, Q., & Ali, Z. (2006). Model dan peramalan
ARIMA dengan tiga jenis harga pulsa di
131
Bangladesh: sebuah studi kasus. Jurnal Internasional Ekonomi
Sosial, 33(4), 344-353.
Kavasseri, RG, & Seetharaman, K. (2009). Peramalan kecepatan angin
sehari ke depan menggunakan
34(5), 1388-1393.
model f-ARIMA. Energi Terbarukan,
Kumar, K., & Jain, VK (1999). Pemodelan Autoregressive Integrated
Moving Averages (ARIMA) dari rangkaian waktu kebisingan lalu
lintas. Akustik Terapan, 58(3), 283-294.
Lee, HL, Padmanabhan, V. dan Whang, S. (1997a). Efek bullwhip dalam
rantai pasokan1. Tinjauan Manajemen Pinjaman, 38(3), 93-102.
Liang, Y.-H., (2013). Menerapkan model heteroskedastis bersyarat
autoregresif umum untuk menganalisis dan meramalkan data
kegagalan lapangan dari sistem yang dapat diperbaiki. Jurnal
Internasional Manajemen Kualitas dan Keandalan, 30(7), 737-750.
Luong, HT (2007). Ukuran bullwhip effect dalam rantai pasokan dengan
proses permintaan autoregressive. Jurnal Riset Operasional Eropa,
180(3), 1086-1097.
Luong, HT dan Phien, NH (2007). Ukuran efek bullwhip dalam rantai
pasokan: Kasus proses permintaan autoregresif tingkat tinggi.
Jurnal Riset Operasi Eropa, 183(1), 197-209.
Makridakis, S., Wheelwright, SC dan Hyndman, RJ
(2008). Metode dan aplikasi peramalan. Edisi ke -3 . John Wiley
and Sons, Singapura.
Rekhi, JK, Nagrath, P., & Jain, R. (2020). Peramalan Kualitas Udara
Delhi Menggunakan Model ARIMA. Dalam Kemajuan dalam Ilmu
Data, Keamanan dan Aplikasi, Springer, Singapura, 315-325,
Saab, S., Badr, E., & Nasr, G. (2001). Pemodelan univariat dan peramalan
konsumsi energi: kasus listrik di Lebanon. Energi, 26(1), 1-14.
Shee, H., & Kaswi, S. (2015). Penyebab perilaku bullwhip effect: pengecer
supermarket multinasional vs. lokal.
Operasi dan Manajemen Rantai Pasokan: Sebuah Jurnal
Internasional, 9(1), 1-14.
Simonato, JG (2019). Penetapan harga opsi Amerika di bawah GARCH
dengan inovasi
853-880.
non-normal. Optimasi dan Rekayasa, 20(3),
Takle, IS (2003), Pemodelan volatilitas dalam data deret waktu, tesis
MSc, Universitas Kwa-Zulu Natal.
Trapero, JR, Cardos, M., & Kourentzes, N. (2019). Estimasi stok
pengaman empiris berdasarkan model kernel dan GARCH. Omega,
84, 199-211.
Tse, RY (1997). Aplikasi model ARIMA untuk harga real estat di Hong
Kong. Jurnal Keuangan Properti, 8(2), 152-163.
Valipour, M., Banihabib, ME, & Behbahani, SMR (2013).
Perbandingan model jaringan saraf tiruan ARMA, ARIMA, dan
autoregressive dalam meramalkan aliran bulanan reservoir
bendungan Dez. Jurnal hidrologi, 476, 433-
441
Wang, TY, & Yeh, DH (2014). Arsitektur DSS Peramalan Terintegrasi
dalam Manajemen Rantai Pasokan. Operasi dan Manajemen
Rantai Pasokan: Sebuah Jurnal Internasional, 2(1), 24-41.
Zhang, X. (2004), Evolusi permintaan ARMA dalam rantai pasokan,
Manajemen Operasi Manufaktur dan Layanan, 6(2), 195-198.
Zhang, X., (2007). Pengendalian persediaan di bawah heteroskedastisitas
permintaan temporal. Jurnal Riset Operasional Eropa, 182(1),
127-144.
Zhou, M., Yan, Z., Ni, YX, Li, G., & Nie, Y. (2006). Peramalan harga listrik
dengan estimasi interval kepercayaan melalui pendekatan ARIMA
yang diperluas. Prosiding IEE Pembangkitan, Transmisi dan
Distribusi, 153(2), 187-195.
Machine Translated by Google

Jaipuria & Mahapatra: Teknik Peramalan Hibrida untuk Menghadapi Permintaan Heteroskedastis dalam Rantai Pasokan
132 Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021

Sanjita Jaipuria saat ini bekerja sebagai Asisten Profesor di bidang Operasi dan Teknik Kuantitatif di Institut Manajemen
India, Shillong, India. Bidang pengajaran dan penelitiannya meliputi peramalan, pemodelan dan simulasi, manajemen
kualitas dan manajemen operasi. Ia mempublikasikan hasil penelitiannya di berbagai jurnal internasional dan
dipresentasikan dalam konferensi.

Dr. SS Mahapatra saat ini bekerja sebagai Profesor di Departemen Teknik Mesin di Institut Teknologi Nasional, Rourkela,
India. Bidang minatnya meliputi pengambilan keputusan multi-kriteria, rekayasa kualitas, simulasi, sistem lean, dan
manajemen kualitas layanan. Dia telah menerbitkan 350 makalah penelitian di berbagai jurnal peer review internasional
dan nasional. Dia adalah peninjau luar biasa dari banyak jurnal internasional. Selain itu, ia adalah pengajar tamu ke
sekolah-sekolah teknik di India dan luar negeri.