Pemilihan Input Deep Support Vector Regression Pada Data Time Series Univariat Yang Mengandung Pola Seasonal Dan Variasi Kalender

Riyani, Dini (2019) Pemilihan Input Deep Support Vector Regression Pada Data Time Series Univariat Yang Mengandung Pola Seasonal Dan Variasi Kalender. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010030-Master_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Tujuan memodelkan data time series adalah untuk peramalan. Peramalan data time series dibedakan menjadi dua, yaitu univariat dan multivariat. Untuk peramalan data time series univariat terdapat beberapa metode, salah satunya adalah ARIMA. Selain dipengaruhi oleh waktu, time series juga dipengaruhi oleh variabel eksogen. Peramalan data time series yang mengandung variabel eksogen dapat menggunakan metode fungsi transfer. Semakin berkembangnya zaman, metode machine learning muncul untuk menyelesaikan permasalahan nonlinear dan nonparametrik. Sebagai contoh metode yang populer, yaitu menggunakan metode Neural Network (NN) dan Support Vector Machine (SVM). Untuk metode SVM yang digunakan pada kasus regresi disebut Support Vector Regression (SVR). Selain itu, juga dikembangkan arsitektur Deep Learning Neural Network (DNN). Kemudian, DNN dipadukan dengan metode SVR untuk meramalkan data time series (Deep SVR). Pada metode Deep SVR, salah satu hal penting untuk meningkatkan akurasi adalah pemilihan nput yang tepat. Penelitian ini melihat bagaimana pemilihan input yang tepat serta mengaplikasikannya pada data time series yang mengandung pola seasonal dan variasi kalender. Kasus yang digunakan pada penelitian ini adalah omset penjualan harian baju dan sepatu di toko offline Klaten dengan data Google Trend sebagai variabel eksogen. Hasil yang didapatkan adalah metode Deep SVR dipengaruhi oleh pemilihan input.
================================================================================================================================
The purpose of modeling time series data is for forecasting. Time series data forecasting can be categorized into univariate and multivariate. In univariate time series data, there are several methods of forecasting, one of them is ARIMA. In addition to be influenced by time, time series are also influenced by exogenous variables. Time series data forecasting containing exogenous variables can use transfer functions. Recently, machine learning methods emerged to solve nonlinear and nonparametric problems. For example, a popular method is using the Neural Network (NN) method and Support Vector Machine (SVM). The SVM method used in time series data is called Support Vector Regression (SVR). In addition, The Deep Learning Neural Network (DNN) architecture has also been developed. Then, DNN is also combined with the SVR method to forecast time series data so called Deep SVR. In the Deep SVR method, one of the important things to improve accuracy is the selection of the right input. This study considers in input selection and apply it to time series data that contains seasonal patterns and calendar variations. The case used in this study is the clothes and shoes daily sales in the Klaten offline store with Google Trend data as exogenous variables.The result is Deep SVR method influenced by input selection.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Omset Penjualan, Deep Support Vector Regression, Pemilihan Input, Time Series
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Riyani Dini
Date Deposited:	23 Jul 2026 06:03
Last Modified:	23 Jul 2026 06:03
URI:	http://repository.its.ac.id/id/eprint/69831

Actions (login required)

View Item