Peramalan Pertumbuhan Jumlah Outlet Menggunakan Metode Gated Recurrent Unit (Studi Kasus: PT XYZ)
Article Sidebar
Main Article Content
Abstract
Sebagai perusahaan telekomunikasi, PT XYZ mengguanakan outlet seluler sebagai mitra untuk melakukan pendistribusian komoditas mereka. Dalam memperluas jaringan outlet seluler merka, PT XYZ tentu perlu memikirkan strategi bisnis yang tepat agar pertumbuhan jumlah outlet dapat menjadi lebih maksimal.Peramalan dapat digunakan sebagai acuan dalam strategi bisnis dan meningkatkan efektivitas rencana penyebaran outlet. Penilitian ini membahas peramalan pertumbuhan jumlah outlet menggunakan metode Gated Recurrent Unit yang berfungsi untuk melakukan peramalan atau prediksi jumlah outlet yang dapat diraih oleh PT XYZ. Data yang digunakan merupakan data outlet yang ada di PT XYZ dimana data ini akan dikelempokkan berdasarkan minggu ketika outlet bergabung. Proses pelatihan data menggunakan 80% dari total dataset dan pengujian menggunakan 20% dari total dataset. Pada proses pengujian, model mendapatkan hasil evaluasi MAE sebesar 0.1230 ,RMSE sebersar 0.2103 dan MSE sebesar 0.0442.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International License.
References
CFI Team, Telecommunications Industry – Overview, Origin Current State, https://corporatefinanceinstitute.com/resources/careers/companies/telecommunications-industry/, diakses tanggal 9 September 2022.
Sugiartawan, P., Pulungan, R., dan Kartika, A,. Prediction by a Hybrid of Wavelet Transform and Long-Short-Term-Memory Neural Network, International Journal of Advanced Computer Science and Applications, Vol. 8, Nomor 2, hal. 326-332.
Chung, J., Gulcehre. C., Cho, K., dan Bengio., Empirical evaluation of gated recurrent neural networks on sequence modelling, NIPS 2014 Workshop on Deep Learning, 2014.
Tzeng, Y. R. Lai, M. L. Lin, Y. H. Lin, and Y. C. Shih, Improve the LSTM and GRU model for small training data by wavelet transformation, Proc. Int. Jt. Conf. Neural Networks, hal. 2–7.
Q. Tao, F. Liu, Y. Li, and D. Sidorov, Air Pollution Forecasting Using A Deep Learning Model Based on 1D Convnets and Bidirectional GRU, IEEE Access, vol. 7, hal. 76690–76698, https://ieeexplore.ieee.org/abstract/document/8732985.
Rochman Nugroho, W., PREDIKSI HARGA MATA UANG BITCOIN MENGGUNAKAN METODE OPTIMIZED GATED RECURRENT UNIT DENGAN OPTIMASI ADAPTIVE MOMENT ESTIMATION. http://eprints.upnyk.ac.id/28377/, diakses pada tanggal 19 September 2022.
Liu, H., dan Shen, L., Forecasting carbon price using empirical wavelet transform and Gated Recurrent Unit neural network, Carbon Management Journal, Vol. 11, Nomor 1, hal. 25-37, https://www.tandfonline.com/doi/full/10.1080/17583004.2019.1686930
Y Noh, Jiseong, Park, Hyun-Ji, dan Kim, Joong Soo, Gated Recurrent Unit with genetic algorithm for product demand forecasting in supply chain management, MDPI Mathematics Journal, Vol. 8, Issue 4, https://www.mdpi.com/2227-7390/8/4/565/htm.