A new model for learning-based forecasting procedure by combining k-means clustering and time series forecasting algorithms

Abstract

This paper aims to propose a new model for time series forecasting that combines forecasting with clustering algorithm. It introduces a new scheme to improve the forecasting results by grouping the time series data using k-means clustering algorithm. It utilizes the clustering result to get the forecasting data. There are usually some user-defined parameters affecting the forecasting results, therefore, a learning-based procedure is proposed to estimate the parameters that will be used for forecasting. This parameter value is computed in the algorithm simultaneously. The result of the experiment compared to other forecasting algorithms demonstrates good results for the proposed model. It has the smallest mean squared error of 13,007.91 and the average improvement rate of 19.83%.

Analisis Sentimen Terhadap Pengaruh Minat Belanja Berdasarkan Komentar di Marketplace Menggunakan Metode Recurrent Neural Network (RNN)

“…Selain itu, pelanggan potensial yang membaca ulasan online dapat sangat dipengaruhi oleh sentimen ulasan yang tertera pada kolom ulasan, baik itu bersentimen positif atau negatif. Oleh karena itu, ulasan yang ditinggalkan oleh pengguna dengan sentimen tertentu sangat mempengaruhi keputusan dalam memilih produk atau layanan yang akan digunakan (Khafidatul and Indra, 2020) Analisis tentang perilaku konsumen dalam berbelanja memiliki dampak penting terhadap hobi belanja konsumen lainnya (Hartomo dan Nataliani, 2021).…”

“…Nilai ulasan tipikal berita non-stemming adalah 41%, akurasi 81%, dan F-Measure 54,27%. Sedangkan tipikal review berita yang menggunakan prosedur stemming adalah 44%, akurasi 88%, dan F-Measure 58,20% (Ivanedra dan Mustikasari, 2019).…”