Dewandra, Aderyan Reynaldi Fahrezza (2023) Analisis multivariate time-series menggunakan metode cnn: studi kasus peramalan pengunjung unik jurnal / Aderyan Reynaldi Fahrezza Dewandra. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
Peramalan time-series merupakan peramalan yang berfokus pada analisis pengamatan variabel di masa lalu untuk memprediksi nilai di masa depan. Peramalan tersebut diperlukan dalam berbagai permasalahan salah satunya ialah peramalan pengunjung unik (session) jurnal elektronik. Pengunjung unik merupakan atribut yang menunjukkan besarnya minat pembaca serta luasnya persebaran terbitan berkala jurnal elektronik. Hal tersebut membuat pengunjung unik penting untuk diramalkan dalam mempercepat akreditasi jurnal elektronik. Hasil peramalan digunakan oleh pengelola jurnal sebagai bahan pertimbangan dalam penentuan strategi yang akan dilakukan. Salah satu metode yang dapat digunakan untuk melakukan peramalan ialah metode convolutional neural network (CNN). CNN merupakan metode deep learning yang menerapkan konsep dasar algoritma artificial neural network (ANN) dengan hidden layer yang lebih banyak. Metode tersebut secara efektif meramalkan data time-series dengan mengekstrak fitur satu dimensi dari data input yang digunakan. Tahapan penelitian terdiri dari empat tahap meliputi pengumpulan data preprocessing proses peramalan menggunakan CNN dan evaluasi. Tahap pengumpulan data dilakukan melalui statcounter.com dengan periode tanggal 1 Januari 2018 hingga 31 Desember 2020. Dataset tersebut terdiri dari atribut pengunjung unik (sessions) halaman yang dilihat (page views) pengunjung (visitors) dan pengunjung baru (new visitors). Tahap preprocessing dilakukan melalui normalisasi data yang merubah rentang data dengan tujuan mempermudah perhitungan dalam proses peramalan. Selanjutnya proses peramalan dilakukan menggunakan metode CNN satu dimensi (1D CNN) dengan input multivariat. Evaluasi kinerja metode peramalan dilakukan menggunakan root mean square error (RMSE) dan lama waktu eksekusi. Berdasarkan hasil peramalan yang didapatkan model 1 terbukti mengungguli kedua model lain dengan RMSE sebesar 2.314. Hasil tersebut diperoleh menggunakan arsitektur dengan 2 hidden layer dan 64 neuron. Melalui uji signifikansi dibuktikan bahwa penambahan hidden layer hanya berpengaruh signifikan terhadap RMSE pada model 1 menggunakan neuron berjumlah 64 dan 256. Sedangkan penambahan neuron tidak berpengaruh signifikan terhadap RMSE.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | L Education > L Education (General) > LM Media Pembelajaran |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 02 May 2023 04:29 |
| Last Modified: | 24 Sep 2024 01:45 |
| URI: | http://repository.um.ac.id/id/eprint/291752 |
Actions (login required)
 |
View Item |