%0 Thesis
%9 S2 - Magister
%A Zakaria, Fariz
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2025
%F universitasamikomyogyakarta:31759
%I Universitas AMIKOM Yogyakarta
%K Peramalan deret waktu, ARIMA, SARIMA, GRU, LSTM, time series forecasting
%T ANALISIS PERBANDINGAN ARIMA, SARIMA, GRU DAN LSTM  UNTUK PERAMALAN PENJUALAN MOBIL TOYOTA
%U https://eprints.amikom.ac.id/id/eprint/31759/
%X Penelitian berjudul “Perbandingan Kinerja ARIMA, SARIMA, GRU, dan  LSTM untuk Peramalan Penjualan Mobil Toyota di Indonesia” ini bertujuan untuk  mengevaluasi dan membandingkan efektivitas empat model peramalan deret waktu  dalam memprediksi penjualan bulanan mobil Toyota. Variabel penelitian dibatasi  pada data penjualan historis tanpa melibatkan faktor eksternal, dengan metode  analisis meliputi prapemrosesan data, eksplorasi data, pembangunan model, serta  optimasi hiperparameter menggunakan pendekatan grid search dan teknik  regularisasi.  Hasil penelitian menunjukkan bahwa model statistik ARIMA dan SARIMA  pada konfigurasi awal belum mampu menghasilkan prediksi yang akurat, ditandai  dengan nilai kesalahan yang tinggi, khususnya SARIMA dengan MAPE melebihi  100%. Setelah optimasi, kinerja keduanya meningkat signifikan, di mana ARIMA  mencapai MAPE 15,64% dan SARIMA 18,38%. Di sisi lain, model deep learning  menunjukkan performa yang lebih unggul. GRU pada tahap awal menghasilkan  MAPE 17,36% dan meningkat tajam menjadi 7,66% setelah penerapan dropout dan  penyesuaian window size. LSTM juga mengalami peningkatan dari MAPE 19,24%  menjadi 15,76% melalui optimasi jumlah neuron, learning rate, dan dropout.  Secara keseluruhan, penelitian ini menyimpulkan bahwa GRU dan LSTM  lebih efektif dibandingkan ARIMA dan SARIMA dalam menangkap pola nonlinear    serta dinamika kompleks pada data penjualan mobil Toyota. Optimasi  hiperparameter terbukti berperan penting dalam meningkatkan akurasi model.  Penelitian selanjutnya direkomendasikan untuk memasukkan variabel eksternal dan  menguji model berbasis arsitektur hybrid guna memperoleh performa prediksi yang  lebih komprehensif.