Prediksi Pendapatan Kargo Menggunakan Arsitektur Long Short Term Memory
DOI:
https://doi.org/10.35143/jkt.v6i2.3621Kata Kunci:
Long Short Term Memory, LSTM, Prediksi, Deep LearningAbstrak
Angkutan kargo udara Indonesia saat ini mengalami perkembangan yang cukup signifikan. Salah satu layanan kargo yang terdapat di Indonesia yaitu Garuda Indonesia Cargo dan memiliki beberapa kantor cabang. Adanya suatu model perkiraan pendapatan diharapkan dapat memberikan wawasan pada suatu kantor cabang. Penelitian ini mengajukan sebuah prediksi pendapatan menggunakan algoritma Deep Learning yaitu Long Short Term Memory (LSTM). LSTM digunakan karena data yang akan diolah adalah data time series. Hasil akurasi pengujian diukur menggunakan Root Mean Squared Error (RMSE). Data pada penelitian ini adalah pendapatan dari salah satu kantor cabang yaitu Cargo Service Center (CSC) Tangerang City. Data berisi kumpulan-kumpulan transaksi pengiriman barang tiap hari. Data melewati 4 proses preprocessing yaitu subtotal, deteksi outlier, difference dan scaling. Hasil penelitian ini menunjukan hasil prediksi terbaik yaitu pada komposisi data train 90% dan data test 10% dengan nilai RMSE sebesar data train 641375.70 dan data test 594197.70.Unduhan
Referensi
C. Hu, Q. Wu, H. Li, S. Jian, N. Li, and Z. Lou, “Deep learning with a long short-term memory networks approach for rainfall-runoff simulation,†Water (Switzerland), vol. 10, no. 11, pp. 1–16, 2018, doi: 10.3390/w10111543.
J. Schmidhuber, “Deep Learning in neural networks: An overview,†Neural Networks, vol. 61, pp. 85–117, 2015, doi: 10.1016/j.neunet.2014.09.003.
G. Ghazali, Jondri, and M. Si, “Prediksi saham menggunakan dbn ( deep belief network ) stock prediction using dbn ( deep belief network ),†eProceedings Eng., vol. 4, no. 1, pp. 1258–1273, 2017.
W. Bao, J. Yue, and Y. Rao, “A deep learning framework for financial time series using stacked autoencoders and longshort term memory,†J. Cheminform., vol. 24, no. 4, pp. 1–11, 2018, doi: 10.6084/m9.figshare.5028110.
S. Li, H. Fang, and B. Shi, “Multi-Step-Ahead Prediction with Long Short Term Memory Networks and Support Vector Regression,†Chinese Control Conf. CCC, vol. 2018-July, pp. 8104–8109, 2018, doi: 10.23919/ChiCC.2018.8484066.
Z. Chen, Y. Liu, and S. Liu, “Mechanical state prediction based on LSTM neural netwok,†Chinese Control Conf. CCC, pp. 3876–3881, 2017, doi: 10.23919/ChiCC.2017.8027963.
M. A. D. Suyudi, “Prediksi Harga Saham menggunakan Metode Recurrent Neural Network,†Wikipedia, vol. 052, no. 735, pp. 3–6, 2015.
M. Rizki, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(Lstm) Untuk Prediksi Curah Hujan Kota Malang,†vol. 2, no. 3, pp. 331–338, 2019.
M. Wildan, P. Aldi, and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,†e-Proceeding Eng., vol. 5, no. 2, pp. 3548–3555, 2018.
A. Ubrani and S. Motwani, “LSTM- and GRU-based time series models for market clearing price forecasting of Indian deregulated electricity markets,†Adv. Intell. Syst. Comput., vol. 898, pp. 693–700, 2019, doi: 10.1007/978-981-13-3393-4_70.
Q. Wang, Y. Guo, L. Yu, and P. Li, “Earthquake Prediction based on Spatio-Temporal Data Mining: An LSTM Network Approach,†IEEE Trans. Emerg. Top. Comput., vol. 6750, no. c, pp. 1–1, 2017, doi: 10.1109/tetc.2017.2699169.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2020 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
