A machine learning approach in Python is used to forecast the number of train passengers using a fuzzy time series model

Solikhin, Solikhin; Lutfi, Septia; Purnomo, Purnomo; Hardiwinoto, Hardiwinoto

doi:10.11591/eei.v11i5.3518

Cited by 2 publications

(5 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Metode varians yang dikenal sebagai FTS diperkenalkan setelah model prediksi dibangun. Seiring waktu, metode ini berkembang menjadi FTS, yang sekarang digunakan untuk menangani berbagai tantangan peramalan, seperti memprediksi permintaan pariwisata di Cina, dan masalah serupa lainnya (Jiang et al, 2020), (Sun et al, 2019) serta TAIEX (Yolcu and Alpaslan, 2018), (E Silva et al, 2020) Riset lainnya prediksi jumlah penumpang kereta api di Indonesia (Solikhin et al, 2021 and2022), prediksi jumlah pekerja migran Indonesia (Solikhin and Yudatama, 2019). FTS dengan Time Invariance yang diperkenalkan oleh Song dan Chissom, serta FTS berdasarkan Fuzzy Clustering Method yang dibuat oleh Cheng et al, (2008), semuanya berkontribusi pada kemajuan deret waktu.…”

Section: Penelitian Yang Berhubunganunclassified

“…Peneliti berikutnya prediksi jumlah penumpang kereta api menggunakan model FTS dengan pendekatan algoritma PC dan partisi berdasarkan ranking frekuensi (Solikhin et al, 2021), sedangkang Solikhin et al (2022) menggunakan pendekatan algoritma RoC dan penentuan partisi berdasarkan jumlah frekuensi.…”

Section: Mengusulkan Model Peramalan Fuzzy Interval Time-series Berda...unclassified

“…3) Prosedur Partisi Berbasis Frekuensi Setelah membagi semesta pembicaraan (𝑈) menjadi interval yang sama (u1, u2, u3, …un), kemudian dipartisi berdasarkan jumlah frekuensi (Solikhin et al, 2022). Pada bagian ini kami mengadopsi dan memodifikasi metode yang telah digunakan sebelumnya (Garg et al, 2012) dan (Solikhin et al, 2021).…”

Section: B Konsep Utama Yang Digunakan Dalam Algoritma 1) Proses Disk...unclassified

“…Hasil prediksi harus dievaluasi untuk menghindari masalah dalam menafsirkan pengukuran yang tepat dalam kaitannya dengan signifikasi nilai aktual dan prediksi (Solikhin and Yudatama, 2019), (Solikhin et al, 2022) atau Signifikasi MAPE dalam Prediksi (Chang et al, 2007) dengan mengacu pada Tabel 12.…”

Section: Hasil Dan Pembahasanunclassified

See 3 more Smart Citations

Prediksi Produksi Biofarmaka Menggunakan Model Fuzzy Time Series dengan Pendekatan Percentage Change dan Frequency Based Partition

Harmadji,

Solikhin,

Yudatama

et al. 2023

JTIIK

View full text Add to dashboard Cite

Masa depan biofarmasi semakin cerah. Akibat mahalnya harga obat modern, maka permintaan tanaman obat meningkat di dalam dan luar negeri. Hal ini karena biofarmaka banyak digunakan di industri lain, seperti makanan, minuman, dan kosmetik. Konsumen di seluruh dunia termasuk di Indonesia bergerak menuju produk makanan dan kesehatan yang lebih sehat dengan slogan "kembali ke alam". Dengan demikian permintaan tanaman obat sebagai bahan baku industri lainnya juga meningkat. Untuk mengatasi masalah tersebut diperlukan suatu prediksi untuk menentukan besaran kenaikan atau penurunan jumlah produksi komoditas strategis biofarmaka untuk beberapa tahun ke depan, sehingga Memungkinkan analisis pergerakan tren dari perkembangan data sebelumnya. Saat ini belum dijumpai studi peramalan deret waktu untuk memprediksi produksi biofarmaka dengan tingkat akurasi baik. Dalam eksperimen ini kami mengusulkan model peramalan fuzzy time series berdasarkan pendekatan percentage change sebagai himpunan semesta dan frequency-based partition yang dapat memberikan tingkat akurasi peramalan yang tinggi. Prediksi difokuskan pada biofarmaka untuk empat jenis rimpang yaitu Jahe, Lengkuas, Kencur, dan Kunyit yang dinilai menjadi prioritas utama pengembangan tanaman obat di Indonesia. Dalam penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat Statistika tahun 1997-2020. Tujuan dari survei adalah untuk memprediksi dan menganalisa perkembangan produksi biofarmaka untuk empat jenis rimpang. Hasil prediksi menunjukan akurasi luar biasa dengan nilai Mean Absolute Percentage Error yang sangat kecil yakni Jahe 0,03%, Lengkuas 0,02%, Kencur 0,14%, dan Kunyit 0,03%. Dengan demikian hasil eksperimen ini dapat berkontribusi dan digunakan bagi pihak yang berkompeten untuk membantu dalam menentukan kebijakan strategis di masa depan. AbstractBiopharmaceuticals' future is brightening. Due to the exorbitant cost of modern treatment, the desire for medicinal herbs is growing. due to their widespread use in different industries such as food, beverages, and cosmetics. Consumers worldwide, especially in Indonesia, are gravitating towards healthier food and health goods. So the demand for medicinal plants as raw materials increases. To solve this issue, a forecast is required for the next few years on the increase or decline in production of strategic biopharmaca commodities. Currently, no reliable time series forecasting study exists for biopharmaca production. To achieve high predicting accuracy, we present a fuzzy time series forecasting model based on percentage change as a universal set and frequency-based partition. Ginger, Galangal, Kencur, and turmeric are predicted to be the most important rhizomes for biopharmaca research in Indonesia. Secondary statistics from the Central Statistics Agency for 1997–2020 This study's goal was to anticipate and analyze biopharmaca synthesis in four rhizomes. The prediction results are incredibly accurate, with Mean Absolute Percentage Error values of just 0.03%, 0.02%, 0.14%, and 0.03% for Ginger, Galangal, Kencur, and Turmeric, respectively. Thus, competent parties can use the outcomes of this experiment to help determine future strategic policies.

show abstract

Section: Penelitian Yang Berhubunganunclassified

Section: Mengusulkan Model Peramalan Fuzzy Interval Time-series Berda...unclassified

Section: B Konsep Utama Yang Digunakan Dalam Algoritma 1) Proses Disk...unclassified

Section: Hasil Dan Pembahasanunclassified

See 2 more Smart Citations

Prediksi Produksi Biofarmaka Menggunakan Model Fuzzy Time Series dengan Pendekatan Percentage Change dan Frequency Based Partition

Harmadji,

Solikhin,

Yudatama

et al. 2023

JTIIK

View full text Add to dashboard Cite

show abstract

“…In general, machine learning-based studies are used to obtain predictive models that have high accuracy [17]- [20]. In this work, we examine the performance of polynomial functions to improve the predictive performance of the ML-based NuSVR algorithm in evaluating the inhibition efficiency of pyridine-quinoline anticorrosive compounds.…”

Section: Introductionmentioning

confidence: 99%

Optimization of Polynomial Functions on the NuSVR Algorithm Based on Machine Learning: Case Studies on Regression Datasets

Budi

Akrom

Trisnapradika

et al. 2023

SJI

View full text Add to dashboard Cite

Purpose: Experimental studies are usually costly, time-consuming, and resource-intensive when it comes to investigating prospective corrosion inhibitor compounds. Machine learning (ML) based on the quantitative structure-property relationship model (QSPR) has become a massive method for testing the effectiveness of chemical compounds as corrosion inhibitors. The main challenge in the ML method is to design a model that produces high prediction accuracy so that the properties of a material can be predicted accurately. In this study, we examine the performance of polynomial functions in the ML-based NuSVR algorithm in evaluating the regression dataset of corrosion inhibition efficiency of pyridine-quinoline compounds.Methods: Polynomial functions for NuSVR algorithm-based ML.Result: The outcomes demonstrate that the NuSVR model's prediction ability is greatly enhanced by the application of polynomial functions. Originality: The combination of polynomial functions and deep machine learning based NuSVR algorithms to increase the accuracy of predictive models.

show abstract

A machine learning approach in Python is used to forecast the number of train passengers using a fuzzy time series model

Cited by 2 publications

References 17 publications

Prediksi Produksi Biofarmaka Menggunakan Model Fuzzy Time Series dengan Pendekatan Percentage Change dan Frequency Based Partition

Prediksi Produksi Biofarmaka Menggunakan Model Fuzzy Time Series dengan Pendekatan Percentage Change dan Frequency Based Partition

Optimization of Polynomial Functions on the NuSVR Algorithm Based on Machine Learning: Case Studies on Regression Datasets

Contact Info

Product

Resources

About