Claim Missing Document
Check
Articles

Found 3 Documents
Search

Peramalan Harga Emas Saat Pandemi Covid-19 Menggunakan Model Hybrid Autoregressive Integrated Moving Average - Support Vector Regression Purnama, Drajat Indra
Jambura Journal of Mathematics Vol 3, No 1: January 2021
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/jjom.v3i1.8430

Abstract

ABSTRAKInvestasi emas merupakan salah satu investasi yang menjadi favorit dimasa pandemi Covid 19 seperti sekarang ini. Hal ini dikarenakan harga emas yang nilainya relatif fluktuatif tetapi menunjukkan tren peningkatan. Investor dituntut pandai dalam berinvestasi emas, mampu memprediksi peluang dimasa yang akan datang. Salah satu model peramalan data deret waktu adalah model Autoregressive Integrated Moving Average (ARIMA). Model ARIMA baik digunakan pada data yang berpola linear tetapi jika digunakan pada data data nonlinear keakuratannya menurun. Untuk mengatasi permasalahan data nonlinear dapat menggunakan model Support Vector Regression (SVR). Pengujian linearitas pada data harga emas menunjukkan adanya pola data linear dan nonlinear sekaligus sehingga digunakan kombinasi ARIMA dan SVR yaitu model hybrid ARIMA-SVR. Hasil peramalan menggunakan model hybrid ARIMA-SVR menunjukkan hasil lebih baik dibanding model ARIMA. Hal ini dibuktikan dengan nilai MAPE model hybrid ARIMA-SVR lebih kecil dibandingkan nilai MAPE model ARIMA. Nilai MAPE model hybrid ARIMA-SVR sebesar 0,355 pada data training dan 4,001 pada data testing, sedangkan nilai MAPE model ARIMA sebesar 0,903 pada data training dan 4,076 pada data testing.ABSTRACTGold investment is one of the favorite investments during the Covid 19 pandemic as it is today. This is because the price of gold is relatively volatile but shows an increasing trend. Investors are required to be smart in investing in gold, able to predict future opportunities. One of the time series data forecasting models is the Autoregressive Integrated Moving Average (ARIMA) model. The ARIMA model is good for use on linear patterned data but if it is used on nonlinear data the accuracy decreases. To solve the problem of nonlinear data, you can use the Support Vector Regression (SVR) model. The linearity test on the gold price data shows that there are linear and nonlinear data patterns at the same time so that a combination of ARIMA and SVR is used, namely the ARIMA-SVR hybrid model. Forecasting results using the ARIMA-SVR hybrid model show better results than the ARIMA model. This is evidenced by the MAPE value of the ARIMA-SVR hybrid model which is smaller than the MAPE value of the ARIMA model. The MAPE value of the ARIMA-SVR hybrid model is 0.355 on the training data and 4.001 on the testing data, while the MAPE value of the ARIMA model is 0.903 in the training data and 4.076 in the testing data.
Peramalan Jumlah Penumpang Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan Support Vector Regression (SVR) Purnama, Drajat Indra; Hendarsin, Oki Prasetia
Jambura Journal of Mathematics Vol 2, No 2: Juli 2020
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/jjom.v2i2.4458

Abstract

Sulawesi Tengah memiliki tujuh bandara sebagai akses transportasi udara keluar atau masuk. Jumlah penumpang berangkat menggunakan transportasi udara melalui ketujuh bandara tersebut mengalami fluktuasi setiap bulannya. Oleh karena itu, dibutuhkan teknik peramalan yang tepat untuk melihat fluktuasi dan meramalkan jumlah penumpang di masa depan. Hasil pengujian data jumlah penumpang berangkat melalui transportasi udara di Sulawesi Tengah menunjukkan bahwa data memiliki pola nonlinear sehingga diperlukan metode peramalan yang dapat mengatasi permasalahan pola data nonlinear. Dalam artikel ini digunakan model SVR. Hasil peramalan data jumlah penumpang berangkat melalui  transportasi udara di Sulawesi Tengah menggunakan SVR menunjukkan akurasi peramalan yang baik dengan nilai MAPE 7,28 persen untuk data training dan 18,67 persen untuk data testing.
Analisis Klasifikasi Data Tracer Study Dengan Support Vector Machine Dan Neural Network Purnama, Drajat Indra; Islami, Rahmi Lathifah; Sari, Lisna; Sihombing, Pardomuan Robinson
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol 4 No 2 (2021): Volume IV - Nomor 2 - Maret 2021
Publisher : Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v4i2.191

Abstract

Perguruan tinggi melakukan Tracer study secara reguler setiap tahun untuk memenuhi kebutuhan data akreditasi, pengembangan kurikulum dan perbaikan pembelajaran di perguruan tinggi serta mengetahui kualitas lulusan. Penelitian ini bertujuan melakukan analisis klasifikasi waktu tunggu kerja untuk mengetahui tingkat kelancaran alumni dalam mendapatkan pekerjaan dengan menggunakan metode klasifikasi Support Vector Machines(SVM) dan Backpropagation Neural Network (BPNN). Kedua metode klasifikasi baik BPNN dan SVM dengan fungsi Kernel Anova dapat menggambarkan klasifikasi data tracer study berdasarkan tingkat kelancaran alumni untuk mendapatkan pekerjaan (lancar dan tidak lancar) dengan tingkat akurasi yang hampir sama, yaitu sebesar 83.33% untuk tangkat akurasi BPNN dan 83.00% untuk tingkat akutasi SVM. Diharapkan dengan mengetahui faktor yang dapat mengklasifikasikan tingkat kelancaran dalam mendapatkan pekerjaan, pihak universitas dapat memberikan kebijakan yang relevan sehingga kualitas lulusan akan semakin baik.