Claim Missing Document
Check
Articles

Comparative Analysis of Fourier Series Analysis and Holtwinters Methods on Forecasting Additive Seasonal Data Wildani Alfarisi, Widi; Haura, Zhafira; Aurilia Pratiwi, Dhanti; Alamanda Putri, Fariza; Sadewo, Ery; Darmawan , Gumgum
Innovative: Journal Of Social Science Research Vol. 4 No. 1 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Nilai persediaan toko dan gudang yang melayani perusahaan ritel dilaporkan pada setiap akhir tahun, khususnya pada tanggal 31 Desember terdapat sekitar 26%, sehingga dapat dikatakan bahwa nilai persediaan toko dan gudang masuk kedalam kategori rendah. Oleh karena itu, dalam menentukan prediksi nilai persediaan yang tersedia untuk dijual, peneliti ingin melakukan peramalan pada data Advance Retail Sales: Food and Beverage Stores yang mempunyai pola musiman aditif. Pola musiman aditif adalah pola data musiman yang menunjukkan adanya tren yang relatif konstan seiring waktu. Dalam hal ini, metode yang cocok digunakan adalah Fourier Series Analysis dan metode Holt-Winters. Tujuan penelitian adalah untuk mengetahui metode mana yang paling cocok untuk diterapkan pada data tersebut melalui perbandingan hasil dari dua metode tersebut berdasarkan nilai MAPE. Hasil penelitian menunjukkan bahwa metode Holt-Winters cocok untuk data Advance Retail Sales: Food and Beverage Stores adalah karena memiliki nilai MAPE yang paling kecil, yaitu sebesar 1,477%. Kata Kunci : Forecast, FSA, Holt-Winters, RSDBSN
Peramalan Deret Waktu Curah Hujan Di Kota Cirebon Menggunakan ARFIMA Rhafi Ahdian, Muhammad; Sangrila, Ayu; Rahman Al Madan, Aulia; Ismatilah, Nuzila; Aliya Auliyazhafira, Shabira; Darmawan , Gumgum
Innovative: Journal Of Social Science Research Vol. 4 No. 1 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i1.7998

Abstract

Curah hujan adalah ketinggian air hujan yang jatuh pada tempat yang datar, tidak menyerap, tidak meresap dan tidak mengalir. Data curah hujan diperlukan untuk perencanaan teknik, terutama untuk sistem drainase seperti irigasi, bendungan, drainase perkotaan, pelabuhan, dermaga dan struktur air lainnya. Data curah hujan juga diperlukan untuk kepentingan peramalan. Penelitian ini merupakan penelitian terapan yang membahas mengenai peramalan curah hujan di Kota Cirebon. Penelitian ini bertujuan untuk mengetahui peramalan dengan menggunakan metode ARFIMA. Data yang digunakan merupakan data deret waktu bulanan curah hujan di Kota Cirebon periode tahun 2018-2022 yang diperoleh dari website Open Data Cirebon Kota. Hasil penelitian ini merupakan peramalan curah hujan di Kota Cirebon selama 38 bulan kedepan yang diramalkan menggunakan model ARFIMA (2,d,1) yang menjadi model terbaik sesuai pengujian, memiliki nilai AIC paling minimum yaitu sebesar 591,2077 dan nilai BIC sebesar 603,7738. Hasil penelitian ini diharapkan menjadi pertimbangan pemerintah Kota Cirebon untuk mulai menyikapi curah hujan yang terjadi di Kota Cirebon agar mobilitas manusia khususnya para petani bisa berlangsung dengan baik
Pemodelan SARIMA dengan Pendekatan ARCH/GARCH untuk Meramalkan Penjualan Ritel Barang Elektronik Budianti, Laila; Janatin, Janatin; Yasyfi Avicenna, Muhammad; Kusuma Putri, Aisha; Darmawan , Gumgum
Innovative: Journal Of Social Science Research Vol. 4 No. 1 (2024): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/innovative.v4i1.8000

Abstract

Bersamaan dengan perkembangan teknologi yang semakin maju, terdapat upaya untuk mengembangkan prosedur pemodelan dan peramalan dengan automatic SARIMA sehingga dapat mengefisiensikan waktu dalam pembuatan model. Selain itu, automatic SARIMA dapat digunakan untuk mengurangi subjektivitas peneliti dalam penentuan orde model. Oleh karena itu, ingin dibuat model automatic SARIMA menggunakan software R untuk melakukan prediksi pada data penjualan ritel barang elektronik dan peralatan. Data yang digunakan adalah data Retail Sales: Electronics and Appliance Stores Amerika Serikat pada periode Januari 2013 hingga Agustus 2023. Metode yang akan digunakan adalah Automatic Seasonal Autoregressive Integrated Moving Average (SARIMA). Data ini memiliki musiman dengan periode 12. Dengan menggunakan syntax auto sarima yang dibuat, diperoleh model terpilih untuk data ini adalah SARIMA(1,1,2)(0,1,1)[12] dengan MAPE 3,99%. Akan tetapi, pada model ini tidak memenuhi asumsi White-Noise Heteroscedasticity dan teridentifikasi adanya efek ARCH pada model. Oleh karena itu, pendekatan yang digunakan untuk analisis ini adalah model SARIMA-ARCH, dengan model yang terpilih yaitu SARIMA(1,1,2)(0,1,1)[12] - ARCH(1,0) dengan nilai MAPE adalah 6.48%.
Penerapan Metode Grey-Markov(1,1) Untuk Peramalan Penerimaan di Kantor Pengawasan dan Pelayanan Bea Cukai Tipe Madya Pabean Cikarang Mulya, Callista Audrey; Darmawan , Gumgum; Yusti Faidah, Defi; Ahdika, Atina
Indo-MathEdu Intellectuals Journal Vol. 4 No. 3 (2023): Indo-MathEdu Intellectuals Journal
Publisher : Lembaga Intelektual Muda (LIM) Maluku

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54373/imeij.v4i3.431

Abstract

The Customs Supervision and Service Office is given a revenue target that must be achieved annually. However, revenue at the Customs Supervision and Service Office tends to fluctuate because it is strongly influenced by various external factors that are difficult to predict. Projections need to be done to see if the given revenue target can be achieved. This study aims to conduct forecasting so that it can be estimated how much revenue will be at the end of the year (December 2023). Research is conducted using the Grey(1,1) and Grey-Markov(1,1) models. The analysis results show that the Grey-Markov(1,1) model provides better forecasting accuracy compared to the Grey(1,1) model with a MAPE value of 5.390541% and a Posterior Error Ratio of 0.190644. These results show that the Grey Markov(1,1) model is more accurate than the Markov(1,1) mode, and that this method (Grey Markov(1,1)) is very good for forecasting with little data.
Extreme Gradent Boosting Method Forecasting Rainfall in Lembang District, West Java Province Putri, Salma Azzahra; Darmawan , Gumgum; Arisanti, Restu; Clarissa Clorinda, Chrysentia
Indo-MathEdu Intellectuals Journal Vol. 4 No. 3 (2023): Indo-MathEdu Intellectuals Journal
Publisher : Lembaga Intelektual Muda (LIM) Maluku

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54373/imeij.v4i3.452

Abstract

Lembang is a notable regional tourism destination that bears considerable significance within the urban area of Bandung. Lembang is widely recognized for its flourishing agricultural sector, which supports a significant community of farmers engaged in the cultivation of fruits, vegetables, and ornamental plants, in addition to its intrinsic scenic beauty. Therefore, the acquisition of precipitation data is of considerable significance for individuals live in the area to maintain their economic endeavors. This study employs daily historical data from the period of 2018 to 2021, wherein approximately 70% of the data is categorized as sparse. This discourse aims to examine the utilization of the Extreme Gradient Boosting (XGboost) technique for predicting rainfall in the Lembang region, specifically emphasizing its effectiveness in handling limited data. The findings indicate that the model, when trained and tested using a 7:3 data split ratio, achieved a mean absolute error (MAE) of 1.834 for training and 4.473 for testing. Additionally, the root mean square error (RMSE) was calculated to be 3.319 for training and 7.637 for testing. The optimal hyperparameters consist of a learning rate of 0.005, a max_depth value of 10, and the utilization of 300 decision trees as n_estimators. The model effectively captures the pattern of sparse time series data and non-rainy days data, as evidenced by its low error metrics. However, it slightly underestimates the rainfall rate on the days with intense precipitation
Sampling Design for Car Survey Using Stratified Random Sampling Widodo, Valeno Glenedias; Suparman, Yusep; Darmawan, Gumgum
Indonesian Journal of Contemporary Multidisciplinary Research Vol. 2 No. 5 (2023): September 2023
Publisher : PT FORMOSA CENDEKIA GLOBAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55927/modern.v2i5.5872

Abstract

Perumda Pasar Juara wants to know the number of cars that enter the Kosambi Market parking area for one month. However, limited access to available data means that Perumda has to count vehicles manually. Therefore, an appropriate sampling design is needed to estimate the number of cars. The data used is the result of observations based on preliminary sampling on October 14-20, 2022 at 08:00-17:00 WIB. The variables of the data used are car arrival time, day dummy, and hour dummy. The method used is dummy regression analysis and stratified sampling design. The regression analysis results show that there are four strata where each stratum has a three-parameter Weibull distribution. Based on the results, the minimum sample size required with a 5% error rate is 116 hours per day and is allocated according to the strata
Modelling Primary Energy by Long Memory Time Series Darmawan, Gumgum; Budhi Handoko
Indonesian Journal of Contemporary Multidisciplinary Research Vol. 2 No. 6 (2023): November 2023
Publisher : PT FORMOSA CENDEKIA GLOBAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55927/modern.v2i6.6970

Abstract

This research employs long memory modeling techniques to analyze and forecast global energy data spanning from 1965 to 2022. Focusing on the ARFIMA (Autoregressive Fractionally Integrated Moving Average) model, the study demonstrates its efficacy in predicting energy consumption trends. The evaluation of forecasting results for the subsequent four years reveals a remarkable Mean Absolute Percentage Error (MAPE) below 5%. This outcome underscores the effectiveness of incorporating long memory components in energy modeling, offering a robust approach for accurate and reliable predictions. The findings contribute to the advancement of energy forecasting methodologies, providing valuable insights for policymakers, energy analysts, and researchers in the pursuit of sustainable and informed energy planning
Forecasting Ferry Passenger Traffic in New York City Using the Seasonal Arima (SARIMA) Model Aribah, Rana; Apriliana, Linda; Darmawan, Gumgum
STATMAT : JURNAL STATISTIKA DAN MATEMATIKA Vol 7 No 3 (2025)
Publisher : Department of Mathematics, Faculty of Mathematics and Natural Sciences, Universitas Pamulang, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/sm.v7i3.54879

Abstract

This study addresses the seasonal and long-term fluctuating passenger volume patterns typical of water transportation systems such as NYC Ferry, necessitating practical forecasting methods to support operational decision-making and public transportation planning. The research aims to develop a forecasting model for NYC Ferry passenger counts using the Seasonal Autoregressive Integrated Moving Average (SARIMA) methodology. The analysis utilizes monthly historical passenger data from January 2020 to December 2024 for training data. Key analytical steps include testing data stationarity, splitting the dataset into training and testing subsets, modeling via RStudio, forecasting, and evaluating model accuracy using Mean Absolute Percentage Error (MAPE) compared against actual observations. Results indicate that the SARIMA(1,0,0)(0,1,1)12 model outperforms other methods, yielding the lowest MAPE of 5.04%, compared to Multiplicative Winters (8.57%), SARFIMA (17.62%), and Holt-Winters (32.93%). The SARIMA model effectively captures both seasonal and monthly trends, producing accurate passenger volume predictions. These findings demonstrate SARIMA’s efficacy in monthly NYC Ferry ridership forecasting, contributing to time series literature, particularly within public transportation forecasting. Furthermore, the results offer practical insights for policymakers to strategize service capacity and enhance data-driven management of waterborne transit systems more efficiently.
Forecasting Arrival Delay at Hartsfield–Jackson Atlanta International Airport ‎Using Autoregressive Fractionally Integrated Moving Average (ARFIMA) Pratama, Angga; Amelia, Kiki; Darmawan, Gumgum
Future Academia : The Journal of Multidisciplinary Research on Scientific and Advanced Vol. 4 No. 1 (2026): Future Academia : The Journal of Multidisciplinary Research on Scientific and A
Publisher : Yayasan Sagita Akademia Maju

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61579/future.v4i1.697

Abstract

Keterlambatan penerbangan merupakan salah satu tantangan utama dalam menjaga efisiensi dan kualitas ‎layanan transportasi udara. Permasalahan ini berdampak pada peningkatan biaya operasional, gangguan ‎jadwal, serta penurunan kepuasan penumpang. Bandara Hartsfield–Jackson Atlanta International (ATL) ‎memiliki peran strategis sebagai pusat lalu lintas udara domestik di Amerika Serikat dengan volume ‎penerbangan tertinggi di dunia, sehingga memerlukan sistem peramalan yang akurat untuk mendukung ‎pengambilan keputusan operasional dan pengendalian lalu lintas udara. Penelitian ini bertujuan untuk ‎meramalkan keterlambatan kedatangan pesawat menggunakan model Autoregressive Fractionally ‎Integrated Moving Average (ARFIMA) yang mampu menangkap karakteristik long-memory pada data ‎deret waktu. Data yang digunakan berupa data bulanan keterlambatan kedatangan pesawat domestik ‎menuju ATL selama periode 2019–2023. Analisis dilakukan melalui tahapan identifikasi model, estimasi ‎parameter, diagnostik residual, serta evaluasi akurasi menggunakan ukuran Mean Absolute Scaled Error ‎‎(MASE). Hasil penelitian menunjukkan bahwa model terbaik adalah ARFIMA (1, d = 0,1821, 0) dengan ‎nilai MASE sebesar 0,876, yang menandakan tingkat akurasi peramalan yang baik. Model ini terbukti ‎efektif dalam menangkap pola fluktuasi jangka panjang dan ketergantungan temporal yang tidak dapat ‎dijelaskan oleh model ARIMA konvensional. Temuan ini menunjukkan bahwa pendekatan ARFIMA dapat ‎digunakan sebagai alat bantu dalam perencanaan operasional, pengelolaan kapasitas bandara, serta ‎pengendalian lalu lintas udara, khususnya untuk bandara besar seperti ATL yang memiliki tingkat ‎kepadatan penerbangan tinggi dan kompleksitas operasional yang besar.‎
Peramalan Kedatangan Wisatawan Macanegara ke Provinsi Bali ‎Menggunakan Metode Singular Spectrum Analysis (SSA)‎ Yuliana, Sri; Rafidah, Raihanah; Darmawan, Gumgum
Future Academia : The Journal of Multidisciplinary Research on Scientific and Advanced Vol. 4 No. 1 (2026): Future Academia : The Journal of Multidisciplinary Research on Scientific and A
Publisher : Yayasan Sagita Akademia Maju

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61579/future.v4i1.698

Abstract

Pariwisata Bali adalah sektor strategis dalam berperan penting terhadap perekonomian nasional, ‎khususnya sebagai penyumbang utama devisa negara dan lapangan kerja. Fluktuasi jumlah ‎wisatawan mancanegara sangat dipengaruhi oleh faktor musiman, dinamika ekonomi global, ‎perubahan tren pariwisata internasional, serta guncangan eksternal seperti krisis ekonomi dan ‎pandemi. Oleh karena itu, analisis peramalan wisatawan menjadi penting untuk memahami pola ‎kunjungan dan mendukung perencanaan kebijakan pariwisata yang adaptif dan berkelanjutan. Tujuan dari penelitian ini adalah melakukan peramalan terhadap jumlah wisatawan ke Bali dengan menggunakan pendekatan Singular Spectrum Analysis (SSA). Data bulanan kedatangan wisatawan (2009–2025) dianalisis dengan ‎SSA. Evaluasi akurasi dilakukan menggunakan MAPE. Model peramalan jumlah wisatawan ‎mancanegara di Provinsi Bali menghasilkan nilai MAPE sebesar 7,23%, yang termasuk kategori ‎sangat baik menurut Lewis (1982). Model berhasil menangkap pola tren utama dan fluktuasi ‎jumlah wisatawan dengan baik, dengan tingkat kesesuaian tinggi antara data aktual dan hasil ‎prediksi.‎
Co-Authors Achmad Bachrudin Akbar, Muhammad Faizal Alamanda Putri, Fariza Aldi Anugerah Sitepu Alfarisi, Widi Wildani Alifia, Wanda Aliya Auliyazhafira, Shabira Amanah Dwiadi, Qurnia Angga Pratama Anindya Apriliyanti Pravitasari Apriliana, Linda Aribah, Rana Asrirawan Aurilia Pratiwi, Dhanti Azka Larissa Rahayu Bertho Tantular Budhi Handoko Budi Nurani Ruchjana Budianti, Laila Clarissa Clorinda, Chrysentia Dedi Rosadi Defi Yusti Faidah Deltha Airuzsh Lubis Dina Prariesa Eko Yulian eko yulian, eko Ery Sadewo, Ery Fajar Indrayatna Farhan Bagus Prakoso Ferdian Agustiana Fitriani Azuri, Dila Hadi, Juandi Haura, Zhafira Hirlan Khaeri I Gede Nyoman Mindra Jaya Indriani , Ayu Intan Nurma Yulita Ismatilah, Nuzila Janatin, Janatin Karin, Nabila Khaeri, Hirlan Kiki Amelia, Kiki Kusuma Putri, Aisha Muhamad Budiman Johra Muhammad Faizal Akbar Mulya Nurmansyah Ardisasmita Mulya, Callista Audrey Najwa, Sandrina Neneng Sunengsih Neneng Sunengsih Novianti Indah Putri Nurhapilah, Hani Nurul Gusriani Pian Widianingsih Puteri, Dian Islamiaty Putri Syallya, Najma Rafifah Putri, Salma Azzahra Rafidah, Raihanah Rahman Al Madan, Aulia Resa Septiani Pontoh Restu Arisanti Rhafi Ahdian, Muhammad Rina Sri Kalsum Siregar Rini Luciani Rahayu Rizal Amegia Saputra Ruchjana, Budi N Ruslan Ruslan Samaria Nauli, Theresia Sangrila, Ayu Sastradipraja, C K Setialaksana, Wirawan - Sitepu, Aldi Anugerah Sitohang, Yosep Oktavianus Sri Sutjiningtyas Sri Winarni Sri Yuliana Sudartianto, Sudartianto Talakua, Andrew Hosea Tri Wulanda Fitri Triyani Hendrawati Utami, Yosi Febria Widiantoro, Carissa Egytia Widodo, Valeno Glenedias Wildani Alfarisi, Widi Yasyfi Avicenna, Muhammad Yeny Krista Franty Yogo Aryo Jatmiko Yosep Oktavianus Sitohang Yunizar, Mahdayani Putri Yusep Suparman Yuyun Hidayat Zen Munawar Zulhanif Zulhanif