FORECASTING FASHION TREND USING THE LONG SHORT-TERM MEMORY, CONVOLUTIONAL NEURAL NETWORK, AND AUTOREGRESSIVE INTEGRATED MOVING AVERAGE

JEVON EDMUND NAHASON, Drs. Edi Winarko, M.Sc., Ph.D.

2021 | Skripsi | S1 ILMU KOMPUTER

Google Trend adalah kumpulan data yang terdiri dari data kata pencarian deret waktu dari mesin pencari Google di seluruh internet. Kita dapat mencari kata apapun di Google dan sejarah dari aktivitas browsing akan disimpan dan dapat didownload di Google Trend, yang dapat dimanfaatkan dan digunakan sebagai data untuk peramalan masalah, oleh karena itu penelitian ini mencoba menggunakan Long Short-term Memor, Convolutional Neural Network, dan Autoregressive Integrated Moving Average untuk memperkirakan tren dari Google Trend Data dalam hal tren mode. Tesis ini bertujuan untuk mengusulkan pendekatan Long Short-term Memory, Convolutional Neural Network, dan Autoregressive Integrated Moving Average untuk meramalkan dataset time-series yang dilakukan oleh Google Trend. Penelitian ini akan menganalisis dataset time-series dari Google Trend yang terdiri dari istilah pencarian lima perusahaan fashion (Adidas, Puma, Nike, Off-White, dan Balenciaga) dari tahun 2015 hingga 2020 dan kemudian melakukan peramalan data untuk 52 langkah ke depan di luar kumpulan data aktual (di luar sampel). Terdapat beberapa tahapan untuk melakukan penelitian yaitu pengumpulan data dari Google Trend, eksplorasi data preprocessing menggunakan Power Transform, Min-Max Normalization, implementasi pemodelan pendekatan Long Short-term Memory, dan evaluasi model menggunakan RMSE dan MAPE. Evaluasi penelitian ini dilakukan melalui analisis hasil kinerja dengan membandingkan Long Short-term Memory dengan dua metode lainnya yaitu Autoregressive Integrated Moving Average dan Convolutional Neural Network menggunakan Root Mean Square Error dan Mean Absolute Percentage Error untuk menentukan mana yang memiliki skor terkecil. Hasil penerapan ketiga metode ini memberikan hasil yang berbeda dalam hal penilaian RMSE untuk metode evaluasi, dengan model Autoregressive Integrated Moving Average memberikan jumlah Root Mean Square Error yang paling kecil dibandingkan model Long Short-term Memory dan Autoregressive Integrated Moving Average. Kata Kunci : Google Trend, LSTM, CNN, ARIMA, Deep Learning, Data Preprocessing, RMSE

Google Trend is a dataset that consists of time series search word data from Google search engines across the internet. We can search any words on the Google and the history of the browsing activities will be stored and can be downloaded on Google Trend, which can be exploited and used as data for forecasting problem, therefore this research tries to use the Long Short-term Memory, Convolutional Neural Network, and Autoregressive Integrated Moving Average models to forecast trends from Google Trend Data in terms of fashion trends. This thesis aims to propose an Long Short-term Memory, Convolutional Neural Network, and Autoregressive Integrated Moving Average approaches to forecasting time-series datasets conducted by Google Trend. This research will analyze the time-series dataset from Google Trend consisting of the search term of five fashion companies (Adidas, Puma, Nike, Off-White, and Balenciaga) from the year 2015 until 2020 and then forecasting the data for 52 steps ahead the actual dataset ( out of sample ). There are several phases to do the research, which are data collection from Google Trend, data exploration-preprocessing using Power Transform, Min-Max Normalization, modeling implementation of the Long Short-term Memory approach, and model evaluation using RMSE and MAPE. This research evaluation is conducted through the performance result analysis by comparing Long Short-term Memory to the other two methods, Autoregressive Integrated Moving Average and Convolutional Neural Network using Root Mean Square Error and Mean Absolute Percentage Error to define which has the smallest scoring. The result of implementing these three methods gave different results in terms of RMSE scoring for the evaluation method, with Autoregressive Integrated Moving Average model giving the smallest number of Root Mean Square Error compared to Long Short-term Memory and Autoregressive Integrated Moving Average models.

Kata Kunci : Google Trend, LSTM, CNN, ARIMA, Deep Learning, Data Preprocessing, RMSE