Claim Missing Document
Check
Articles

Found 3 Documents
Search

PENGGUNAAN METODE CONFIGURAL FREQUENCY ANALYSIS UNTUK MENENTUKAN KARAKTERISTIK PEMAIN DALAM SUATU PERTANDINGAN (STUDI KASUS: AGE OF EMPIRE 2) Muhammad Faizal Akbar; Gumgum Darmawan; Resa Septiani Pontoh
Euclid VOL 4, NO 2 (2017): EDISI JULI
Publisher : Universitas Swadaya Gunung Jati.

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (798.458 KB) | DOI: 10.33603/e.v4i2.416

Abstract

Configural Frequency Analysis (CFA) merupakan suatu metode yang digunakan untuk menganalisis data yang variabelnya berbentuk kategori. Variabel kategori adalah variabel yang bersifat kualitatif sehingga dibutuhkan frekuensi pada setiap kategori atau pasangan kategori agar dapat dilakukan analisis statistik. Jika variabel kategori terlibat bersamaan dalam suatu penelitian, maka dapat membentuk suatu pola (konfigurasi) di antara variabel-variabelnya. Pola (konfigurasi) yang terjadi kemudian dapat dianalisis menggunakan metode CFA untuk diketahui apakah terjadi ketidakcocokkan (discrepancies) dengan apa yang telah diekspektasikan sebelumnya. Ketidakcocokan ini ditandai dengan dua jenis data, yaitu type dan antitype. Type terjadi apabila konfigurasi tersebut terjadi lebih sering daripada yang telah diekspektasikan, sedangkan antitype terjadi apabila konfigurasi tersebut terjadi lebih jarang daripada yang telah diekspektasikan. CFA berguna untuk menganalisis penyebab terjadinya penyimpangan pada suatu model statistik. Penelitian ini mengkaji tentang bagaimana suatu penyimpangan dalam model statistic dapat terjadi. Data yang digunakan adalah data primer dari sebuah game yaitu  Age of Empire 2 dengan variabel dependen adalah kemenangan pemain (y), sedangkan variabel independennya adalah civilization (x1), positioning (x2), dan strategy (x3). Hasil akhir pada penelitian ini menunjukkan adanya type atau antitype pada konfigurasi variabelnya.Kata kunci : Age of Empire 2, Configural Frequency Analysis
Forecasting Electricity Sales Using the Artificial Neural Network Backpropagation Method Yosi Febria Utami; Gumgum Darmawan; Resa Septiani Pontoh
Asian Journal of Applied Education (AJAE) Vol. 2 No. 4 (2023): October 2023
Publisher : PT FORMOSA CENDEKIA GLOBAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55927/ajae.v2i4.6589

Abstract

PT PLN operates in the field of providing electrical energy and one of its goals is to meet consumer needs for electrical energy now and in the future, as well as PLN UID West Java. The initial step is to estimate how much electricity will be sold in the future. For this reason, electricity sales forecasting is carried out which can be taken into consideration by PLN UID West Java in making decisions. This research uses monthly electricity sales data in West Java for the last ten years. This data is not linear and not stationary, so an alternative method is used, namely Artificial Neural Network Backpropagation. Forecasting produces the best network architecture 12-7-1 with a MAPE of 2.965%. This architectural model is used to forecast electricity sales in West Java until August 2024.
PERAMALAN TUNGGAKAN TAGIHAN PELANGGAN MENGGUNAKAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) Tri Wulanda Fitri; Gumgum Darmawan; Sri Winarni; Yuyun Hidayat; Resa Septiani Pontoh
MARAS: Jurnal Penelitian Multidisiplin Vol. 1 No. 3 (2023): MARAS : Jurnal Penelitian Multidisiplin, Desember 2023
Publisher : Lumbung Pare Cendekia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60126/maras.v1i3.108

Abstract

Kenaikan jumlah pelanggan pada perusahaan X mengakibatkan kenaikan yang sama pada besar tunggakan tagihan pelanggan. Data tunggakan tersebut cenderung memiliki pola tren naik dan memiliki fluktiasi yang besar, akibatnya perusahaan memerlukan adanya peramalan guna perencanaan dan acuan dalam pengambilan keputusan serta evaluasi kebijakan yang tepat untuk mencegah peningkatan jumlah tunggakan tagihan di masa mendatang dan mengurangi risiko kerugian. Metode peramalan yang akan digunakan pada penelitian ini adalah Autoregressive Fractionally Integrated Moving Average (ARFIMA). Metode ARFIMA dipilih karena data memiliki sifat long memory, dilihat dari lag pada plot ACF data yang menurun secara hiperbolik menuju nilai nol. Artinya observasi yang terpisah jauh masih memiliki perilaku berkelanjutan atau ketergantungan yang kuat. Ciri lain dari metode ARFIMA adalah nilai differencing-nya. Berbeda dengan metode ARIMA yang memiliki parameter d berupa bilangan asli, metode ARFIMA memiliki parameter d berupa bilangan pecahan. Pada penelitian digunakan differencing sebesar 0,697 dengan model ARFIMA (1, d, 0) untuk melakukan peramalan 6 periode kedepan. Diperoleh nilai MAPE untuk peramalan tersebut sebesar 9,28%.