Melola Discovery

← Melola Discovery

Jurnal

Pemodelan Time Series untuk Peramalan Web Traffic Menggunakan Algoritma Arima, LSTM, dan GRU

PRISMA, Prosiding Seminar Nasional Matematika · Vol. 5 (2022) · hlm. 693–700

ISSN
2613-9189
Terbit
2022-02-12
Penerbit
Jurusan Matematika FMIPA UNNES
Bahasa
eng

Abstrak

Saat ini peramalan lalu lintas web merupakan masalah besar karena hal ini dapat menyebabkan kemunduran pada cara kerja utama situs web. Peramalan deret waktu telah menjadi topik hangat untuk penelitian. Meramalkan Web Traffic dataset dari Kaggle dan mengevaluasi keakuratan melalui hasil peramalan akan menjadi salah satu cara yang efisien untuk menyampaikan informasi. Kami mengusulkan menggunakan metode tradisional dan metode baru yaitu Autoregressive Integrated Moving Average (ARIMA), Long-Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Penelitian ini bertujuan untuk membandingkan pemodelan time series pada peramalan web traffic dengan algoritma Arima, LSTM, dan GRU.

Jaringan kolaborasi para penulis

40 penulis · 74 tautan kepenulisan bersama · menampilkan 40 yang paling banyak terhubung

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • State University of Semarang
  • Tadulako University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Zaenuri ZaenuriState University of Semarang3
Fajar Sodik PamungkasAfiliasi tidak diketahui3
Fatkhurokhman FauziAfiliasi tidak diketahui3
Jannatun Khustia LubisAfiliasi tidak diketahui2
Mohammad AsikinState University of Semarang2
Muhammad AshimAfiliasi tidak diketahui2
Nur HasanahTadulako University2
Rohimatul AzizahAfiliasi tidak diketahui2
Bayu Dwi PrasetyaAfiliasi tidak diketahui2
Muhammad Arif Nurman AryaAfiliasi tidak diketahui2
Alfina AkmalinaAfiliasi tidak diketahui1
Elya Gita AstutiAfiliasi tidak diketahui1
Annisa IkrimahAfiliasi tidak diketahui1
Supriyono SupriyonoAfiliasi tidak diketahui1
Mohammad Jefrie Ilham AkbarAfiliasi tidak diketahui1
Faris Febri RahantoAfiliasi tidak diketahui1
Muhammad Nurul MuttaqinAfiliasi tidak diketahui1
WardonoAfiliasi tidak diketahui1
MunaAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
St. Budi WaluyaAfiliasi tidak diketahui1
Rizki Ahid NurhasanahAfiliasi tidak diketahui1
Petronela Ivoni SusantyAfiliasi tidak diketahui1
Kartono KartonoState University of Semarang1
Luluk Ulfa ChasaniAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
Wardono WardonoAfiliasi tidak diketahui1
Alif Aulia RahmanAfiliasi tidak diketahui1
Nurlaela Eka CahyatiAfiliasi tidak diketahui1
Dahayu WidyadhanAfiliasi tidak diketahui1
Rina Budi HastutiAfiliasi tidak diketahui1
Putri Anis QoriAfiliasi tidak diketahui1
Dhama Sekar OktafaniAfiliasi tidak diketahui1
Meishita Inelza PutriAfiliasi tidak diketahui1
Detalia Noriza MunahefiAfiliasi tidak diketahui1
Firdha Dwi LestariAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/prisma/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 6 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Pemodelan Time Series untuk Peramalan Web Traffic Menggunakan Algoritma Arima, LSTM, dan GRU</dc:title>
	<dc:creator>Arissinta, Insyiraah Oxaichiko</dc:creator>
	<dc:creator>Sulistiyawati, Indah Dwi</dc:creator>
	<dc:creator>Kurnianto, Dedy</dc:creator>
	<dc:creator>Kharisudin, Iqbal</dc:creator>
	<dc:description xml:lang="en-US">Saat ini peramalan lalu lintas web merupakan masalah besar karena hal ini dapat menyebabkan kemunduran pada cara kerja utama situs web. Peramalan deret waktu telah menjadi topik hangat untuk penelitian. Meramalkan Web Traffic dataset dari Kaggle dan mengevaluasi keakuratan melalui hasil peramalan akan menjadi salah satu cara yang efisien untuk menyampaikan informasi. Kami mengusulkan menggunakan metode tradisional dan metode baru yaitu Autoregressive Integrated Moving Average (ARIMA), Long-Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Penelitian ini bertujuan untuk membandingkan pemodelan time series pada peramalan web traffic dengan algoritma Arima, LSTM, dan GRU.</dc:description>
	<dc:publisher xml:lang="en-US">Jurusan Matematika FMIPA UNNES</dc:publisher>
	<dc:date>2022-02-12</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/sju/prisma/article/view/54712</dc:identifier>
	<dc:source xml:lang="en-US">PRISMA, Prosiding Seminar Nasional Matematika; Vol 5 (2022): PRISMA, Prosiding Seminar Nasional Matematika XV; 693-700</dc:source>
	<dc:source>2613-9189</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/sju/prisma/article/view/54712/21131</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2022 PRISMA, Prosiding Seminar Nasional Matematika</dc:rights>
</oai_dc:dc>