Publication Search

In the rapidly evolving digital economy, the ability to anticipate transaction surges is a strategic asset for marketplace platforms to maintain operational efficiency. This research aims to build an accurate daily transaction volume forecasting system thru the implementation of an Extract, Transform, and Load (ETL) pipeline and Autoregressive Integrated Moving Average (ARIMA) predictive modeling. The dataset used is sourced from dataset_olshop.csv, which includes transaction history for the entire year of 2025. The ETL stage focused on data cleaning and handling missing values, while time series analysis began with the Augmented Dickey-Fuller (ADF) stationarity test, which yielded a significant p-value of 0.000006. The parameter model was optimized using the auto_arima algorithm, which determined the ARIMA(2,0,0) configuration as the best model. The evaluation results of the model show fairly stable performance with a Root Mean Squared Error (RMSE) value of 2.002 and a Mean Absolute Error (MAE) of 1.704 on the test data. Research findings reveal a consistently higher purchasing pattern during the mid-month and end-of-month periods, with an average of 5.52 daily transactions, compared to the beginning of the month, which saw 5.48 transactions. The 30-day forecast results provide valuable insights for online store managers to proactively adjust inventory and logistics workforce allocation strategies. This research concludes that integrating data engineering techniques and statistical analysis can provide predictive solutions for the dynamics of the digital market.

Indonesia di kawasan Cincin Api Pasifik, yang dikenal memiliki aktivitas seismik yang sangat tinggi dengan ribuan gempa bumi yang terjadi setiap tahunnya. Penelitian ini bertujuan untuk menganalisis kinerja Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi magnitudo gempa bumi menggunakan data historis yang diambil dari Kaggle. Data tersebut mencakup rentang waktu dari November 2008 hingga September 2022, yang telah melalui proses normalisasi serta perpecahan menjadi data pelatihan dan pengujian. Model evaluasi kinerja dilakukan dengan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Pada uji coba pertama, LSTM menunjukkan performa terbaik dengan nilai MAE 0.6226 dan RMSE 0.7731 pada data pengujian, lebih baik dibandingkan RNN yang mencatatkan MAE 0.6271 dan RMSE 0.7831. Sebaliknya, pada uji coba kedua, RNN unggul dengan nilai MAE 0.5583 dan RMSE 0.7008, sementara LSTM memiliki MAE 0.5822 dan RMSE 0.7132. Hasil ini menunjukkan bahwa LSTM lebih cocok untuk menangani pola data temporal yang kompleks, sedangkan RNN lebih andal pada dataset dengan pola yang lebih sederhana. Penelitian ini diharapkan dapat menjadi pijakan dalam pengembangan sistem prediktif untuk mitigasi risiko bencana gempa bumi di Indonesia.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.