@prefix dct: .
@prefix void: .
@prefix skos: .
@prefix bibo: .
@prefix rdfs: .
@prefix event: .
@prefix eprel: .
@prefix rdf: .
@prefix dc: .
@prefix geo: .
@prefix epid: .
@prefix ep: .
@prefix owl: .
@prefix xsd: .
@prefix foaf: .
@prefix cc: .
<>
foaf:primaryTopic ;
rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string .
dct:hasPart ;
ep:hasFile ;
rdf:type bibo:Document,
ep:Document;
rdfs:label "ANALISIS PERBANDINGAN ARIMA, SARIMA, GRU DAN LSTM\r\nUNTUK PERAMALAN PENJUALAN MOBIL TOYOTA (Text)"^^xsd:string .
rdf:_1 .
<> ;
bibo:abstract "Penelitian berjudul “Perbandingan Kinerja ARIMA, SARIMA, GRU, dan\r\nLSTM untuk Peramalan Penjualan Mobil Toyota di Indonesia” ini bertujuan untuk\r\nmengevaluasi dan membandingkan efektivitas empat model peramalan deret waktu\r\ndalam memprediksi penjualan bulanan mobil Toyota. Variabel penelitian dibatasi\r\npada data penjualan historis tanpa melibatkan faktor eksternal, dengan metode\r\nanalisis meliputi prapemrosesan data, eksplorasi data, pembangunan model, serta\r\noptimasi hiperparameter menggunakan pendekatan grid search dan teknik\r\nregularisasi.\r\nHasil penelitian menunjukkan bahwa model statistik ARIMA dan SARIMA\r\npada konfigurasi awal belum mampu menghasilkan prediksi yang akurat, ditandai\r\ndengan nilai kesalahan yang tinggi, khususnya SARIMA dengan MAPE melebihi\r\n100%. Setelah optimasi, kinerja keduanya meningkat signifikan, di mana ARIMA\r\nmencapai MAPE 15,64% dan SARIMA 18,38%. Di sisi lain, model deep learning\r\nmenunjukkan performa yang lebih unggul. GRU pada tahap awal menghasilkan\r\nMAPE 17,36% dan meningkat tajam menjadi 7,66% setelah penerapan dropout dan\r\npenyesuaian window size. LSTM juga mengalami peningkatan dari MAPE 19,24%\r\nmenjadi 15,76% melalui optimasi jumlah neuron, learning rate, dan dropout.\r\nSecara keseluruhan, penelitian ini menyimpulkan bahwa GRU dan LSTM\r\nlebih efektif dibandingkan ARIMA dan SARIMA dalam menangkap pola nonlinear\r\n\r\nserta dinamika kompleks pada data penjualan mobil Toyota. Optimasi\r\nhiperparameter terbukti berperan penting dalam meningkatkan akurasi model.\r\nPenelitian selanjutnya direkomendasikan untuk memasukkan variabel eksternal dan\r\nmenguji model berbasis arsitektur hybrid guna memperoleh performa prediksi yang\r\nlebih komprehensif."^^xsd:string;
bibo:authorList ;
bibo:status ;
dc:hasVersion ;
dct:creator ,
;
dct:date "2025-11-04";
dct:isPartOf ;
dct:issuer ,
;
dct:subject ;
dct:title "ANALISIS PERBANDINGAN ARIMA, SARIMA, GRU DAN LSTM\r\nUNTUK PERAMALAN PENJUALAN MOBIL TOYOTA"^^xsd:string;
ep:hasDocument ;
ep:hasPublished ;
rdf:type bibo:Article,
bibo:Thesis,
ep:EPrint,
ep:ThesisEPrint;
rdfs:seeAlso .
rdf:type skos:Concept;
skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en .
rdfs:label "22.55.2323 - Fariz Zakaria.pdf"^^xsd:string .
dc:format "text/html";
dc:title "HTML Summary of #31759 \n\nANALISIS PERBANDINGAN ARIMA, SARIMA, GRU DAN LSTM
\nUNTUK PERAMALAN PENJUALAN MOBIL TOYOTA\n\n";
foaf:primaryTopic .
dct:isPartOf ;
foaf:name "Pascasarjana Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
dct:hasPart ;
foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
foaf:familyName "Zakaria"^^xsd:string;
foaf:givenName "Fariz"^^xsd:string;
foaf:name "Fariz Zakaria"^^xsd:string;
rdf:type foaf:Person .
foaf:familyName "Utami"^^xsd:string;
foaf:givenName "Ema"^^xsd:string;
foaf:name "Ema Utami"^^xsd:string;
rdf:type foaf:Person .