Inventory Forecasting Analysis using The Weighted Moving Average Method in Go Public Trading Companies
Notice bibliographique
Résumé
This research aims to analyze inventory forecasting using the weighted moving average method and then compare the trading companies' patterns. The research method used is quantitative descriptive with secondary data of inventory in the period 2018-2022 which provide quarterly. This research uses the weighted moving average method to calculate forecasting of inventory by Microsoft Excel data analysis techniques. This research shows the highest inventory forecasting on PT Sumber Alfaria Trijaya Tbk (AMRT) occurs in the first quarter of 2023 with the amount of 10.537.541 and the lowest forecasting occurs in the second quarter in 2023 with the amount of 10.431.677. The highest inventory forecasting on PT Erajaya Swasembada Tbk (ERAA) occurs in the second quarter of 2023 with the amount of 6.443.525 and the lowest forecasting in the fourth quarter of 2023 with the amount of 6.418.659. The highest inventory forecasting on PT United Tractors Tbk (UNTR) occurs in the third quarter of 2023 with the amount of 12.239.422 and the lowest forecasting in the first quarter of 2023 with the amount of 12.050.681. Based on the study's results, the tracking signal value at AMRT was 2,17, ERAA was 0.01, and UNTR was -0.08. The three companies' results prove that the weighted moving average can be used to determine inventory forecasting for the next period because the tracking signal value is still within the control limits of ±4.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».