Claim Missing Document
Check
Articles

Found 9 Documents
Search

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
Peramalan Konsumsi Gas Alam Amerika Serikat dengan Double Seasonality menggunakan Singular Spectrum Analysis (SSA) Amanah Dwiadi, Qurnia; Indriani , Ayu; Samaria Nauli, Theresia; Nurhapilah, Hani; Darmawan , Gumgum
Innovative: Journal Of Social Science Research Vol. 3 No. 6 (2023): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

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

Abstract

Gas alam memainkan peran penting dalam memenuhi kebutuhan energi Amerika Serikat, yang merupakan salah satu konsumen terbesar di dunia. Konsumsi gas alam terus meningkat sejak implementasi proyek "An America First Energy Plan" pada tahun 2017. Peramalan yang akurat tentang jumlah konsumsi gas alam sangat dibutuhkan. Dalam penelitian ini, kita akan menggunakan model Singular Spectrum Analysis (SSA). Metode ini tidak memerlukan pemenuhan asumsi parametrik dan diterapkan dengan baik pada data musiman. SSA dapat menggambarkan pola tren dan komponen lainnya dengan struktur sederhana. Konsep utamanya adalah ‘pemisahan’ yang mengkarakterisasi seberapa baik komponen berbeda dapat dipisahkan satu sama lain. SSA terdiri dari dua tahap yang saling melengkapi, yaitu tahap dekomposisi dan tahap rekonstruksi.Dari hasil pengujian, data konsumsi gas alam yang digunakan dalam penelitian ini memiliki pola musiman. Berdasarkan analisis model tersebut, yang memberikan nilai MAPE sebesar 1,62 % , dengan hasil peramalan yang ralatif konstan setiap tahunnya.
Model Peramalan Double Seasonal Pada Data Konsumsi Gas Alam Amerika Serikat Dengan Pendekatan Analisis Spektral Fitriani Azuri, Dila; Putri Syallya, Najma Rafifah; Najwa, Sandrina; Alifia, Wanda; Darmawan , Gumgum
Innovative: Journal Of Social Science Research Vol. 3 No. 6 (2023): Innovative: Journal Of Social Science Research
Publisher : Universitas Pahlawan Tuanku Tambusai

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

Abstract

Gas alam merupakan sumber energi utama di seluruh dunia dan saat ini banyak digunakan untuk berbagai keperluan di Amerika Serikat. Konsumsi gas alam di Amerika Serikat memiliki pola double seasonal yang terjadi karena faktor iklim. Tujuan dari penelitian ini adalah untuk menemukan periode tersembunyi pada data dan meramalkan konsumsi gas alam dengan menggunakan analisis spektral dan metode Double Seasonal ARIMA. Hasil analisis spektral menunjukkan bahwa terdapat double seasonal dengan periode 12 bulan dan 6 bulan, yang berarti karakteristik perubahan konsumsi gas alam di Amerika Serikat cenderung meningkat atau menurun setiap 12 bulan dan 6 bulan. Model yang terpilih, SARIMA(0,1,0)(1,1,4)6(1,1,1)12, menunjukkan keefektifannya dalam memprediksi pola konsumsi di masa mendatang dengan MAPE sebesar 2,61% yang mengindikasikan keandalan model yang tinggi.
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