Article Per Year (5 Year)
p-Index From 2021 - 2026
3.354
P-Index
This Author published in this journals
All Journal Jurnal Pekommas Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) Jurnal INSYPRO (Information System and Processing) AKSIOLOGIYA : Jurnal Pengabdian Kepada Masyarakat Jurnal SOLMA KOMPUTIKA - Jurnal Sistem Komputer Jurnal Tekno Kompak Community Development Journal: Jurnal Pengabdian Masyarakat Jurnal Pengabdian kepada Masyarakat Nusantara Rambideun : Jurnal Pengabdian Kepada Masyarakat Abditeknika - Jurnal Pengabdian Kepada Masyarakat JUSTIN (Jurnal Sistem dan Teknologi Informasi) Indonesian Collaboration Journal of Community Services (ICJCS) Digital Transformation Technology (Digitech) Malcom: Indonesian Journal of Machine Learning and Computer Science Journal of Artificial Intelligence and Digital Business Jurnal Pengabdian Masyarakat dan Riset Pendidikan DIPANEGARA KOMPUTER TEKNOLOGI INFORMATIKA (DIPAKOMTI) DIPANEGARA KOMPUTER SISTEM INFORMASI (DIPAKOMSI)
Hasyrif SY
Universitas Dipa Makassar
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Library & Information Science Mathematics Public Health Social Sciences Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : digital transformation technology digitech

 1 
Time Series Forecasting Menggunakan Deep Gated Recurrent Units Arwansyah, Arwansyah; Suryani, Suryani; SY, Hasyrif; Usman, Usman; Ahyuna, Ahyuna; Samsu Alam
Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i1.4141

Abstract

Time series forecasting memiliki aplikasi yang luas dalam berbagai bidang seperti keuangan, ekonomi, meteorologi, dan pengelolaan rantai pasokan. Penelitian ini bertujuan untuk mengevaluasi kinerja model Gated Recurrent Unit (GRU) yang mendalam dalam konteks prediksi data time series. Akurasi prediksi time series sangat penting untuk pengambilan keputusan yang lebih baik dan efisien. GRU diperkenalkan sebagai varian Recurrent Neural Networks (RNN) yang lebih efisien dan efektif dalam menangani data time series. RNN sering digunakan untuk tugas ini, namun memiliki kelemahan dalam mempelajari ketergantungan jangka panjang akibat masalah vanishing gradient. Penelitian ini mengusulkan penggunaan model GRU mendalam untuk meningkatkan akurasi prediksi data time series. Arsitektur model yang diusulkan terdiri dari tiga lapisan GRU dengan 64 unit masing-masing, diikuti oleh satu lapisan output dense. Dataset yang digunakan dalam penelitian ini adalah dataset time series yang terdiri dari AQI, Weather, Exchange Rate, dan ETT. Model dilatih menggunakan optimizer Adam dan loss function mean squared error, dengan jumlah epoch sebanyak 100 dan batch size 32. Data dibagi menjadi set training dan testing dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model GRU mendalam menghasilkan prediksi yang lebih akurat dibandingkan dengan model ARIMA, RNN, dan LSTM. Model GRU mendalam menunjukkan kemampuan yang lebih baik dalam mempelajari ketergantungan jangka panjang dalam data time series, sehingga meningkatkan akurasi prediksi. Hasil penelitian ini memberikan kontribusi signifikan dalam bidang time series forecasting dan dapat menjadi alternatif yang lebih efektif dibandingkan model tradisional dan model machine learning lainnya.
Time Series Forecasting Menggunakan Deep Gated Recurrent Units Arwansyah, Arwansyah; Suryani, Suryani; SY, Hasyrif; Usman, Usman; Ahyuna, Ahyuna; Samsu Alam
Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i1.4141

Abstract

Time series forecasting memiliki aplikasi yang luas dalam berbagai bidang seperti keuangan, ekonomi, meteorologi, dan pengelolaan rantai pasokan. Penelitian ini bertujuan untuk mengevaluasi kinerja model Gated Recurrent Unit (GRU) yang mendalam dalam konteks prediksi data time series. Akurasi prediksi time series sangat penting untuk pengambilan keputusan yang lebih baik dan efisien. GRU diperkenalkan sebagai varian Recurrent Neural Networks (RNN) yang lebih efisien dan efektif dalam menangani data time series. RNN sering digunakan untuk tugas ini, namun memiliki kelemahan dalam mempelajari ketergantungan jangka panjang akibat masalah vanishing gradient. Penelitian ini mengusulkan penggunaan model GRU mendalam untuk meningkatkan akurasi prediksi data time series. Arsitektur model yang diusulkan terdiri dari tiga lapisan GRU dengan 64 unit masing-masing, diikuti oleh satu lapisan output dense. Dataset yang digunakan dalam penelitian ini adalah dataset time series yang terdiri dari AQI, Weather, Exchange Rate, dan ETT. Model dilatih menggunakan optimizer Adam dan loss function mean squared error, dengan jumlah epoch sebanyak 100 dan batch size 32. Data dibagi menjadi set training dan testing dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model GRU mendalam menghasilkan prediksi yang lebih akurat dibandingkan dengan model ARIMA, RNN, dan LSTM. Model GRU mendalam menunjukkan kemampuan yang lebih baik dalam mempelajari ketergantungan jangka panjang dalam data time series, sehingga meningkatkan akurasi prediksi. Hasil penelitian ini memberikan kontribusi signifikan dalam bidang time series forecasting dan dapat menjadi alternatif yang lebih efektif dibandingkan model tradisional dan model machine learning lainnya.
Co-Authors A. Hasrianto Abdul Ibrahim Abdul Ibrahim, Abdul Ahyuna Ahyuna Ahyuna Ahyuna Ahyuna, Ahyuna Aini Nurul Akbar Bahtiar Akhriana, Asmah Alam, Samsul Andi Asvin Mahersatillah Suradi Andi Hutami Endang, Andi Hutami Andrew Ridow Johanis M Andrew Ridow Johanis M Anugerah Pratama, Dimas Arham Arifin Arham Arifin Arifin, Arham Arifin, Suci Ramadhani Arwansyah Arwansyah Arwansyah Arwansyah Arwansyah Asmah Akhriana As’ad, Muhammad Dzaky Budy Santoso Clara Falisha Suardi Dicky Maulana Akmal Djafar, Imran Djafar, Imran Erdianza, Noor Erfan Hasmin Erfan Hasmin Estelino Zevacha Lewan Faizal Faizal Faizal Faizal Faizal, Faizal Fitriani Fitriani Harlina, Sitti Heriadi, Herman Herlinda Herlinda, Herlinda Herman Heriadi Idris, Mochammad Agus Imran Djafar Irsan Mansyur Johanis M, Andrew Ridow M. Syukri Mustafa Madyana Patasik Magfirah Magfirah Magfirah Marsellus Oton Kadang Muh. Khaddafi Muhammad Dahlan Muhammad Dahlan MUHAMMAD RIZAL Muhammad Syukri Mustafa, Muhammad Syukri MZ, St. Naziha Nasif Novita Sambo Layuk Nurdiansah Nurdiansah Nurdiansah, Nurdiansah Nurlina Nurlina Nurul Aini Piu, Sri Wahyuningsih Rafli. R, Muh. Rahmat Rahmat Rahmat Rismayani Rismayani Sadly Samsuddin Sadly Syamsuddin Samsu Alam Sitti Aisa, Sitti Suci Rahma Dani Rachman Suci Ramadhani Arifin Sunardi Sunardi SURYANI Suryani Suryani Suryani Suryani Syamsudddin, Sadly Syamsuddin, Sadly Tengku Riza Zarzani N Tommy Darwansyah Tulwahdah, Farida Usman Usman Usman Usman Zainal Abidin Zulkifly Zulkifly Zulkifly, Zulkifly