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
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 dan estimasi interval kepercayaan. Bullwhip effect adalah salah satu isu utama
di bawah lingkungan permintaan heteroskedastis. Oleh karena itu, untuk memecahkan dalam rantai pasok. Shee dan Kaswi (2015) telah menganalisis pengaruh
kendala yang terkait dengan model ARIMA untuk menghitung perilaku pemesanan terhadap bullwhip effect dalam rantai pasokan
persediaan pengaman dan kuantitas pesanan pada setiap periode pengisian multinasional dan lokal tiga eselon di Indonesia. Lee dkk. (1997) telah
kembali, pendekatan gabungan model ARIMA dan GARCH yang dilambangkan menyatakan bahwa tidak akurat
sebagai ARIMA-GARCH, telah diusulkan dalam pekerjaan ini. peramalan adalah salah satu alasan utama BWE dalam rantai pasokan. Oleh
Pengaruh BWE dapat divisualisasikan dalam biaya peralihan produksi atau karena itu, untuk memantaunya di seluruh rantai pasokan
biaya pemesanan. Karena variasi kuantitas pesanan di sisi permintaan, Model ARIMA telah digunakan dan banyak penulis telah menyorotinya. Dhahri
tingkat persediaan pengaman yang tinggi harus dan Chabchoub (2007) telah mengusulkan model pemrograman tujuan
terus di sisi pasokan rantai pasokan dan ini menyebabkan biaya penyimpanan nonlinier berdasarkan proses ARIMA untuk memoderasi BWE dalam rantai
persediaan yang tinggi. Oleh karena itu, tidak hanya diperlukan untuk pasokan. Pengaruh waktu tunggu dan pembagian informasi pada persediaan
mengukur variasi dalam jumlah pesanan tetapi juga untuk mengukur yang ada dalam rantai pasokan serial dua eselon dianalisis oleh Agrawal et
variasi tingkat stok. Fluktuasi tingkat persediaan dapat direpresentasikan al. (2009) dengan asumsi permintaan pelanggan mengikuti proses AR di akhir
melalui penguatan stok bersih (Boute dan Lambrecht, 2009). Dalam hal ini, pengecer.
studi BWE dan amplifikasi stok bersih telah dianggap sebagai ukuran kinerja
untuk Mengingat ARIMA (0, 1, 1) proses permintaan di toko ritel Babai et al. (2013)
menguji kinerja model ARIMA-GARCH telah menganalisis hubungan antara ketepatan peramalan dan kinerja
mengikuti kebijakan pengendalian persediaan dasar. Kinerja model ARIMA- persediaan. Pendekatan gabungan ARIMA dan jaringan saraf telah digunakan
GARCH yang diusulkan telah dijelaskan melalui studi kasus. 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
2. TINJAUAN PUSTAKA Model ARIMA runtun waktu
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
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 Operasi dan Manajemen Rantai Pasokan 14(2) hlm. 123 – 132 © 2021
Permintaan rata-rata diprediksi menggunakan ARIMA dan varians Selanjutnya, rata-rata dan varians dari permintaan digunakan untuk
permintaan diprediksi melalui model GARCH. menghitung jumlah persediaan pengaman dan jumlah pesanan.
GARCH
Model
Varians permintaan yang
diprediksi
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 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
24,9958
1
Keterlambatan 10 15 20 31.4104
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)
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
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)
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 residu standar. Gambar 11, mewakili plot ACF untuk residu
umumnya didefinisikan berdasarkan properti residu dan lebih standar. Semua paku berada di dalam batas sehingga tidak ada
khusus pada residu standar (Takle, 2003). korelasi yang tersisa. Selanjutnya untuk memverifikasi adanya
Menurut asumsi yang dipertimbangkan dalam model GARCH, korelasi dan heteroskedastisitas pada deret residual dilakukan uji
residu mengikuti proses derau Gaussian putih aditif yaitu model Ljung-Box-Pierce Q dan uji ARCH untuk deret inovasi
cocok dengan data dengan baik dan residu harus independen terstandarisasi. Nilai estimasi masing-masing didefinisikan pada
secara acak dan terdistribusi secara identik untuk mengikuti Tabel 11 dan Tabel 12. Nilai yang diamati, h=0 dan p-Value >=
distribusi normal. Jika asumsi ini terpenuhi, maka model dapat 0,05 menyatakan gagal menolak hipotesis nol maka terbukti tidak
diperlakukan sebagai model yang paling cocok. Angka 8 ada
menggambarkan hubungan antara residual (inovasi), inovasi korelasi maupun efek ARCH telah tertinggal dalam seri inovasi
standar bersyarat dan rangkaian kembali dari model pas yang standar. Oleh karena itu, GARCH (2, 1) dipilih sebagai model
diidentifikasi yaitu GARCH (2, 1). Dalam gambar ini, pengelompokan yang paling sesuai dan dengan menggunakan model ini diprediksi
volatilitas dapat diamati pada seri pengembalian dan seri inovasi. varians permintaan 12 bulan ke depan.
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.
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 Model GARCH sedikit lebih sedikit dibandingkan dengan model ARIMA
menandakan fluktuasi yang lebih sedikit dalam tingkat stok di tangan.
bentuk sederhana dari order up-to level yaitu ((R, S)) kebijakan inventory
Dari studi di atas, telah dibuktikan bahwa model ARIMA-GARCH dapat
control yaitu base-stock inventory policy menggunakan Persamaan (7) -
memperkirakan jumlah pesanan dengan tingkat akurasi yang relatif tinggi
(8) dengan mempertimbangkan lead time (L) dan review period (R) sama
melalui update safety stock menggunakan varians permintaan yang
untuk satu periode waktu (Zhang, 2004; Luong & Phien 2007).
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 (8) GARCH) telah diusulkan untuk menangani deret permintaan
heteroskedastis. Untuk menggambarkan model yang diusulkan dan
untuk menganalisis kinerjanya contoh studi kasus yaitu permintaan dari
di mana, Dtÿ1mewakili permintaan semen aktual pada t-1 pabrik semen telah dipertimbangkan. Dengan mengikuti prosedur
periode, suku z menyatakan tingkat pelayanan untuk memenuhi pesanan statistik yang berbeda, model ARIMA dan GARCH untuk seri permintaan
dan diasumsikan sebesar 95% maka nilai z yang dihasilkan adalah 1,96. semen telah diidentifikasi. Rata-rata 12 bulan ke depan dan varians
L permintaan diramalkan menggunakan model ARIMA (2, 1, 1) (0, 1, 1)12
parameter t Ini adalah variasi permintaan yang diperkirakan selama
L
dan GARCH (2, 1) yang teridentifikasi secara berurutan. Kemudian
lead-time sementara t1 adalah variasi permintaan yang diperkirakan
L L telah dilakukan analisis komparatif antara ARIMA dan ARIMA-GARCH
selama periode sebelumnya t-1. permintaanDt dan Dt 1 mewakili
untuk menilai kinerja melalui estimasi BWE dan rasio amplifikasi stok
rata-rata yang diprediksi selama lead time pada periode waktu t dan t-1. bersih dengan mempertimbangkan kebijakan stok dasar. Dari analisis,
Dalam kasus deret permintaan heteroskedastis, Persamaan 7 dapat
ditemukan bahwa nilai amplifikasi BWE dan net-stock adalah komparatif
digunakan untuk memperkirakan jumlah pesanan. yang lebih kecil ketika pesanan diestimasi dengan mempertimbangkan
Sedangkan Persamaan (8) berlaku untuk deret permintaan homoskedastis varians permintaan yang bervariasi waktu yang diramalkan daripada
dimana tidak ada perubahan varians permintaan. Dengan menggunakan tanpa mempertimbangkan varians permintaan yang bervariasi waktu.
model GARCH (2, 1) yang teridentifikasi, varian permintaan semen 12 Oleh karena itu, terbukti bahwa model yang diusulkan membantu dalam
bulan ke depan diramalkan dan rata-rata permintaan diramalkan
memprediksi varians permintaan yang berubah untuk menghitung
menggunakan model ARIMA (2, 1, 1) (0, 1, 1)12 yang teridentifikasi. kuantitas safety stock di masing-masing
Menggunakan perkiraan rata-rata dan varians permintaan, keamanan periode pengisian untuk perhitungan volume pesanan yang akurat.
L L
volume stok ( zÿ t / zt 1 ) diperbarui pada setiap periode Model yang diusulkan dapat diterapkan oleh suatu organisasi untuk
memprediksi variasi permintaan untuk menetapkan tingkat persediaan
pengisian ulang untuk menghitung jumlah pesanan menggunakan
pengaman dan perhitungan kuantitas pesanan yang akurat. Ini lebih
Persamaan (7). Ketika varians permintaan tidak dipertimbangkan, jumlah
lanjut, membantu organisasi untuk mengurangi biaya penyimpanan,
pesanan diestimasi menggunakan Persamaan (8) yaitu tanpa
tingkat layanan pelanggan, dan mengelola permintaan dan pesanan.
mempertimbangkan varians permintaan yang diprediksi menggunakan
Model yang diusulkan diverifikasi untuk kebijakan pengendalian
model GARCH. Selanjutnya, amplifikasi BWE dan net-stock dihitung
persediaan stok dasar. Oleh karena itu, model yang diusulkan dapat
masing-masing menggunakan Persamaan (9), Persamaan (10),
diverifikasi untuk varian lain dari kebijakan pengendalian persediaan tingkat pesanan.
dan ringkasan pada Tabel 13.
= (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 131
Box, GE, Jenkins, GM, Reinsel, GC, & Ljung, GM (2015). Bangladesh: sebuah studi kasus. Jurnal Internasional Ekonomi
Analisis deret waktu: peramalan dan pengendalian, Edisi ke- 5 , Sosial, 33(4), 344-353.
John Wiley & Sons, Hoboken, New Jersey. Kavasseri, RG, & Seetharaman, K. (2009). Peramalan kecepatan angin
Kotak, GEP, Jenkins, GM, Reinsel, GC dan Jenkins, G. (1994). sehari ke depan menggunakan
34(5), 1388-1393.
model f-ARIMA. Energi Terbarukan,
Analisis Deret Waktu: Peramalan dan Kontrol, 3rd Ed., Prentice-
Hall, Englewood Cliffs, NJ. Kumar, K., & Jain, VK (1999). Pemodelan Autoregressive Integrated
Chavez, SG, Bernat, JX, & Coalla, HL (1999). Peramalan produksi dan Moving Averages (ARIMA) dari rangkaian waktu kebisingan lalu
konsumsi energi di Asturias (Spanyol Utara). Energi, 24(3), 183-198. lintas. Akustik Terapan, 58(3), 283-294.
Lee, HL, Padmanabhan, V. dan Whang, S. (1997a). Efek bullwhip dalam
Chen, F., Drezner, Z., Ryan, JK dan Simchi-Levi, D. (2000a). rantai pasokan1. Tinjauan Manajemen Pinjaman, 38(3), 93-102.
Mengukur efek bullwhip dalam rantai pasokan sederhana: Dampak
peramalan, waktu, dan informasi. Ilmu Manajemen,
memimpin
46(3), 436-443. Liang, Y.-H., (2013). Menerapkan model heteroskedastis bersyarat
autoregresif umum untuk menganalisis dan meramalkan data
Chen, F., Ryan, JK dan Simchi-Levi, D. (2000b). Dampak perkiraan kegagalan lapangan dari sistem yang dapat diperbaiki. Jurnal
pemulusan eksponensial pada efek bullwhip. Logistik Riset Internasional Manajemen Kualitas dan Keandalan, 30(7), 737-750.
Angkatan Laut, 47(4), 269-286. Luong, HT (2007). Ukuran bullwhip effect dalam rantai pasokan dengan
Chopra S., Meindel P. dan Kalra DV (2006). Strategi, perencanaan, dan proses permintaan autoregressive. Jurnal Riset Operasional Eropa,
operasi manajemen rantai pasokan. 3rd Ed., Pearson Education, 180(3), 1086-1097.
Inc., New Delhi, India. Luong, HT dan Phien, NH (2007). Ukuran efek bullwhip dalam rantai
Choudhry, T., Hasan, M., & Zhang, Y. (2019). Memprediksi rasio lindung pasokan: Kasus proses permintaan autoregresif tingkat tinggi.
nilai dinamis harian di pasar berjangka saham Eropa yang sedang Jurnal Riset Operasi Eropa, 183(1), 197-209.
berkembang: bukti dari model GARCH. Jurnal Internasional
Perbankan, Akuntansi dan Keuangan, 10(1), 67-100. Makridakis, S., Wheelwright, SC dan Hyndman, RJ
Dhahri, I., & Chabchoub, H. (2007). Model pemrograman tujuan nonlinier (2008). Metode dan aplikasi peramalan. Edisi ke -3 . John Wiley
yang mengukur efek bullwhip dalam rantai pasokan berdasarkan and Sons, Singapura.
parameter ARIMA. Jurnal Riset Operasional Eropa, 177(3), Rekhi, JK, Nagrath, P., & Jain, R. (2020). Peramalan Kualitas Udara
1800-1810. Delhi Menggunakan Model ARIMA. Dalam Kemajuan dalam Ilmu
Dritsakis, N., & Klazoglou, P. (2019). Analisis deret waktu menggunakan Data, Keamanan dan Aplikasi, Springer, Singapura, 315-325,
model ARIMA: suatu pendekatan untuk memperkirakan pengeluaran
kesehatan di Amerika Serikat. Economia Internazionale/ Ekonomi Saab, S., Badr, E., & Nasr, G. (2001). Pemodelan univariat dan peramalan
Internasional, 72(1), 77-106. konsumsi energi: kasus listrik di Lebanon. Energi, 26(1), 1-14.
Duc, TTH, Luong, HT dan Kim, Y.-D. (2008). Ukuran efek bullwhip dalam
rantai pasokan dengan proses permintaan rata-rata bergerak Shee, H., & Kaswi, S. (2015). Penyebab perilaku bullwhip effect: pengecer
autoregresif campuran. Jurnal Riset Operasional Eropa, 187(1), supermarket multinasional vs. lokal.
243-256. Operasi dan Manajemen Rantai Pasokan: Sebuah Jurnal
Duc, TTH, Luong, HT dan Kim, YD (2008). Ukuran efek bullwhip dalam Internasional, 9(1), 1-14.
rantai pasokan dengan waktu tunggu stokastik. Jurnal Internasional Simonato, JG (2019). Penetapan harga opsi Amerika di bawah GARCH
Teknologi Manufaktur Lanjutan, 38 (11-12), 1201-1212. dengan inovasi
853-880.
non-normal. Optimasi dan Rekayasa, 20(3),
Ediger, V. ., & Akar, S. (2007). Prakiraan ARIMA permintaan energi Takle, IS (2003), Pemodelan volatilitas dalam data deret waktu, tesis
primer berdasarkan bahan bakar di Turki. Kebijakan Energi, 35(3), MSc, Universitas Kwa-Zulu Natal.
1701-1708. Trapero, JR, Cardos, M., & Kourentzes, N. (2019). Estimasi stok
Erdogdu, E. (2007). Analisis kebutuhan listrik menggunakan model pengaman empiris berdasarkan model kernel dan GARCH. Omega,
kointegrasi dan ARIMA: Studi kasus Turki. Kebijakan Energi, 35(2), 84, 199-211.
1129-1146. Tse, RY (1997). Aplikasi model ARIMA untuk harga real estat di Hong
Engle, RF (1982). Heteroskedastisitas bersyarat autoregresif dengan Kong. Jurnal Keuangan Properti, 8(2), 152-163.
perkiraan varians inflasi Inggris.
Ekonometrika, 50(4), 987-1007. Valipour, M., Banihabib, ME, & Behbahani, SMR (2013).
Gilbert, K. (2005). Model rantai pasokan ARIMA. Ilmu Manajemen, 51(2), Perbandingan model jaringan saraf tiruan ARMA, ARIMA, dan
305-310. autoregressive dalam meramalkan aliran bulanan reservoir
Gilbert, KC dan Chatpattananan, V. (2006). Model rantai pasokan ARIMA bendungan Dez. Jurnal hidrologi, 476, 433-
dengan kebijakan pemesanan umum. Jurnal Pemodelan dalam 441
Manajemen, 1(1), 33-51. Wang, TY, & Yeh, DH (2014). Arsitektur DSS Peramalan Terintegrasi
Ho, SL, & Xie, M. (1998). Penggunaan model ARIMA untuk peramalan dalam Manajemen Rantai Pasokan. Operasi dan Manajemen
dan analisis keandalan. Teknik Komputer dan Industri, 35(1), Rantai Pasokan: Sebuah Jurnal Internasional, 2(1), 24-41.
213-216.
Hong, L. dan Ping, W. (2007). Analisis efek bullwhip dalam rantai pasokan Zhang, X. (2004), Evolusi permintaan ARMA dalam rantai pasokan,
untuk teknologi peramalan permintaan. Rekayasa Sistem-Teori Manajemen Operasi Manufaktur dan Layanan, 6(2), 195-198.
dan Praktek, 27(7), 26-33.
Hor, CL, Watson, SJ, & Majithia, S. (2006, Juni). Peramalan beban harian Zhang, X., (2007). Pengendalian persediaan di bawah heteroskedastisitas
dan estimasi permintaan maksimum menggunakan ARIMA dan permintaan temporal. Jurnal Riset Operasional Eropa, 182(1),
GARCH. Dalam Metode Probabilistik Diterapkan pada Sistem 127-144.
Tenaga, 2006. PMAPS 2006. Konferensi Internasional tentang Zhou, M., Yan, Z., Ni, YX, Li, G., & Nie, Y. (2006). Peramalan harga listrik
(hal. 1-6). IEEE. dengan estimasi interval kepercayaan melalui pendekatan ARIMA
Hossain, Z., Abdus Samad, Q., & Ali, Z. (2006). Model dan peramalan yang diperluas. Prosiding IEE Pembangkitan, Transmisi dan
ARIMA dengan tiga jenis harga pulsa di 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.