Data indeks LQ45 dapat digunakan membantu manajer investasi, investor ataupun calon investor terkait dalam proses perencanaan dan proses pengambilan keputusan dalam membeli ataupun menjual saham. Oleh karena itu data LQ45 memiliki peran penting dalam melakukan peramalan untuk mencapai tujuan tersebut. Peramalan deret waktu (time series) menggunakan penerapan model Autoregressive Integrated Moving Average (ARIMA) untuk meramalkan nilai harga saham penutup dalam Indeks LQ45 pada data mingguan. Data yang digunakan merupakan data dari 25 November 2019 sampai dengan 30 November 2020. Hasil pengujian model terbaik adalah ARIMA(1,1,1). Model ARIMA(1,1,1) terpilih karena memenuhi asumsi dan didukung oleh nilai Adjusted R-squared, nilai S.E. of regression, Akaike Info Criterion dan Schwarz Criterion. Hasil peramalan jangka pendek selama 2 bulan ke depan (7 Desember 2020 sampai 25 Januari 2021) yang didapat dari model ARIMA(1,1,1) mendekati data aktual dengan nilai Mean Absolute Percentage Error (MAPE) yang paling kecil yaitu 18.41269.
Purpose: In travelling, we need to predict travel time so that itinerary is as expected. This paper proposes Support Vector Regression (SVR) to build a prediction model. In this case, we will estimate travel time in the Bali area. We propose to use a regression model with 8 features, i.e., time, weather, route, wind speed, day, precipitation, temperature and humidity information.Methods: In this study, we collect real-time data from Global Positioning System (GPS) and weather applications. We divide our data into two types: training dataset consisting of 177 data and testing dataset comprising 51 data. The Support Vector Regression (SVR) method is used in the training stage to build a model representing data. To validate the model, error measurements were carried out by calculating the values of R2, Accuracy, MAE (Mean Absolute Error), RMSE (Root Mean Square Error) and Accuracy.Result: From the research results, the model obtained is the SVR model with parameters γ=0.125, ε=0.1 and C = 1000, which has a value of R2= 0.9860528612283006. Later, we predict travel times on testing data using the SVR model that has been obtained. Based on the result of the research, our model has a 0.8008 MAE (Mean Absolute Error), 1.2817 RMSE (Root Mean Square Error) and 95.3369% Accuracy.Novelty: In this study, we use 8 features to estimate travel time in the Bali area. Furthermore, we will compare the KNN regression method (previous studies) with Support Vector Regression (SVR) (proposed method) on a model with 8 features to estimate travel time.
Pendeteksian kendaraan menggunakan video merupakan kegiatan yang penting untuk membantu dan mengawasi arus lalu lintas. Akan tetapi, sangat sulit bagi pihak keamanan untuk terus mengawasi video arus lalu lintas sepanjang hari melalui CCTV. Oleh karena itu kecerdasan buatan dapat digunakan untuk membantu pihak keamanan dalam memantau dan menganalisis lalu lintas kendaraan, seperti untuk mengetahui tingkat kepadatan lalu lintas kendaraan pada periode waktu tertentu atau mengetahui informasi terperinci tentang kendaraan yang ingin diamati. Dalam penelitian ini, metode Principle Component Analysis (PCA) digunakan untuk melakukan proses substraksi latar belakang untuk mendeteksi kendaraan secara real time. Untuk meningkatkan hasil metode PCA, operasi morfologi diimplementasikan. Hasil percobaan menunjukkan bahwa metode PCA baik digunakan untuk mendeteksi kendaraan secara real time dengan tingkat akurasi 95%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.