Time Series Regression

1. Grab Indonesia
Time Series Plot

100

90

80
grab: (Indonesia)

70

60

50

40

30

20
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian grab di indonesia selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Salah satu metode untuk forecasting yaitu timeseries regression. Dengan menggunakan
variabel dummy dari kategori jam didapatkan model refresi sebagai berikut.
Model Regresi
grab: (Indonesia) = -0.0884 t + 58.96 jam_0 + 58.38 jam_1 + 51.47 jam_2 + 45.89 jam_3
+ 51.15 jam_4 + 66.74 jam_5 + 86.33 jam_6 + 84.91 jam_7
+ 77.50 jam_8 + 81.43 jam_9 + 88.89 jam_10 + 91.15 jam_11
+ 96.57 jam_12 + 91.99 jam_13 + 86.91 jam_14 + 88.83 jam_15
+ 92.42 jam_16 + 83.01 jam_17 + 80.60 jam_18 + 77.02 jam_19
+ 68.94 jam_20 + 65.86 jam_21 + 64.29 jam_22 + 58.21 jam_23
Model regresi diatas merupakan model regresi yang terbentuk dari data training yang
selanjutnya akan diterapkan untuk data testing. Namun sebelum digunakan untuk forecast model
yang terbentuk haruslah memenuhi asumsi ARIMA agar model layak untuk digunakan. Dalam
praktikum kali ini jika residual masih belum whitenoise maka dilakukan permodelan terhadap
residual satu kali.
ACF dan PACF Residual
 1.0 1.0

0.8 0.8

0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 1 5 10 15 20 25 30 35
Lag Lag

Gambar diatas menunjukkan bahwa ACF dan PACF dari residual model belum whitenoise.
Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang memiliki ACF dan
PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual hanya dilakukan satu
kali saja.
Akurasi
Train Test
RMSE 6.081 5.717
MAD 4.576 4.833
MAPE 8% 8%
Dengan menggunakan model yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data testing jika dilihat dari nilai RMSE, namun jika
dilihat dari nilai MAD ketepatan model memprediksi data training lebih akurat.
Pemodelan Residual
Karena residual yang dihasilkan dari model belum memenuhi asumsi white noise maka
dilakukan pemodelan dari residualnya. Setelah dibagi training testing didapat model regresi
untuk residual sebagai berikut.
resitrain = 0.6402 lag
ACF dan PACF baru

1.0 1.0

0.8 0.8

0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 40 1 5 10 15 20 25 30 35 40
Lag Lag
 Gambar diatas menunjukkan bahwa ACF dan PACF dari residual yang baru model belum
whitenoise. Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang
memiliki ACF dan PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual
hanya dilakukan satu kali saja.
Akurasi Baru
Train Test
RMSE 4.611 5.434
MAD 3.647 4.193
MAPE 6% 7%
Dengan menggunakan model yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data training jika dilihat dari nilai RMSE, MAD
maupun MAPE.
2. Grab Thailand
Time Series Plot

100

90

80

70
grab: (Thailand)

60

50

40

30

20

10
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian grab di Thailand selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Salah satu metode untuk forecasting yaitu timeseries regression. Dengan menggunakan
variabel dummy dari kategori jam didapatkan model refresi sebagai berikut.
Model Regresi
grab: (Thailand) = 0.0227 t + 62.96 jam_0 + 55.77 jam_1 + 52.25 jam_2 + 40.06 jam_3
+ 49.37 jam_4 + 43.85 jam_5 + 40.33 jam_6 + 52.97 jam_7
+ 59.95 jam_8 + 64.09 jam_9 + 75.11 jam_10 + 82.42 jam_11
+ 85.74 jam_12 + 79.38 jam_13 + 78.52 jam_14 + 74.50 jam_15
+ 68.64 jam_16 + 83.29 jam_17 + 81.43 jam_18 + 69.41 jam_19
+ 56.89 jam_20 + 51.03 jam_21 + 51.34 jam_22 + 52.15 jam_23
 Model regresi diatas merupakan model regresi yang terbentuk dari data training yang
selanjutnya akan diterapkan untuk data testing. Namun sebelum digunakan untuk forecast model
yang terbentuk haruslah memenuhi asumsi ARIMA agar model layak untuk digunakan. Dalam
praktikum kali ini jika residual masih belum whitenoise maka dilakukan permodelan terhadap
residual satu kali.
ACF dan PACF Residual

1.0 1.0

0.8 0.8

0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 1 5 10 15 20 25 30 35
Lag Lag

Gambar diatas menunjukkan bahwa ACF dan PACF dari residual model belum whitenoise.
Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang memiliki ACF dan
PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual hanya dilakukan satu
kali saja.
Akurasi
Train Test
RMSE 9.232644 13.40829
MAD 6.887831 10.63623
MAPE 12% 24%
Dengan menggunakan model yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data training jika dilihat dari nilai RMSE, MAD
maupun MAPE.
Pemodelan Residual
Karena residual yang dihasilkan dari model belum memenuhi asumsi white noise maka
dilakukan pemodelan dari residualnya. Setelah dibagi training testing didapat model regresi
untuk residual sebagai berikut.
resitrain = 0.4739 lag
ACF dan PACF residual baru
 1.0 1.0

0.8 0.8

0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 40 1 5 10 15 20 25 30 35 40
Lag Lag

Gambar diatas menunjukkan bahwa ACF dan PACF dari residual model belum whitenoise.
Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang memiliki ACF dan
PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual hanya dilakukan satu
kali saja.
Akurasi Baru
Train Test
RMSE 8.132124 11.51357
MAD 6.109835 9.566643
MAPE 15% 73%
Dengan menggunakan model baru yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data training jika dilihat dari nilai RMSE, MAD
maupun MAPE.
3. Gojek Indonesia
Time Series Plot

100

90
gojek: (Indonesia)

80

70

60

50

40
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian grab di Thailand selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Salah satu metode untuk forecasting yaitu timeseries regression. Dengan menggunakan
variabel dummy dari kategori jam didapatkan model refresi sebagai berikut.
Model Regresi
gojek: (Indonesia) = -0.0405 t + 85.04 jam_0 + 81.75 jam_1 + 66.45 jam_2 + 59.83 jam_3
+ 61.20 jam_4 + 72.08 jam_5 + 85.28 jam_6 + 84.49 jam_7 + 83.36 jam_8 + 86.57 jam_9
+ 87.81 jam_10 + 92.85 jam_11 + 93.39 jam_12 + 91.93 jam_13
+ 91.30 jam_14 + 93.34 jam_15 + 93.05 jam_16 + 83.92 jam_17
+ 78.96 jam_18 + 77.50 jam_19 + 75.04 jam_20 + 73.42 jam_21
+ 79.13 jam_22 + 79.00 jam_23
Model regresi diatas merupakan model regresi yang terbentuk dari data training yang
selanjutnya akan diterapkan untuk data testing. Namun sebelum digunakan untuk forecast model
yang terbentuk haruslah memenuhi asumsi ARIMA agar model layak untuk digunakan. Dalam
praktikum kali ini jika residual masih belum whitenoise maka dilakukan permodelan terhadap
residual satu kali.
ACF dan PACF Residual

1.0 1.0

0.8 0.8

0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 1 5 10 15 20 25 30 35
Lag Lag

Gambar diatas menunjukkan bahwa ACF dan PACF dari residual model belum whitenoise.
Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang memiliki ACF dan
PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual hanya dilakukan satu
kali saja.
Akurasi
Train Test
RMSE 6.568 9.867
MAD 5.054 7.642
MAPE 7% 12%
Dengan menggunakan model yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data training jika dilihat dari nilai RMSE, MAD
maupun MAPE.
Pemodelan Residual
Karena residual yang dihasilkan dari model belum memenuhi asumsi white noise maka
dilakukan pemodelan dari residualnya. Setelah dibagi training testing didapat model regresi
untuk residual sebagai berikut.
resitrain = 0.6482 lag
ACF dan PACF Residual Baru

1.0 1.0

0.8 0.8

0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

1 5 10 15 20 25 30 35 40 1 5 10 15 20 25 30 35 40
Lag Lag

Gambar diatas menunjukkan bahwa ACF dan PACF dari residual model belum whitenoise.
Maka residual masih bisa dimodelkan lagi hingga menghasilkan residual yang memiliki ACF dan
PACF yang whitenoise. Namun pada praktikum kali ini pemodelan residual hanya dilakukan satu
kali saja.
Akurasi Baru
Train Test
RMSE 5.015 9.344
MAD 3.796 7.201
MAPE 5% 13%
Dengan menggunakan model baru yang diperoleh dapat dilihat bahwa akurasi ketepatan
memprediksi lebih baik dihasilkan untuk data training jika dilihat dari nilai RMSE, MAD
maupun MAPE.
ARIMA
1. Grab Indonesia
Time Series Plot

100

90

80
grab: (Indonesia)

70

60

50

40

30

20
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian grab di indonesia selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Maka dari itu untuk melanjutkan menggunakan metode ARIMA perlu dilakukan
differencing hingga data benar-benar stasioner.
Cek stasioneritas

Gambar diatas merupakan output dari uji stasioneritas pada software R yang menunjukkan
data belum stasioner.
Cek Stasioneritas Setelah Differencing Seasonal dan Non-Seasonal

Setelah dilakukan differencing seasonal dan non seasonal dapat dilihat nilai pvalue kurang
dari 0.05 yang mencermintakn data sudah stasioner dan dapat dilanjutkan analisis menggunakan
metode ARIMA.
ACF dan PACF

Model Arima yang sesuai dari PACF dan ACF yang dihasilkan adalah
ARIMA([1,2,3,4,8,11],1,[1,2,9])(1,1,0)24
LJBox Test

statistics p.value
6 0.790581 NaN
12 2.7215 0.256468
18 6.929878 0.544217
24 10.71424 0.708324
30 26.70747 0.143697
36 33.76801 0.140965
42 39.21859 0.17769
48 50.62542 0.082594
Tabel diatas merupakan Ljung Box test yang memilki nilai pvalue lebih dari 0.05 dari
semua lag yang mencerminkan bahwa semua lag sudah signifikan atau whitenoise dan residual
yang terbentuk sudah tidak dapat dimodelkan lagi.
ACF PACF Residual
 Dari gambar diatas dapat dilihat bahwa ACF dan PACF sudah whitenoise karena tidak
terdapat lag yang keluar maka model yang terbentuk sudah sesuai dan residual sudah tida dapat
dimodelkan lagi.
Uji Normalitas Residual

Gambar diatas merupakan output dari Software R untuk uji normalitas residual yang
menunjukkan residual yang dihasilkan dari model ini sudah memenuhi distribusi normal karena
nilai pvalue yang dihasilkan lebih besar dari 0.05.
Perbandingan Data Aktual dengan Forecast
 Gambar diatas menunjukkan perbandingan data aktual dengan data ramalan. Apabila dilihat dari
lineplot data testing diatas kedua garis agak lebih tidak berhimpit dibandingkan dengan line plot data
training yang berarti model yang terbentuk pada data training tidak lebih baik apabila diterapkan pada
data testing. Kemudian akan dibuktikan dengan nilai error yang dihasilkan.

Akurasi

Training Testing
5.21631
RMSE
5.17867 6
3.73646 3.99159
MAE
7 5
5.98438 7.22275
MAPE
4 2
Tabel diatas menunjukkan error yang dihasilkan dari data training dan data testing. Dari
model yang dihasilkan pada data training tidak lebih baik apabila diterapkan pada data testing,
dibuktikan dengan nilai error yang dihasilkan pada data testing lebih besar dari pada data
training.
2. Grab Thailand
Time Series Plot

100

90

80

70
grab: (Thailand)

60

50

40

30

20

10
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian grab di Thailand selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Maka dari itu untuk melanjutkan menggunakan metode ARIMA perlu dilakukan
differencing hingga data benar-benar stasioner.
Cek stasioneritas
 Gambar diatas merupakan output dari uji stasioneritas pada software R yang menunjukkan
data belum stasioner.
Cek Stasioneritas Setelah Differencing Seasonal dan Non-Seasonal

Setelah dilakukan differencing seasonal dan non seasonal dapat dilihat nilai pvalue kurang
dari 0.05 yang mencermintakn data sudah stasioner dan dapat dilanjutkan analisis menggunakan
metode ARIMA.
ACF dan PACF

Model Arima yang Sesuai

ARIMA([1,3,4,6,23],1,[1,3,7])(1,1,0)24
LJBox Test

statistics p.value
6 0.771288 NaN
12 5.688601 0.127783
18 11.07072 0.270893
24 17.01115 0.318198
30 23.20966 0.332902
36 25.42775 0.550503
42 27.04359 0.757768
48 41.79801 0.350239
Tabel diatas merupakan Ljung Box test yang memilki nilai pvalue lebih dari 0.05 dari semua
lag yang mencerminkan bahwa semua lag sudah signifikan atau whitenoise dan residual yang
terbentuk sudah tidak dapat dimodelkan lagi.
ACF dan PACF Residual

Dari gambar diatas dapat dilihat bahwa ACF dan PACF sudah whitenoise karena tidak
terdapat lag yang keluar maka model yang terbentuk sudah sesuai dan residual sudah tida dapat
dimodelkan lagi.
Uji Normalitas Residual

Gambar diatas merupakan output dari Software R untuk uji normalitas residual yang
menunjukkan residual yang dihasilkan dari model ini sudah memenuhi distribusi normal karena
nilai pvalue yang dihasilkan lebih besar dari 0.05.
Perbandingan Data Aktual dengan Data Forecast

Gambar diatas menunjukkan perbandingan data aktual dengan data ramalan. Apabila dilihat dari
lineplot data testing diatas kedua garis agak lebih tidak berhimpit dibandingkan dengan line plot data
training yang berarti model yang terbentuk pada data training tidak lebih baik apabila diterapkan pada
data testing. Kemudian akan dibuktikan dengan nilai error yang dihasilkan.

Akurasi
Training Testing
RMSE 9.67401 10.89406
MAE 6.71892 8.44864
MAPE 11.45264 18.88426
Tabel diatas menunjukkan error yang dihasilkan dari data training dan data testing. Dari
model yang dihasilkan pada data training tidak lebih baik apabila diterapkan pada data testing,
dibuktikan dengan nilai error yang dihasilkan pada data testing lebih besar dari pada data
training.

3. Gojek Indonesia
Time Series Plot

100

90
gojek: (Indonesia)

80

70

60

50

40
1 17 34 51 68 85 102 119 136
Index

Time series plot diatas menunjukkan bahwa data pencarian Gojek di Indonesia selama 7 hari
terakhir memiliki pola musiman yakni 24 jam. Plot diatas juga menunjukkan bahwa data belum
stasioner. Maka dari itu untuk melanjutkan menggunakan metode ARIMA perlu dilakukan
differencing hingga data benar-benar stasioner.
Cek stasioneritas

Gambar diatas merupakan output dari uji stasioneritas pada software R yang menunjukkan
data belum stasioner.
Cek Stasioneritas Setelah Differencing Seasonal dan Non-Seasonal

Setelah dilakukan differencing seasonal dan non seasonal dapat dilihat nilai pvalue kurang dari
0.05 yang mencermintakn data sudah stasioner dan dapat dilanjutkan analisis menggunakan
metode ARIMA.

ACF dan PACF

Model Arima yang Sesuai

ARIMA([1,2,4,5],1,[2])(1,1,0)24
LJBox Test

statistics p.value
6 2.303697 0
12 10.67171 0.099068
18 14.69607 0.25848
24 20.64081 0.29792
30 25.76486 0.365203
36 31.63279 0.384798
42 39.42629 0.319279
48 47.81686 0.248394
 Tabel diatas merupakan Ljung Box test yang memilki nilai pvalue lebih dari 0.05 dari semua
lag yang mencerminkan bahwa semua lag sudah signifikan atau whitenoise dan residual yang
terbentuk sudah tidak dapat dimodelkan lagi.
ACF dan PACF Residual

Dari gambar diatas dapat dilihat bahwa ACF dan PACF sudah whitenoise karena tidak
terdapat lag yang keluar maka model yang terbentuk sudah sesuai dan residual sudah tida dapat
dimodelkan lagi.
Uji Normalitas Residual

Gambar diatas merupakan output dari Software R untuk uji normalitas residual yang
menunjukkan residual yang dihasilkan dari model ini sudah memenuhi distribusi normal karena
nilai pvalue yang dihasilkan lebih besar dari 0.05.
Perbandingan Data Aktual dengan Data Forecast
 Gambar diatas menunjukkan perbandingan data aktual dengan data ramalan. Apabila dilihat dari
lineplot data testing diatas kedua garis agak lebih tidak berhimpit dibandingkan dengan line plot data
training yang berarti model yang terbentuk pada data training tidak lebih baik apabila diterapkan pada
data testing. Kemudian akan dibuktikan dengan nilai error yang dihasilkan.

Akurasi
Training Testing
RMSE 5.87891 6.01800
MAE 4.01914 5.08869
MAPE 5.31491 7.48897
Tabel diatas menunjukkan error yang dihasilkan dari data training dan data testing. Dari
model yang dihasilkan pada data training tidak lebih baik apabila diterapkan pada data testing,
dibuktikan dengan nilai error yang dihasilkan pada data testing lebih besar dari pada data
training.
Neural Network
Grab Indonesia
Perbandingan Akurasi 10 Neuron
RMSE_testin
RMSE_training MAE_training MAPE_training g MAE_testing MAPE_testing
Neuron 1 7.16881579 5.59024512 9.09113745 10.12937012 8.34314302 15.24158962
Neuron 2 6.39748152 4.77162876 7.97334087 8.73428156 7.24735838 13.61645963
Neuron 3 5.43413568 4.25790281 6.86806313 9.94924159 6.93797420 13.06600701
Neuron 4 5.21048972 3.73979331 6.14327196 11.52056786 9.07337553 16.76200308
Neuron 5 4.42112307 3.55433053 5.86670782 13.66895743 10.09815706 18.67419896
Neuron 6 3.42037625 2.60766512 4.26639235 13.11068959 9.21937981 17.41764811
Neuron 7 3.70516917 2.68215377 4.51765855 12.43926625 9.13696361 16.27912347
Neuron 8 2.88977659 2.17589710 3.60017327 11.79390281 8.59249191 16.18388864
Neuron 9 2.45539971 1.89785347 3.09163056 11.60919524 9.18635385 16.98086251
Neuron 10 2.51720212 1.93697772 3.01319196 15.13214578 12.02168027 21.56261036
 Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 10 neuron yang digunakan. Apabila menggunakan alat ukur RMSE dan MAE untuk data
training, neuron 9 memiliki nilai error yang paling rendah, namun untuk alat ukur MAPE neuron
10 memiliki nilai nilai akurasi terbesar. Sedangkan untuk data testing neuron 3 berturut-turun
memiliki nilai akurasi yang besar jika dilihat dari alat ukur MAE dan MAPE, namun pada RMSE
neuron 2 yang memiliki nilai error terkecil atau akurasi terbesar. Dan dalam line plot dapat
dilihat pada gambar dibawah ini.

Perbandingan Data Aktual dan Data Prediksi 10 neuron

Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.
 Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke
10 neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Dibawah ini merupakan contoh perbandingan nilai
pada data aktual dan data prediksi dari neuron 1, 5, 10, dan 15 baik untuk data training maupun
data testing.
 Grab Thailand
Perbandingan Akurasi 10 Neuron
MAE_testin
RMSE_training MAE_training MAPE_training RMSE_testing MAPE_testing
g
Neuron 1 10.05102961 7.70785507 13.34590780 12.07228553 9.03442287 21.98767471
Neuron 2 8.76311941 6.66544929 11.55661537 13.10053402 10.02930032 24.13938206
Neuron 3 8.39153333 6.15525649 10.50173272 12.96726295 9.98564023 22.79969691
Neuron 4 7.97217971 6.20339439 10.13220692 15.19681197 12.58030525 27.43251658
Neuron 5 5.99488803 4.65687374 7.76595459 13.01165092 10.86862340 23.64555281
Neuron 6 6.04244145 4.63562222 7.67016046 14.25374353 11.02752884 26.45886911
Neuron 7 5.14042954 3.88871770 6.54488957 16.77283776 13.31877769 29.37029354
Neuron 8 4.68270375 3.33917570 5.53851827 11.48240409 9.32404914 21.20466656
Neuron 9 4.73989040 3.27010625 5.49536518 15.93978531 13.59950193 27.08087373
Neuron 10 3.94841756 2.80029883 4.77728559 16.91820382 11.89288692 27.37993442
Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 10 neuron yang digunakan. Apabila menggunakan alat ukur RMSE, MAE, dan MAPE untuk
data training, neuron 10 memiliki nilai error yang paling rendah atau akurasi yang paling tinggi.
Sedangkan untuk data testing neuron 8 berturut-turut memiliki nilai akurasi yang besar jika
dilihat dari alat ukur MAPE dan RMSE, namun pada alat ukur MAE neuron 1 yang memiliki
nilai error terkecil atau akurasi terbesar. Dan dalam line plot dapat dilihat pada gambar dibawah
ini.
Perbandingan Data Aktual dan Data Prediksi 10 neuron
Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.

Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke
10 neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Dibawah ini merupakan contoh perbandingan nilai
pada data aktual dan data prediksi dari neuron 1, 5, 10, dan 15 baik untuk data training maupun
data testing.
 Gojek Indonesia
Perbandingan Akurasi 10 Neuron
RMSE_training MAE_training MAPE_training RMSE_testing MAE_testing MAPE_testing
Neuron 1 7.14059968 5.53824445 7.42290186 9.12202973 6.24713526 9.87802010
Neuron 2 6.80145991 5.08421647 6.81201408 9.61979017 6.29653210 9.84523938
Neuron 3 6.50700296 4.77112467 6.33927128 10.38687240 7.36285980 11.65678093
Neuron 4 6.07740841 4.41637850 5.86368304 10.11869299 7.36034453 11.40418908
Neuron 5 5.81589486 4.27090800 5.67296221 10.55617331 7.82775692 12.03987812
Neuron 6 79.46857390 78.61016949 100 75.14541459 74 100
Neuron 7 79.46857390 78.61016949 100 75.14541459 74 100
Neuron 8 79.46857390 78.61016949 100 75.14541459 74 100
Neuron 9 79.46857390 78.61016949 100 75.14541459 74 100
Neuron 10 79.46857390 78.61016949 100 75.14541459 74 100
Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 10 neuron yang digunakan. Apabila menggunakan alat ukur MAE, dan MAPE untuk data
training, neuron 5 memiliki nilai error yang paling rendah atau akurasi yang paling tinggi, namun
untuk alat ukur RMSE neuron 5 memiliki akurasi paling tinggi. Sedangkan untuk data testing
neuron 1 berturut-turut memiliki nilai akurasi yang besar jika dilihat dari alat ukur RMSE dan
MAE namun pada alat ukur MAPE neuron 2 yang memiliki nilai error terkecil atau akurasi
terbesar. Dan dalam line plot dapat dilihat pada gambar dibawah ini.
Perbandingan Data Aktual dan Data Prediksi 10 neuron
Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.

Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke
10 neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Neuron 5 sampai 10 tidak signifikan untuk
digunakan alat sebagai prediksi. Dibawah ini merupakan contoh perbandingan nilai pada data
aktual dan data prediksi dari neuron 1, 5, 10, dan 15 baik untuk data training maupun data
testing.
 Deeb NN
Grab Indonesia
Perbandingan Akurasi 5 Neuron
RMSE_testin
RMSE_training MAE_training MAPE_training MAE_testing MAPE_testing
g
Neuron 1 7.165759485 5.589946866 9.090130361 10.1264536 8.329974055 15.19295069
Neuron 2 6.118138851 4.495458684 7.351173713 10.57893291 8.96726375 16.10688414
Neuron 3 5.762021715 4.339444804 7.194533164 9.44274977 7.663083528 14.30336471
Neuron 4 5.061033472 3.952331967 6.612016401 8.960066105 7.271161511 13.76356968
Neuron 5 4.119954392 3.293518584 5.286644164 9.611520298 7.010575864 13.42472135
Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 5 neuron yang digunakan. Apabila menggunakan alat ukur RMSE, MAE, dan MAPE untuk
data training, neuron 5 memiliki nilai error yang paling rendah atau akurasi yang paling tinggi
dari pada neuron yang lainnya. Sedangkan untuk data testing neuron 5 berturut-turut memiliki
nilai akurasi yang besar jika dilihat dari alat ukur MAE dan MAPE namun pada alat ukur RMSE
neuron 4 yang memiliki nilai error terkecil atau akurasi terbesar. Dan dalam line plot dapat
dilihat pada gambar dibawah ini.

Perbandingan Data Aktual dan Data Prediksi 5 neuron

Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.
 Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke 5
neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Dibawah ini merupakan perbandingan nilai pada data
aktual dan data prediksi dari neuron 1 sampai 5 baik untuk data training maupun data testing
apabila dipisah berdasarkan neuron.
Grab Thailand
Perbandingan Akurasi 5 Neuron
RMSE_testin
RMSE_training MAE_training MAPE_training MAE_testing MAPE_testing
g
Neuron 1 10.00150645 7.66767633 13.25435430 11.78807242 8.86653200 21.38299051
Neuron 2 8.63002662 6.68779717 11.55077438 12.77145210 9.60425040 23.52976038
Neuron 3 8.20041074 5.94486523 10.07884349 13.60617099 10.31209346 24.03552385
Neuron 4 7.98198431 5.97156593 10.50787463 12.52687765 9.92379978 23.76634944
Neuron 5 6.91443586 4.72960980 8.46358685 14.47561229 10.59467317 25.93355513
Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 5 neuron yang digunakan. Apabila menggunakan alat ukur RMSE, MAE, dan MAPE untuk
data training, neuron 5 memiliki nilai error yang paling rendah atau akurasi yang paling tinggi
dari pada neuron yang lainnya. Sedangkan untuk data testing neuron 1 berturut-turut memiliki
nilai akurasi yang besar jika dilihat dari alat ukur RMSE, MAE dan MAPE. Berikut alat ukur
kebaikan model jika ditampilkan dalam line plot.
Perbandingan Data Aktual dan Data Prediksi 5 neuron
Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.
 Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke 5
neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Dibawah ini merupakan perbandingan nilai pada data
aktual dan data prediksi dari neuron 1 sampai 5 baik untuk data training maupun data testing
apabila dipisah berdasarkan neuron.
 Gojek Indonesia
Perbandingan Akurasi 5 Neuron
RMSE_testin
RMSE_training MAE_training MAPE_training MAE_testing MAPE_testing
g
Neuron 1 7.138289877 5.544955627 7.428512101 9.07796715 6.271622726 9.918264754
Neuron 2 6.856041297 4.958378515 6.592735447 10.42477004 7.094905096 11.01594145
Neuron 3 6.448038159 4.577392086 6.061265012 10.33588537 7.223043856 10.57063267
Neuron 4 6.07627043 4.568103219 6.065172188 13.79289646 8.87191147 12.93806165
Neuron 5 79.4685739 78.61016949 100 75.14541459 74 100
Tabel diatas menunjukkan nilai error yang diukur menggunakan beberapa alat ukur akurasi
dari 5 neuron yang digunakan. Apabila menggunakan alat ukur MAPE, dan MAE untuk data
training, neuron 3 memiliki nilai error yang paling rendah atau akurasi yang paling tinggi dari
pada neuron yang lainnya, namun untuk alat ukur RMSE neuron 4 yang memilki akurasi
tertinggi. Sedangkan untuk data testing neuron 1 berturut-turut memiliki nilai akurasi yang besar
jika dilihat dari alat ukur RMSE, MAE dan MAPE. Berikut alat ukur kebaikan model jika
ditampilkan dalam line plot.
Perbandingan Data Aktual dan Data Prediksi 5 neuron
Plot perbandingan data aktual dan data prediksi menunjukkan seberapa baik model yang terbentuk
untuk digunakan dalam memprediksi data baik pada data training maupun pada data testing. Berikut
merupakan plot perbandingan data aktual dengan data prediksi dari 10 neuron yang digunakan.
 Gambar diatas menunjukkan perbandingan nilai pada data aktual dan data prediksi. Dari ke 5
neuron yang digunakan semua telah mengikuti pola pada data aktual baik pada data training
maupun data testing dengan garis yang paling berhimpit sesuai dengan nilai alat ukur error yang
paling kecil pada pembahasan sebelumnya. Dibawah ini merupakan perbandingan nilai pada data
aktual dan data prediksi dari neuron 1 sampai 5 baik untuk data training maupun data testing
apabila dipisah berdasarkan neuron.
Perbandingan Akurasi
Grab Indonesia
Metode RMSE_training MAE_training MAPE_training RMSE_testing MAE_testing MAPE_testing
TSR 4.611 3.647 6% 5.434 4.193 7%
ARIMA 5.17867 3.736467 5.984384 5.216316 3.991595 7.222752
NN 1 7.16881579 5.59024512 9.09113745 10.12937012 8.34314302 15.24158962
NN 2 6.39748152 4.77162876 7.97334087 8.73428156 7.24735838 13.61645963
NN 3 5.43413568 4.25790281 6.86806313 9.94924159 6.9379742 13.06600701
NN 4 5.21048972 3.73979331 6.14327196 11.52056786 9.07337553 16.76200308
NN 5 4.42112307 3.55433053 5.86670782 13.66895743 10.09815706 18.67419896
NN 6 3.42037625 2.60766512 4.26639235 13.11068959 9.21937981 17.41764811
NN 7 3.70516917 2.68215377 4.51765855 12.43926625 9.13696361 16.27912347
NN 8 2.88977659 2.1758971 3.60017327 11.79390281 8.59249191 16.18388864
NN 9 2.45539971 1.89785347 3.09163056 11.60919524 9.18635385 16.98086251
NN 10 2.51720212 1.93697772 3.01319196 15.13214578 12.02168027 21.56261036
Deeb NN 1 7.165759485 5.589946866 9.090130361 10.1264536 8.329974055 15.19295069
Deeb NN 2 6.118138851 4.495458684 7.351173713 10.57893291 8.96726375 16.10688414
Deeb NN 3 5.762021715 4.339444804 7.194533164 9.44274977 7.663083528 14.30336471
Deeb NN 4 5.061033472 3.952331967 6.612016401 8.960066105 7.271161511 13.76356968
Deeb NN 5 4.119954392 3.293518584 5.286644164 9.611520298 7.010575864 13.42472135
Dari tabel diatas dapat dilihat bahwa metode NN dengan neuron 9 lebih akurat dalam
memprediksi data pencarian gojek pada google trend karena memiliki nilai error paling kecil
dengan ketiga alat ukur error dari pada metode yang lainnya namun model yang terbentuk pada
data training tidak begitu bagus ketika diterapkan pada data testing. Data testing lebih cocok
digunakan metode ARIMA untuk memprediksi karena menghasilkan error yang lebih kecil dari
pada metode yang lainnya.

Grab Thailand
RMSE_trainin
Metode MAE_training MAPE_training RMSE_testing MAE_testing MAPE_testing
g
TSR 8.132124 6.109835 15% 11.51357 9.566643 73%
ARIMA 9.67401 6.71892 11.45264 10.89406 8.44864 18.88426
NN 1 10.05102961 7.70785507 13.3459078 12.07228553 9.03442287 21.98767471
NN 2 8.76311941 6.66544929 11.55661537 13.10053402 10.02930032 24.13938206
NN 3 8.39153333 6.15525649 10.50173272 12.96726295 9.98564023 22.79969691
NN 4 7.97217971 6.20339439 10.13220692 15.19681197 12.58030525 27.43251658
NN 5 5.99488803 4.65687374 7.76595459 13.01165092 10.8686234 23.64555281
NN 6 6.04244145 4.63562222 7.67016046 14.25374353 11.02752884 26.45886911
NN 7 5.14042954 3.8887177 6.54488957 16.77283776 13.31877769 29.37029354
NN 8 4.68270375 3.3391757 5.53851827 11.48240409 9.32404914 21.20466656
NN 9 4.7398904 3.27010625 5.49536518 15.93978531 13.59950193 27.08087373
NN 10 3.94841756 2.80029883 4.77728559 16.91820382 11.89288692 27.37993442
Deeb NN 1 10.00150645 7.66767633 13.2543543 11.78807242 8.866532 21.38299051
Deeb NN 2 8.63002662 6.68779717 11.55077438 12.7714521 9.6042504 23.52976038
Deeb NN 3 8.20041074 5.94486523 10.07884349 13.60617099 10.31209346 24.03552385
Deeb NN 4 7.98198431 5.97156593 10.50787463 12.52687765 9.92379978 23.76634944
Deeb NN 5 6.91443586 4.7296098 8.46358685 14.47561229 10.59467317 25.93355513
Dari tabel diatas dapat dilihat bahwa metode NN dengan neuron 10 lebih akurat dalam
memprediksi data pencarian gojek pada google trend karena memiliki nilai error paling kecil
dengan ketiga alat ukur error dari pada metode yang lainnya namun model yang terbentuk pada
data training tidak begitu bagus ketika diterapkan pada data testing. Data testing lebih cocok
digunakan metode ARIMA untuk memprediksi karena menghasilkan error yang lebih kecil dari
pada metode yang lainnya.

Gojek Indonesia
RMSE_trainin MAE_trainin
Metode MAPE_training RMSE_testing MAE_testing MAPE_testing
g g
TSR 6.568 5.054 7% 9.867 7.642 12%
ARIMA 5.87891 4.01914 5.31491 6.018 5.08869 7.48897
NN 1 7.14059968 5.53824445 7.42290186 9.12202973 6.24713526 9.8780201
NN 2 6.80145991 5.08421647 6.81201408 9.61979017 6.2965321 9.84523938
NN 3 6.50700296 4.77112467 6.33927128 10.3868724 7.3628598 11.65678093
NN 4 6.07740841 4.4163785 5.86368304 10.11869299 7.36034453 11.40418908
NN 5 5.81589486 4.270908 5.67296221 10.55617331 7.82775692 12.03987812
NN 6 79.4685739 78.61016949 100 75.14541459 74 100
NN 7 79.4685739 78.61016949 100 75.14541459 74 100
NN 8 79.4685739 78.61016949 100 75.14541459 74 100
NN 9 79.4685739 78.61016949 100 75.14541459 74 100
NN 10 79.4685739 78.61016949 100 75.14541459 74 100
Deeb NN 1 7.138289877 5.544955627 7.428512101 9.07796715 6.271622726 9.918264754
Deeb NN 2 6.856041297 4.958378515 6.592735447 10.42477004 7.094905096 11.01594145
Deeb NN 3 6.448038159 4.577392086 6.061265012 10.33588537 7.223043856 10.57063267
Deeb NN 4 6.07627043 4.568103219 6.065172188 13.79289646 8.87191147 12.93806165
Deeb NN 5 79.4685739 78.61016949 100 75.14541459 74 100
Dari tabel diatas dapat dilihat bahwa metode ARIMA lebih akurat dalam memprediksi data
pencarian gojek pada google trend. Nilai error paling kecil baik pada data training dan data
testing menunjukkan kekonsistensian kebaikan model arima yang terbentuk pada data training
untuk divalidasi pada data testing.

Kesimpulan
Dari analisis diatas didapatkan kesimpulan bahwa dalam forecasting metode ARIMA
merupakan metode yang direkomendasikan untuk digunakan. Meskipun dalam menjelaskan data
training masih kurang baik dari pada metode NN namun ketika dilakukan validasi pada data
testing metode ARIMA lebih konsisten akurasinya dan dapat lebih direkomendasikan.