PERBANDINGAN KEAKURATAN METODE LSTM DENGAN ARIMA PADA PERAMALAN FREKUENSI KEBAKARAN DI WILAYAH JAKARTA BARAT

• HENDRA
• 14002267

---

ABSTRAK

ABSTRAK

 

Nama                   : Hendra

NIM                    : 14002267

Program Studi     : Ilmu Komputer

Jenjang                : Strata Dua (S2)

Konsentrasi         : Software Engineering

Judul Tesis           :“Perbandingan Keakuratan Metode LSTM dengan ARIMA

pada Peramalan Frekuensi Kebakaran di Wilayah Jakarta Barat”

 

Musibah kebakaran setiap bulan terjadi di Jakarta terutama di Jakarta Barat. Umumnya kejadian kebakaran di Jakarta terjadi pada daerah padat hunian, hal ini dikarenakan banyaknya masyarakat yang tidak peduli akan bahaya kebakaran. Dalam penelitian ini, peneliti akan melakukan peramalan frekuensi kebakaran untuk wilayah Jakarta Barat. Data yang didapatkan dari Sub command Centre Sudin Gulkarmat Jakarta Barat mulai dari tahun 2011 sampai dengan 2020 kemudian diproses menjadi jumlah frekuensi kebakaran perbulan yang selanjutnya dianalisa dengan pendekatan deret waktu menggunakan dua metode yaitu, ARIMA dan LSTM. Hasil pengujian menunjukkan bahwa model ARIMA (4,2,3) dengan nilai RMSE = 3.1682 dan MAPE = 0.095. Pada motode LSTM dengan jumlah neuron 200, epoch 300 menghasilkan nilai RMSE = 0.969 dan MAPE = 0.026. Untuk perbandingan kedua metode tersebut dalam penelitian ini, metode LSTM adalah metode terbaik dalam melakukan peramalan frekuensi kebakaran di wilayah Jakarta Barat.

KATA KUNCI

Software engineering

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1]     J. Nangi et al., “Peramalan Persediaan Obat Menggunakan Metode Triple Exponential Smoothing (Tes) (Studi Kasus?: Instalasi Farmasi Rsud Kab. Muna),” semanTIK, vol. 4, no. 1, pp. 135–142, 2018.  

[2]     Sugiarto, S. (2017). Penduga Model Arima Untuk Peramalan Harga Tbs Kelapa Sawit Di Propinsi Riau. Jurnal Sains dan Teknologi Industri, 15(1), 35-40.

[3]     R. Vinayakumar, K. P. Soman, and P. Poornachandran, “Long short-term memory based operation log anomaly detection,” 2017 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2017, vol. 2017-Janua, pp. 236–242, 2017.

[4]     S. Li, H. Fang, and B. Shi, “Multi-StepAhead Prediction with Long Short Term Memory Networks and Support Vector Regression,” Chinese Control Conf. CCC, vol. 2018-July, pp. 8104– 8109, 2018.

[5]     Subagyo;Pangestu (1986). Forecasting Konsep dan Aplikasi. Yogyakarta: BPPE UGM.

[6]     G. Mathisen, “Forecasting Multivariate Time Series Data Using Neural Networks Sigurd Øyen,” no. June, 2018.

[7]     Heizer,  Jay   dan   Barry,  Render.  (2009). Manajemen   Operasi,   Edisi   9,  Terj.   Chriswan Sungkono. Jakarta: Salemba Empat.

[8]     J. Tian and X. Zhao, “Apply multiple linear regression model to predict the audit opinion,” 2009 Second ISECS Int. Colloq. Comput. Commun. Control. Manag. CCCM 2009, vol. 4, pp. 303–306, 2009.

[9]     Kusumadewi,  S. (2004). Membangun  Jaringan  Syaraf  Tiruan:  menggunakan  MATLAB  &  Excel  Link. Yogyakarta: Graha Ilmu.

[10]   S. Hochreiter dan J. J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., Vol. 9, No. 8, hal. 1–32, 1997.

[11]   Krismiasari, S. (2012). Peramalan Produksi Padi Di Kabupaten Kampar Dengan Metode Box-Jenkins (Doctoral dissertation, Universitas Islam Negeri Sultan Syarif Kasim Riau).

[12]   Arsyad, Lincolin. 2001. Peramalan bisnis. Yogyakarta : BPFE

[13]   Wei, W. W. (2006). Time series analysis. In The Oxford Handbook of Quantitative Methods in Psychology: Vol. 2.

[14]   Hanke, J. E., Reitsch, A. G., & Wichern, D. W. (2001). Business forecasting (Vol. 9). New Jersey: Prentice Hall.

[15]   Y. Liu, Y. Qin, J. Guo, C. Cai, Y. Wang, and L. Jia, “Short-term forecasting of rail transit passenger flow based on long short-term memory neural network,” 2018 Int. Conf. Intell. Rail Transp. ICIRT 2018, pp. 1–5, 2019.

[16]   Makridakis, S., S. Wheelwright., Dan V. E. Mcgee. 1999. “Metode Dan Aplikasi Peramalan”. Edisi Kedua. Jilit Satu. Jakarta: Binarupa Aksara.

[17]   Azriati, K. F., Hoyyi, A., & Mukid, M. A. (2014). Verifikasi Model Arima Musiman Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang). Jurnal Gaussian, 3(4), 701-710. ISSN: 2339-2541.

[18]   Yuanti, A. D. (2016). Perbandingan Model Time Series Seasonal Arima (Sarima) Dan Seasonal Arfima (Sarfima) Pada Data Beban Konsumsi Listrik Jangka Pendek Di Jawa Timur (Studi Kasus di APD PT. PLN Distribusi Jawa Timur) (Doctoral dissertation, Airlangga University).

[19]   Aziz, A. (2011). Analisis Critical Root Value pada Data Nonstasioner. CAUCHY, 2(1), 1-6. doi: doi.org/10.18860/ca.v2i1.1794.

[20]   Septiadi, M. N. K., Handayani, S., & Mulyadi, C. (2018). Penilaian Persediaan Barang Dagang Dengan Metode Rata-Rata Bergerak. EKA CIDA, 1(2).

[21]   Y. Abdillah and Suharjito, “Failure prediction of e-banking application system using Adaptive Neuro Fuzzy Inference System (ANFIS),” Int. J. Electr. Comput. Eng., vol. 9, no. 1, pp. 667–675, 2019.

[22]   Raihan, R., Effendi, M. S., & Hendrawan, A. (2016). Forcasting Model Exsponensial Smoothing Time Series Rata Rata Mechanical Availability Unit Off Highway TruckCAT 777D Caterpillar. POROS TEKNIK,8(1),1-9.

[23]   S. Riyadi, “Aplikasi Peramalan Penjualan Obat Menggunakan Metode Pemulusan (Studi Kasus: Instalasi Farmasi Rsud Dr Murjani),” Stmik Amikom, no. 1, pp. 1–6, 2015.

[24]   N. R. Sari, W. F. Mahmudy, A. P. Wibawa, and E. Sonalitha, “Enabling external factors for inflation rate forecasting using fuzzy neural system,” Int. J. Electr. Comput. Eng., vol. 7, no. 5, pp. 2746–2756, 2017.

[25]   Azriati, K. F., Hoyyi, A., & Mukid, M. A. (2014). Verifikasi Model Arima Musiman Menggunakan Peta Kendali Moving Range (Studi Kasus: Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang). Jurnal Gaussian, 3(4), 701-710. ISSN: 2339-2541.

[26]   Anshory, M. I., Priyandari, Y., & Yuniaristanto. (2020). Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda. Performa: Media Ilmiah Teknik Industri, 168.

[27]   Hendrawan, B. (2012). Penerapan Model ARIMA Dalam Memprediksi IHSG. Jurnal Integrasi, 205-211.

[28]   Yuniarti, A. (2010). Perbandingan metode peramalan eksponensial smoothing dan Box-Jenkins (ARIMA) musiman (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).

[29]   Rahmadayanti, R., Susilo, B., & Puspitaningrum, D. (2015). Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Semen di PT. Sinar Abadi. Jurnal Rekursif, Vol. 3 No. 1 dan 26.

[30]   H. Kusdarwati and S. Handoyo, “System for prediction of non stationary time series based on the wavelet radial bases function neural network model,” Int. J. Electr. Comput. Eng., vol. 8, no. 4, pp. 2327–2337, 2018

[31]   Wiranda, L., & Sadikin, M. (2019). Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma. Jurnal Nasional Pendidikan Teknik Informatika, 184-196.

[32]   Cynthia, A., Sugiman, & Mastur, Z. (2016 ). ANALISIS PERBANDINGAN MENGGUNAKAN ARIMA DAN BOOTSTRAP PADA PERAMALAN NILAI EKSPOR INDONESIA. Universitas Negeri Semarang Journal of Mathematics , vol 1.

[33]     Sutanto, P., Setiawan, A., & Setiabudi, D. H. (2017). Perancangan Sistem Forecasting di Perusahaan Kayu UD. 3G dengan Metode ARIMA. Jurnal Infra, 5(1), 325-330.

[34]     Linda, P., Situmorang, M., & Tarigan, G. (2014). Peramalan Penjualan Produksi Teh Botol Sosro Pada PT. Sinar Sosro Sumatera Bagian Utara Tahun 2014 Dengan Metode Arima Box-Jenkins. Saintia Matematika, 2(3), 253-266.

[35]      Pavlyshenko, B. M. (2019). Machine-learning models for sales time series forecasting. Data, 4(1), 15. doi: 10.3390/data4010015.