ANALISIS FITUR EKSPONENTIAL MOVING AVERAGE DALAM TIME SERIES FORECASTING UNTUK MEMPREDIKSI KUNJUNGAN SITUS WEB DENGAN ALGORITMA XGBOOST

Faran, Jhiro (2024) ANALISIS FITUR EKSPONENTIAL MOVING AVERAGE DALAM TIME SERIES FORECASTING UNTUK MEMPREDIKSI KUNJUNGAN SITUS WEB DENGAN ALGORITMA XGBOOST. Masters thesis, UNIVERSITAS NASIONAL.

	Text Cover(Cover, Lembar Penunjang, Abstract, & Kata Pengantar).pdf Download (1MB)
	Text BAB 1.pdf Download (692kB)
	Text BAB 2.pdf Download (1MB)
	Text BAB 3.pdf Download (1MB)
	Text BAB 4.pdf Download (3MB)
	Text BAB 5.pdf Download (589kB)
	Text BAB 6.pdf Download (558kB)
	Text LAMPIRAN(DAFTAR PUSTAKAN, TURNITIN).pdf Download (568kB)

Abstract

Penelitian ini menganalisis peran Exponential Moving Average (EMA) dalam time series
forecasting untuk memprediksi kunjungan situs web menggunakan algoritma XGBoost.
Data yang digunakan terdiri dari 2167 baris dan 7 fitur, mencakup periode dari September
2014 hingga Agustus 2020. Tahapan penelitian meliputi eksplorasi data, persiapan data,
dan pengembangan model machine learning, dengan pembagian data train (80%) dan data
test (20%), serta scaling menggunakan min-max scaling. Tiga model dibangun: "model
with all feature," "model with selection feature," dan "model without EMA feature." Hasil
evaluasi menunjukkan bahwa fitur EMA-2 dan EMA-3 sangat berpengaruh dalam
meningkatkan akurasi prediksi, sementara fitur lag-7 dan lag-14 juga signifikan. Model
tanpa fitur EMA mengalami penurunan akurasi sekitar 4%, namun tetap menunjukkan
kinerja yang baik. Distribusi data menunjukkan pola yang normal, memudahkan
identifikasi pola dan tren. Penambahan fitur seperti sliding windows (lag) dan EMA
meningkatkan kemampuan model untuk memprediksi kunjungan situs web. Evaluasi
menggunakan metrik MAE, RMSE, dan MAPE menunjukkan bahwa model memiliki
tingkat akurasi yang tinggi. Visualisasi hasil prediksi menunjukkan bahwa model mampu
membaca pergerakan dan pola kunjungan dengan baik. Penelitian ini menyimpulkan
bahwa fitur EMA memiliki peran penting dalam time series forecasting, namun model
machine learning masih dapat memberikan prediksi yang cukup akurat tanpa fitur EMA.
Hasil ini memberikan wawasan bagi pengembangan model prediksi kunjungan situs web
yang lebih efektif dan efisien.
Kata kunci: Time Series Forecasting, Exponential Moving Average (EMA), XGBoost,
Kunjungan Situs Web, Feature Engineering

Item Type:	Thesis (Masters)
Subjects:	T Technology > T Technology (General) T Technology > TS Manufactures
Divisions:	Tesis dan Disertasi > Sekolah Pasca Sarjana > Program Studi S2 Teknologi Informasi
Depositing User:	Users 30 not found.
Date Deposited:	06 Jan 2025 04:34
Last Modified:	24 Apr 2026 09:56
URI:	https://repository.unas.ac.id/id/eprint/12530

Actions (login required)

View Item