Template Co SIE

JOURNAL OF COMPUTER SCIENCE AND INFORMATICS ENGINEERING (CoSIE) e-ISSN 2827-8356
VOL. xx, NO. x, FEBRUARI 20xx: 1-7 p-ISSN 2827-9999
Penerapan Arsitektur Model Hybrid Convolutional Neural

Network Gated Recurrent Unit Untuk Melakukan Prediksi
Harga Jual Paket Internet
Application of the Hybrid Convolutional Neural Network Gated Recurrent Unit Model
Architecture to Predict Internet Package Selling Prices
Muhammad Arif*1, Sarudin2

1,2
Teknik Informatika, Universitas Harapan Medan
E-mail: 1penulis.1@email.ac.id, 2udinalga@gmail.com
Abstrak
Peramalan harga paket internet memainkan peran penting dalam industri telekomunikasi
modern. Dalam mengantisipasi tren harga paket internet, digunakan pendekatan yang canggih
seperti Arsitektur Model Hybrid Convolutional Neural Network-Gated Recurrent Unit (CNN-
GRU). Penelitian ini mengusulkan dan mengimplementasikan model tersebut untuk
memprediksi harga paket internet di masa mendatang. Model Hybrid CNN-GRU
menggabungkan kemampuan pengenalan pola spasial dan temporal. CNN digunakan untuk
mengenali fitur-fitur spasial dalam data historis harga, sementara GRU mengambil aspek
temporalnya. Data historis harga paket internet digunakan sebagai input untuk melatih model.
Pelatihan melibatkan proses penyesuaian bobot dan parameter dalam arsitektur model sehingga
menghasilkan peramalan yang lebih akurat.
Hasil eksperimen menunjukkan bahwa model Hybrid CNN-GRU memiliki kinerja peramalan
yang lebih baik dibandingkan dengan pendekatan tradisional. Perbandingan antara peramalan
model dan data aktual menghasilkan tingkat akurasi yang memuaskan, dengan nilai error yang
rendah. Ini menunjukkan bahwa penggunaan model Hybrid CNN-GRU dapat berkontribusi
dalam menghasilkan peramalan harga paket internet yang lebih presisi. Penelitian ini berpotensi
memberikan panduan berharga bagi penyedia layanan telekomunikasi dalam mengatur harga
paket internet dengan lebih efektif dan efisien.
Kata kunci: CNN-GRU, Internet, Peramalan
Abstract
Internet package price forecasting plays an important role in the modern telecommunication
industry. In anticipating internet package price trends, a sophisticated approach is used, such
as the Hybrid Convolutional Neural Network-Gated Recurrent Unit (CNN-GRU) Model
Architecture. This study proposes and implements this model to predict future internet package
prices. The CNN-GRU Hybrid Model combines spatial and temporal pattern recognition
capabilities. CNN is used to recognize spatial features in price historical data, while GRU takes
its temporal aspect. Historical data on internet package prices is used as input to train the
model. The training involves adjusting the weights and parameters in the model architecture to
produce more accurate forecasts. The experimental results show that the CNN-GRU Hybrid
model has better forecasting performance than the traditional approach. Comparison between
model forecasts and actual data produces a satisfactory level of accuracy, with a low error
value. This shows that the use of the Hybrid CNN-GRU model can contribute to producing
more precise forecasting of internet package prices. This research has the potential to provide
valuable guidance for telecommunications service providers in setting internet package prices
more effectively and efficiently.
Keywords: CNN-GRU, Internet, Forecasting
1
© 2022 The Author(s). Published by AIRA . This is an open access article under the CC BY-SA license
(http://creativecommons.org/licenses/by-sa/4.0/)
1. PENDAHULUAN
Saat ini internet terus bergulir sehingga mulai dirasakan sebagai suatu kebutuhan pokok untuk
memperoleh informasi yang baru dan lengkap[1][2]. Banyak orang mulai dari anak-anak hingga
orang dewasa terdorong untuk mengakses internet untuk bermacam-macam keperluan
mereka. Hal ini menjadi penyebab membanjirnya penjualan data internet dengan harga yang
bermacam macam. Banyak paket internet berbasis kuota ditawarkan oleh perusahaan operator
seluler[3]. Pasalnya internet berbasis kuota sangat cocok dan diminati oleh masyarakat yang
memiliki beragam kepentingan yang berkaitan dengan penggunaan internet, permintaan paket
internet semakin meningkat dengan harga yang berbeda beda setiap operator[4][5]. Penelitian
ini memliki permasalahan yang terjadi saat ini yaitu belum pernah dilakukan prediksi harga
paket setiap operator seluler dikarenakan harga yang beraneka ragam dan berubah rubah.
Penggunaan data mining untuk membuat model perkiraan skala besar untuk meningkatkan
akurasi perkiraan di berbagai bidang seperti ekonomi, perawatan kesehatan, olahraga,
pendidikan, pertanian dan peternakan[6][7]. Prediksi pada harga paket intenet menjadi sangat
penting ketika hasil prediksi yang akurat dapat membantu perusahaan seluler dan pedagang
dalam menetapkan harga. Salah satu indikator dalam melakukan prediksi harga paket internet
yang menjadi fokus yaitu data data sebelumnyayang digunakan pada penelitian ini yaitu data
tahun 2016 sampai tahun 2021
Penelitian tentang prediksi harga paket internet ini telah dilakukan beberapa kali,
diantaranya yaitu, menggunakan metode gabungan antara Artificial Neural Network dan
Genetic Algorithm yang dilakukan oleh [8] menyimpulkan bahwa Mengoptimalkan jaringan
saraf (JST) dengan algoritma genetika (GA) dengan sangat baik meningkatkan estimasi jaringan
saraf., Penelitian lainnya dengan menggunakan metode gabungan antara Multilayer Perception
dan Elman Recurrent Neural Network [9] menghasilkan Nilai prediksi dari model yang
diusulkan pada harga paket sesuai dengan nilai sebenarnya. Prediksi dengan model ERNN
diusulkan paling mendekati data aktual. Sehingga Harga paket internet dapat berubah setiap
hari, maka dari itu dalam penelitian ini menggunakan Metode Deep Learning GRU (Gated
Recurrent Unit) untuk Time Series Forecasting atau Peramalan Seri Waktu dari perubahan
harga paket internet. Pada penelitian lainnya yang dilakukan oleh [10] dengan menggunakan
Metode GRU menghasilkan Jumlah neuron hidden layer dengan hasil paling optimal yaitu
dengan 256 neuron hidden layer. Hal ini karena jumlah 256 neuron hidden layer memiliki
tingkat error yang paling rendah yaitu pada data train sebesar 12.247 dan pada data test sebesar
11.481. Sehingga disimpulkan bahwa pada penelitian tugas akhir Deep Learning dengan
arsitektur Gated Recurrent Unit (GRU)) dapat bekerja cukup optimal. Penelitian terkait metode
GRU juga dilakukan oleh [6] yang menyimpulkan Implementasi metode GRU dalam prediksi
yang bersifat time-series sangat tepat digunakan karena GRU mampu mengingat dan
menyimpan history data baik short term atau jangka pendek, maupun long term atau jangka
Panjang. Setelah mengulah dan melakukan eksplorasi terhadap penelitian terkait maka penulis
melakukan Penelitian menggunakan Arsitektur Model Hybrid Convolutional Neural Network-
Gated recurrent unit untuk Time Series Forecasting atau Peramalan Seri Waktu dari perubahan
harga paket internet. Model Arsitektur Model Hybrid Convolutional Neural Network-Gated
recurrent unit diterapkan pada aplikasi prediksi ini untuk menghasilkan nilai akurasi yang dapat
digunakan sebagai acuan dalam melakukan penjualan paket internet.
2
2. METODE PENELITIAN
Metode penelitian merujuk pada pendekatan sistematis dan terorganisir yang digunakan oleh
peneliti untuk merancang, melaksanakan, dan menganalisis suatu penelitian. Metode penelitian
akan membantu dalam merumuskan melakukan Analisa pada penelitian dan mengumpulkan
data. Penelitian ini akan mendapatkan data dari studi pustaka dan penelitian sejenis sebelumnya.
maka Maka penulis mendapatkan sebuah masalah yaitu penerapan arsitektur model hybrid
convolutional neural network dalam melakukan prediksi harga jual paket internet, saat ini kartu
internt begitu banyak beredar dipasaran dengan harga yang variative dan fluktuatif tapi dalam
kondisi masyarakat yang membutuhkan internet sehingga kartu paket internet menjadi
kebutuhan untuk digunakan sebagai kebutuhan habis pakai, berdasarkan kasus tersebut penulis
akan menerapkan suatu model dari machine learning dalam melakukan prediksi penjualan kartu
paket dengan menerapkan model hybrid convolutional neural network yang bekerja untuk
melakukan training data dan melakukan uji terhadap model yang terbentuk.
2.1 Kerangka kerja

Pada penelitian ini, penulis menggunakan arsitektur model hybrid convolutional neural
network, Untuk membangun jaringan Feedforward Neural Network dengan algoritma Gated
recurrent unit memerlukan beberapa langkah. Penulis membangun langkah tersebut kedalam
beberapa tahap sebagai berikut
Gambar 1 Tahapan Penelitian
Keterangan gambar 1 akan menjelaskan bahwa:

a. Data
Data yang digunakan pada penelitian ini adalah data harga paket internet dengan jumlah
100
b. Preprocessing
Sebelum dilakukan proses training, setiap data akan dinormalisasikan terlebih dahulu
dengan interval antara 0 dan 1.
c. Pembentukan model dari GRU

3
Intuisi algoritma hutan acak dapat dibagi menjadi dua tahap. Pada tahap pertama, kami secara
acak memilih fitur “k” dari total m fitur dan membangun hutan acak. Pada tahap pertama, kami
melanjutkan sebagai berikut: -
Pilih secara acak k fitur dari total m fitur di mana k < m.
Di antara k fitur, hitung simpul d menggunakan titik pisah terbaik.
Pisahkan node menjadi node anak menggunakan split terbaik.
Ulangi 1 sampai 3 langkah sampai l jumlah node telah tercapai.
d. Pelatihan data yang digunakan agar melatih data harga paket internet
e. Pengujian data yang dapat menghasilkan model prediksi
2.2 Data yang digunakan

Penelitian ini dalam pelaksanaannya menggunakan jenis data sekunder yaitu data yang
telah ada yaitu data harga paket internet. Penelitian ini mengumpulkan data dan teori yang
relevan terhadap permasalahan yang akan diteliti dengan melakukan studi pustaka terhadap
literatur dan lainnya seperti artikel, jurnal, buku dan penelitian terdahulu. Jenis data yang
digunakan pada penelitian ini adalah data sekunder dengan tipe data time series. Berikut ini data
harga paket internet
.
Tabel 1 Data Harga Paket Internet
Telkomsel XL Smartfren Indosat
63.500 61.500 52.500 54.000
63.500 61.500 52.500 54.000
64.000 61.000 52.000 53.500
64.000 61.000 53.000 53.500
64.000 60.000 52.500 54.000
63.500 60.000 52.500 53.500
64.500 60.500 52.500 54.000
64.500 60.500 53.000 54.500
66.500 60.000 53.000 54.500
66.500 60.000 53.000 54.500
66.500 60.000 53.000 54.500
66.500 61.000 53.000 53.500
65.500 61.000 53.500 53.500
65.500 61.500 53.500 53.500
65.000 61.500 53.500 53.000
65.000 60.500 53.500 53.000
65.500 60.500 52.000 53.000
65.500 60.500 52.000 53.000
2.3 Algoritma GRU

Analisis data dalam penelitian ini menggunakan Microsoft Excel untuk pengolahan data dan
python untuk simulasi dan proses prediksi penyebab tunggakan dengan menggunakan algoritma
GRU Forest. Data yang sudah melawati tahap preprocessing, selanjutnya akan digunakan untuk
pembuatan sebuah model. Data tersebut akan dibagi menjadi tiga yaitu data training, validation
dan testing yang digunakan untuk menguji model hyperparameter yang berbeda. Data
validation digunakan untuk mengevaluasi model setiap periode training (epoch) dan
menentukan kategori model yang dihasilkan overfitting atau underfitting. Berikut ini langkah
langkah dari GRU forest
4
1. Pilih salah satu fitur yang tersedia dalam kumpulan fitur milik dataset dan tentukan nilai
cutting point secara acak untuk membagi dataset masukan ke dalam kumpulan
subkelompok
2. Hitung nilai rata-rata entropi dari setiap subkelompok
3. Hitung nilai Gain sementara dan jika nilai Gain sementara lebih besar dari Max_Gain
maka simpan nilai Selected Feature menjadi fitur yang terpilih dan set nilai cutting
point.
Saat iterasi ke-i sama dengan nilai Max_Iteration maka bentuk dan sisipkan Rule sebagai node
ke dalam tree. Kemudian set nilai parent node menjadi node yang berisikan Rule dan lakukan
proses konstruksi tree berdasarkan setiap kelompok yang telah dibagi oleh cutting point
berdasarkan fitur dengan nilai Gain terbesar.
.
3. HASIL DAN PEMBAHASAN
Bab ini akan menjelaskan hasil implementasi dalam membangun prediksi kartu paket internet
menggunakan arsitektur dari model hybrid convolutional neural network Gated reccurent unit.
Pada bab ini akan menggunakan bahasa pemrograman python dengan menggunakan datset dari
penjualan kartu paket internet, dalam membangun model prediksi terdapat kebutuhan perangkat
keras dan perangkat lunak sebagai berikut
3.1 Exploratory Data Analysis (EDA)

Tahap awal dalam Exploratory Data Analysis (EDA) adalah memuat dataset ke dalam
lingkungan analisis. Anda mulai dengan memeriksa struktur dataset, memeriksa jumlah baris
dan kolom, serta mengidentifikasi jenis variabel yang ada. Hal ini membantu Anda memahami
cakupan dan format data. Selanjutnya, Anda memeriksa variabel-variabel secara individual
dalam dataset. Anda dapat melihat statistik deskriptif seperti mean, median, dan quartil untuk
variabel numerik, serta mengidentifikasi nilai unik dan frekuensi untuk variabel kategorikal. Hal
ini memberikan pemahaman awal tentang distribusi dan karakteristik variabel. Berikut ini
visualisasi Exploratory Data Analysis (EDA)
1. Data paket Telkomsel
Gambar 2. Visualisasi Paket Telkomsel
5
2. Data paket XL
Gambar 3. Visualisasi Paket XL
3.2 Rolling Window

Rolling window EDA adalah metode EDA yang melibatkan penggunaan jendela bergulir untuk
menganalisis data secara bertahap. Metode ini berguna dalam mengungkapkan tren, pola, dan
fluktuasi yang mungkin tidak terlihat dengan jelas pada data yang diamati secara keseluruhan.
Selama proses Rolling Window EDA, dapat menerapkan metode statistik seperti perhitungan
rata-rata bergerak (moving average) atau perhitungan deviasi standar bergerak (moving standard
deviation). Ini membantu Anda mengidentifikasi tren jangka panjang atau fluktuasi yang
signifikan dalam data. Berikut ini visualisasi rolling windows pada gambar 4
Gambar 4. Data Rolling window
3.3 Model prediksi

Model Hybrid convolutional neural network Gated Recurrent Unit (CNN-GRU) adalah model
yang menggabungkan konvolusi neural network (CNN) dengan unit berulang berpintu (GRU)
dalam satu arsitektur yang terintegrasi. Model ini digunakan untuk memproses data berdimensi
tinggi seperti gambar, dan pada saat yang sama. Berikut ini hasil evaluasi yang terdapat pada
gambar 5
6
Gambar 5. Model Prediksi
4. KESIMPULAN DAN SARAN
Berdasarkan perancangan yang dilakukan dalam membangun model prediksi kartu paket
internet dengan menggunakan model model Hybrid convolutional neural network Gated
Recurrent Unit (CNN-GRU) dapat ditarik kesimpulan antara lain:
1. Dengan adanya model ini, kita dapat memanfaatkan kekuatan CNN untuk menangkap fitur-
fitur spasial yang relevan dalam data, seperti tekstur, bentuk, atau pola visual yang dapat
berhubungan dengan prediksi paket internet. Kemudian, GRU membantu dalam memahami
konteks sekuensial data, seperti tren perubahan atau pola temporal yang dapat
mempengaruhi prediksi paket internet.
2. Dengan menggunakan model hybrid ini, kita dapat meningkatkan kemampuan prediksi kita
dengan memanfaatkan informasi spasial dan temporal secara bersamaan. Hal ini dapat
membantu dalam menghasilkan prediksi yang lebih akurat dan dapat memberikan wawasan
yang lebih kaya tentang faktor-faktor yang mempengaruhi permintaan dan penggunaan
paket internet.
3. Akurasi pada model dengan root mean square error bernilai 0.024 dan akurasi 0.89
.
DAFTAR PUSTAKA
[1] O. Nugroho, “Implementation of Marker Based Tracking Method in the Interactive

Media of Traditional Clothes Knowledge-Based on Augmented Reality 360,” J. Comput.
Sci. Inf. Technol. Telecommun. Eng., vol. 1, no. 2, pp. 37–43, 2020.
[2] G. Sirait, “Pengendalian Persediaan Obat Dengan Pendekatan Economic Order
Quantity,” J. Rekayasa Sist. Ind., vol. 4, no. 2, p. 98, 2019, doi: 10.33884/jrsi.v4i2.1276.
[3] A. De Caigny, K. Coussement, K. W. De Bock, and S. Lessmann, “Incorporating textual
information in customer churn prediction models based on a convolutional neural
network,” Int. J. Forecast., vol. 36, no. 4, pp. 1563–1578, 2020.
[4] A. R. Lubis, S. Prayudani, Y. Fatmi, and O. Nugroho, “Classifying News Based on
Indonesian News Using LightGBM,” in 2022 International Conference on Computer
Engineering, Network, and Intelligent Multimedia (CENIM), IEEE, 2022, pp. 162–166.
[5] R. Hayami, Sunanto, and I. Oktaviandi, “Penerapan Metode Single Exponential
7
Smoothing Pada Prediksi Penjualan Bed Sheet,” J. CoSciTech (Computer Sci. Inf.
Technol., vol. 2, no. 1, pp. 32–39, 2021, doi: 10.37859/coscitech.v2i1.2184.
[6] S. Zahara, Sugianto, and M. Bahril Ilmiddafiq, “Prediksi Indeks Harga Konsumen
Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,”
J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 357–363, 2019, doi:
10.29207/resti.v3i3.1086.
[7] R. V. Kübler, A. Colicev, and K. H. Pauwels, “Social Media’s Impact on the Consumer
Mindset: When to Use Which Sentiment Extraction Tool?,” J. Interact. Mark., vol. 50,
pp. 136–155, 2020, doi: 10.1016/j.intmar.2019.08.001.
[8] M. R. Mahdiani and E. Khamehchi, “A modified neural network model for predicting
the crude oil price,” Intellect. Econ., vol. 10, no. 2, pp. 71–77, 2016, doi:
10.1016/j.intele.2017.02.001.
[9] J. Wang and J. Wang, “Forecasting energy market indices with recurrent neural
networks: Case study of crude oil price fluctuations,” Energy, vol. 102, pp. 365–374,
2016, doi: 10.1016/j.energy.2016.02.098.
[10] M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan
Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota
Malang,” J. Repos., vol. 2, no. 3, p. 331, 2020, doi: 10.22219/repositor.v2i3.470.
8

Template Co SIE

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Template Co SIE

Diunggah oleh

Hak Cipta:

Format Tersedia

JOURNAL OF COMPUTER SCIENCE AND INFORMATICS ENGINEERING (CoSIE) e-ISSN 2827-8356

VOL. xx, NO. x, FEBRUARI 20xx: 1-7 p-ISSN 2827-9999

Penerapan Arsitektur Model Hybrid Convolutional Neural

Muhammad Arif*1, Sarudin2

2.1 Kerangka kerja

Gambar 1 Tahapan Penelitian

Keterangan gambar 1 akan menjelaskan bahwa:

c. Pembentukan model dari GRU

2.2 Data yang digunakan

2.3 Algoritma GRU

3. HASIL DAN PEMBAHASAN

3.1 Exploratory Data Analysis (EDA)

1. Data paket Telkomsel

Gambar 2. Visualisasi Paket Telkomsel

Gambar 3. Visualisasi Paket XL

3.2 Rolling Window

Gambar 4. Data Rolling window

3.3 Model prediksi

Gambar 5. Model Prediksi

4. KESIMPULAN DAN SARAN

[1] O. Nugroho, “Implementation of Marker Based Tracking Method in the Interactive

Anda mungkin juga menyukai