ABSTRAKSI: Informasi adalah aset yang paling berharga bagi suatu perusahaan dalam dunia bisnis saat ini. Dari informasi tersebut, suatu perusahaan dapat menganalisis dan memprediksikan data hanya dengan menggunakan data masa lalu yang disebut dengan peramalan time series. Contohnya perusahaan transportasi, mereka membutuhkan informasi berupa prediksi data aktivitas transportasi untuk tujuan manajemen resiko. Hal tersebut mengingat karena transportasi dianggap sebagai prasyarat menuju kemakmuran ekonomi, mobilitas dan kesejahteraan di dunia yang beradab, selain memberikan salah satu sektor layanan terbesar di seluruh dunia.
Pada Tugas Akhir ini dilakukan implementasi Quickpropagation pada peramalan time series untuk menganalisis data preprocessing. Data time series yang digunakan adalah data trafik Paris Metro Line # 11 dan data rata-rata delay tiap penerbangan di San Francisco International Airport yang diunduh dari Time Series Data Library. Kedua dataset masing-masing termasuk regular pattern dan irregular pattern yang tersaji dalam frekuensi jam.
Dari hasil pengujian yang dilakukan, Jaringan Syaraf Tiruan Quickpropagation dapat menghasilkan sistem peramalan time series dengan MAPE sebesar 0,07218 dan akurasi 99,9278%.Kata Kunci : Peramalan Time Series, Quickpropagation, Data Preprocessing, Data Time Series, TransportasiABSTRACT: Information is the most valuable asset for a company in today's business world. From this information, the company can analyze and predict the data only using the past data. That is called time series forecasting. For example transportation companies, they need the information like transportation activities prediction data for risk management purposes. It is because the transportation is considered as a prerequisite to economic prosperity, mobility and well-being in the civilized world, in addition to providing one of the largest service sectors in the world.
At this final project, the implementation of Quickpropagation applied on forecasting time series to analyze the data preprocessing. Using the data from time series of data traffic Paris Metro Line # 11 and the data average delay per flight at San Francisco International Airport that is downloaded from the Time Series Data Library. Both datasets pattern, including regular and irregular pattern presented in the clock frequency.
The results after tests performed, Quickpropagation Neural networks can generate time series forecasting system with MAPE 0,07218 and 99,9278% accuracy.Keyword: Forecasting Time Series, Quickpropagation, Data Preprocessing, Data Time Series, Transportation