Nama : Feni Rohmatus Saidah

NIM : 220313814016
Judul Draf Proposal Tesis :
Perbandingan Model Hybrid Sarima-ANN Dengan Model Holt-Winters Exponential Smoothing
Untuk Peramalan Jumlah Peserta Didik Baru Sekolah Rumah

Article 1:
Personality And Travel Intention During And After The Covid-19 Pandemic: An Artificial
Neural Network (ANN) Approach (2022)
Studi yang dilakukan oleh Shalini Talwar dkk mengangkat tentang Sektor pariwisata sangat
terpukul oleh pandemi COVID-19 karena banyak orang yang abstain sepenuhnya dari
perjalanan. Penting untuk memahami niat perjalanan individu selama dan setelah pandemi.
Memeriksa dampak dari ciri-ciri kepribadian individu yang dikategorikan oleh model lima faktor
pada niat perjalanan liburan mereka selama dan setelah pandemi. Untuk tujuan ini, peneliti
menggunakan jaringan saraf tiruan (ANN) untuk menganalisis 500 tanggapan dari individu yang
tinggal di Jepang. Hasil yang mereka dapatkan mengungkapkan ekstraversi itu memiliki
pengaruh relatif paling kuat terhadap niat bepergian selama pandemi, sedangkan keterbukaan
terhadap pengalaman memiliki pengaruh terkuat terhadap niat bepergian setelah pandemi.
Mereka menganggap Studi ini adalah yang pertama dari jenisnya untuk diperiksa. Pengunaan
model jaringan saraf tiruan (ANN) menjadi alternative dalam menemukan solusi dari
permasalahan baru

Article 2:
Comparative Analysis Of Arima Model And Exponential Smoothing In Predicting
Inventory In Automotive Companies (2021)
Studi dalam peramalan banyak digunakan pada sektor bisnis dan industry karena peramalan
adalah alat penting dalam perencanaan yang efektif dan efisien. Sehingga peramalan
permintaan dapat dilakukan diprediksi dan jumlah persediaan dapat ditentukan secara
berurutan. Penelitian ini bertujuan untuk menentukan model peramalan terbaik menggunakan
ARIMA dan pemulusan eksponensial metode dan membandingkan hasil peramalan dengan
keduanya metode untuk mendapatkan metode terbaik. Data diperoleh dari jumlah permintaan
mobil PT. Suzuki Indomobil Motor 2017 – 2019. Hasil penelitian menunjukkan bahwa PT Suzuki
Indomobil Motor lebih banyak tepat untuk menggunakan eksponensial Aditif Holt-Winters
smoothing karena tingkat kesalahan yang dihasilkan lebih kecil.

Article 3:
Application Of Double Exponential Smoothing Hot And Triple Exponential Smoothing Hot
Winters With Golden Section Optimization To Forecast Value Of The Borneo Province
(2022)
Pemulusan eksponensial adalah salah satu metode peramalan jangka pendek. Eksponensial
Ganda Smoothing (DES) metode Holt yang dapat digunakan pada data berpola tend dan Triple
Exponential Metode Smoothing (TES) Holt-Winter yang dapat digunakan pada data berpola
trend dan musiman. Masalah utama dalam menggunakan metode Holt DES dan Holt-Winter
TES adalah pemilihan parameter yang mana, biasanya dilakukan dengan trial and error, namun
cara ini membutuhkan waktu yang lama sehingga dalam penelitian ini lebih banyak lagi metode
yang efisien digunakan untuk mendapatkan parameter yang optimal yaitu metode golden
section. Tujuan penelitian ini adalah untuk meramalkan dan mendapatkan metode terbaik untuk
meramalkan nilai ekspor Provinsi Kalimantan Timur. Hasil penelitian menunjukkan bahwa
peramalan nilai ekspor menggunakan Holt DES, yaitu TES Holt-Winter aditif, dan TES Holt-
Winter perkalian dengan pengoptimalan bagian emas metode tersebut memiliki MAPE kurang
dari 10%, yang berarti ramalan yang digunakan metode tersebut sangat baik bagus. Metode
terbaik untuk memprediksi nilai ekspor Provinsi Kalimantan Timur adalah aditif Holt Winter TES
dengan metode optimasi golden section. Dalam penggunaan model eksponential smoothing
perlu memilih metode yang efisien untuk mendapatkan parameter yang optimal.

Article 4:
Penerapan Metode Sarima Dan Model Intervensi Fungsi Step Untuk Memprediksi Jumlah
Pengunjung Objek Wisata Londa (2022)
Tujuan dari penelitian ini yaitu menentukan model intervensi pada data jumlah pengunjung di
objek wisata Londa dan memprediksi jumlah pengunjung objek wisata Londa pada bulan
Desember 2021 sampai Juni 2022 menggunakan model Seasonal Autoregresive Integrated
Moving Average (SARIMA). Model intervensi yang digunakan dalam penelitian ini yaitu fungsi
step karena pengaruh yang terjadi berlangsung dalam kurun waktu cukup lama yaitu pada
bulan April 2020 sampai November 2021. Model terbaik yang diperoleh dari hasil analisis data
yaitu SARIMA, dengan nilai MAPE dan MAE masing-masing sebesar 4,38% dan 0,397. Model
SARIMA efektif digunakan untuk memprediksi jumlah pengunjung di objek wisata.
Article 5:
Traffic Flow Prediction Method Based On Seasonal Characteristic And Sarima Nar Model
(2022)
Model prediksi gabungan arus lalu lintas berdasarkan karakteristik musiman telah diberikan
sedikit perhatian saat ini. Karena musiman model rata-rata bergerak terintegrasi autoregresif
(SARIMA) memiliki karakteristik pemasangan linier yang unggul, itu sering digunakan untuk
memproses deret waktu musiman. Sebaliknya, saraf dinamis non-autoregresif jaringan (NAR)
memiliki fungsi memori vital dan kemampuan interpretasi nonlinier. Mereka cocok untuk
membangun model peramalan gabungan. Deret waktu arus lalu lintas jalan raya di Cina barat
daya diambil sebagai objek penelitian dalam makalah ini. Menggabungkan Model SARIMA dan
model NAR dengan 15 neuron lapisan tersembunyi dan penundaan urutan keempat, dua
digabungkan model dibangun: metode kombinasi komponen linier dan nonlinier direalisasikan
oleh model kombinasi SARIMA-NAR 1, dan metode kombinasi bobot MSE digunakan oleh
Model kombinasi SARIMA-NAR 2. Peneliti menghitung akurasi prediksi SARIMA-NAR model
gabungan 1 setinggi 0,92, dan akurasi prediksi model gabungan SARIMA-NAR 2 adalah 0,90.
Penggunakan model hybrid SARIMA-NAR mampu saling menutupi kekurangan dari masing-
masing metode, sehingga hasil dari permalan ini tingkat efektivitasnya tinggi serta lebih nyaman
dan efisien

Article 6:
Comparison Of Exponential Smoothing And Multiplicative Seasonality Method For
Forecasting Student Graduation Based On Semester Achievement Index (2022)
Dalam penelitian ini, penulis membandingkan Metode Eksponensial Smoothing dan Winter
Multiplicative Seasonality, dimana penulis menggunakan sampel berupa indeks prestasi siswa,
dalam peramalan, akan diperoleh nilai ramalan yang mungkin jauh dari nilai kenyataan atau
sedikit berbeda dengan nilai realita, untuk itu diperlukan nilai MAPE untuk menghitungnya
perbedaan persentase antara peramalan dan kenyataan, dan dalam penelitian ini
membandingkan 2 peramalan yaitu Metode Exponential Smoothing Dan Winter Multiplicative
Seasonality. Nilai MAPE yang diperoleh dari metode Winter Multiplicative Seasonality lebih
rendah berdasarkan sampel data yang digunakan. Perbandingan dua metode digunakan untuk
medapatkan hasil yang maksimal dalam melakukan permalan, karena banyaknya model dan
metode peramalan.