Prediksi Permintaan Kargo pada Cargo Service Center Tangerang City Menggunakan Metode Gated Recurrent Unit
Article Sidebar
Main Article Content
Abstract
Pada saat ini persaingan bisnis dalam bidang layanan kargo khususnya di Indonesia semakin ketat. Terdapat beberapa perusahaan layanan kargo di Indonesia, salah satunya yaitu Cargo Service Center Tangerang City. Untuk mengantisipasi persaingan bisnis tersebut, Cargo Service Center Tangerang City harus dapat menentukan strategi manajemen usaha, baik dalam jangka menengah maupun jangka panjang. Salah satunya hal yang dapat dilakukan yaitu prediksi permintaan kargo. Pada Cargo Service Center Tangerang City terdapat data transaksi kargo mulai dari Januari 2016 hingga Septermber 2019, oleh karena itu dilakukanlah penelitian yaitu mengimplementasikan metode Gated Recurrent Unit untuk melakukan prediksi permintaan kargo. metode Gated Recurrent Unit merupakan model pengembangan dari Recurrent Neural Network yang biasa digunakan untuk melakukan prediksi pada data sekuens. Pengujian model prediksi dalam penelitian ini dilakukan dengan mencari nilai Root Mean Square Error terkecil dari beberapa percobaan. Hasil dari penelitian ini menunjukkan bahwa model cukup baik dalam melakukan prediksi permintaan kargo, namun terdapat beberapa hasil prediksi metode Gated Recurrent Unit yang masih belum maksimal mendekati nilai aktual misalnya pada nilai aktual yang berada di titik puncak.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
A. Gusfadilah, B. D. Setiawan, and B. Rahayudi, “Implementasi Metode Exponential Smoothing Untuk Prediksi Bobot Kargo,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 2, pp. 1875–1882, 2019.
G. Baxter and P. Srisaeng, “The Use of an Artificial Neural Network to Predict Australia’S Export Air Cargo Demand,” Int. J. Traffic Transp. Eng., vol. 8, no. 1, pp. 15–30, 2018.
K. Uyar, “Long Term Dry Cargo Freight Rates Forecasting by Using Recurrent Fuzzy Neural Networks,” in 12th International Conference on Application of Fuzzy Systems and Soft Computing, 2016, pp. 642–647.
R. Fu, Z. Zhang, and L. Li, “Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction,” in 31st Youth Academic Annual Conference of Chinese Association of Automation, 2016, pp. 5–9.
Aji, Hendridha Wisnu. 2019. Skripsi. Prediksi Harga Bitcoin dengan Menggunakan Metode Gated Recurrent Unit (GRU). Fakultas Matematika dan Ilmu Pengetahuan Alam. Jurusan Ilmu Komputer. Universitas Lambung Mangkurat.Banjarbaru.
K. Cho, D. Bahdanau, and F. Bougares, “Learning Phrase Representations using RNN Encoder – Decoder for Statistical Machine Translation,” in Conference on Empirical Methods in Natural Language Processing, 2014, pp. 1724–1734.
J. Chung, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” in NIPS 2014 Workshop on Deep Learning, 2014, pp. 1–9.
M. O. Rahman, S. Hossain, T. Junaid, and S. A. Forhad, “Predicting Prices of Stock Market using Gated Recurrent Units (GRUs) Neural Networks,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 19, no. 1, pp. 213–222, 2019.
Hasihi, Amalia Erman. 2019. Skripsi. Forecast Permintaan Kargo Udara dari Makassar ke Wilayah Papua Menggunakan Metode Double Constraint Gravity Model (DCGR). Jurusan Manajemen. Sekolah Tinggi Ilmu Ekonomi Nobel Indonesia. Makassar.
Rizki, Muhammad. 2019. Skripsi. Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory (LSTM) untuk Prediksi Curah Hujan Kota Malang. Fakultas Teknik. Jurusan Teknik Informatika. Universitas Muhammadiyah Malang. Malang.