Melola Discovery

← Melola Discovery

Journal

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

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

ISSN
2613-9189
Published
2022-02-12
Publisher
Jurusan Matematika FMIPA UNNES
Language
eng

Abstract

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.

Collaboration network of the authors

40 authors · 87 co-authorship links · showing the 40 most connected

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • State University of Semarang
  • Universitas Halu Oleo
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Eko Agus SuyonoAffiliation unknown4
Tia ErfiantiAffiliation unknown4
Zaenuri ZaenuriState University of Semarang3
Fajar Sodik PamungkasAffiliation unknown3
Ria AmeliaAffiliation unknown3
Fatkhurokhman FauziAffiliation unknown3
Siti MudrikahAffiliation unknown2
Renata Adaranyssa Egistha PutriAffiliation unknown2
St. Budi WaluyaAffiliation unknown2
Jannatun Khustia LubisAffiliation unknown2
Alif Aulia RahmanAffiliation unknown2
Mohammad AsikinAffiliation unknown2
Muhammad AshimAffiliation unknown2
Nur HasanahUniversitas Halu Oleo2
Rohimatul AzizahAffiliation unknown2
Bayu Dwi PrasetyaAffiliation unknown2
Nugroho DewayantoAffiliation unknown2
Arief BudimanAffiliation unknown2
Eko Agus SuyonoAffiliation unknown2
Abdurrahman Muhammad Fikri RasdiAffiliation unknown1
Erfianti TiaAffiliation unknown1
MulyonoAffiliation unknown1
Noviana Dini RahmawatiAffiliation unknown1
Alfina AkmalinaAffiliation unknown1
Elya Gita AstutiAffiliation unknown1
Mira Dwi UtamiAffiliation unknown1
Nike Yustina OktavianiAffiliation unknown1
Luthfiyah AstutiningtyasAffiliation unknown1
Riska Nur FitrianingsihAffiliation unknown1
Annisa IkrimahAffiliation unknown1
Supriyono SupriyonoAffiliation unknown1
Mohammad Jefrie Ilham AkbarAffiliation unknown1
Faris Febri RahantoAffiliation unknown1
Muhammad Nurul MuttaqinAffiliation unknown1
Iwan JunaediState University of Semarang1
Sanianajiba Nugroho PutriAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/prisma/oai, first harvested 6 Nov 2026, last seen 6 Nov 2026.
Original metadata (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>