PENERAPAN MODEL LONG SHORT-TERM MEMORY (LSTM) UNTUK PREDIKSI PEROLEHAN MEDALI PON
DOI:
https://doi.org/10.35145/jmapteksi.v7i2.4987Keywords:
Long Short-Term Memory (LSTMLong Short-Term Memory (LSTM), PON, Prediksi Perolehhan Medali, Data Historis, Machine LearningAbstract
Perolehan sebuah medali dalam pekan olahraga nasional (PON) sering kali menjadi sebuah acuan sebuah provinsi bahwa provinsi-provinsi tersebut memiliki kesuksesan dalam bidang olahraga. Oleh karena itu, melakukan prediksi yang akurat dapat membantu provinsi mendapatkan perolehan medali, agar provinsi provinsi yang ikut dalam PON dapat menyiapkan sebuah program Latihan, strategi yang akan digunakan saat berkompetisi. Penelitian ini bertujuan untuk mengembangkan sebuah model prediksi perolehan medali PON dengan metode Long Short- Term Memory (LSTM), dimana merupakan metode yang baik dalam melakukan prediksi dengan basis analisis data historis. Dengan penelitian ini, data perolehan medali PON diolah dalam tahapan preprocessing. Model LSTM kemudian akan dikembangan dan dievaluasi menggunakan metrik seperti Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) untuk mengukur tingkat akurasi prediksi, sehingga model LSTM dapat memberikan prediksi dengan Tingkat akurasi yang tinggi dalam melakukan prediksi perolehan medali PON. Dengan penelitian ini dapat diharapkan memberikan kontribusi dalam dunia olahraga, terutama dalam membantu sebuah provinsi dalam menyiapkan program latihan dan strategi yang baik berdasarkan data prediksi yang ditelah dilakukan menggunakan data historis.
Downloads
References
[2] M. Kossay, “Analisis Terhadap Inpres Nomor 9 Tahun 2020 dalam,†vol. volume 1, 2021.
[3] P. Badoni, P. Choudhary, C. P. Rudesh, and N. T. Singh, “Predicting Medal Counts in Olympics Using Machine Learning Algorithms: A Comparative Analysis,†in Proceedings - 2023 International Conference on Advanced Computing and Communication Technologies, ICACCTech 2023, Institute of Electrical and Electronics Engineers Inc., 2023, pp. 116–121. doi: 10.1109/ICACCTech61146.2023.00027.
[4] A. Sherstinsky, “Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network,†Aug. 2020, doi: 10.1016/j.physd.2019.132306.
[5] A. Agusta, I. Ernawati, and A. Muliawati, “Prediksi Pergerakan Harga Saham Pada Sektor Farmasi Menggunakan Algoritma Long Short-Term Memory,†2021.
[6] I. Ayu and P. Aditria, “Status Kondisi Fisik Atlet Cabang Olahraga Renang Indah Tim Pelatihan Daerah Pekan Olahraga Nasional Provinsi Jawa Timur,†2022.
[7] B. Mahesh, “Machine Learning Algorithms - A Review,†International Journal of Science and Research (IJSR), vol. 9, no. 1, pp. 381–386, Jan. 2020, doi: 10.21275/art20203995.
[8] A. Darmawan Sidik, A. Ansawarman, K. Kunci, J. Kendaraan Bermotor, M. Regresi, and F. Jalan, “Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning,†Formosa Journal of Multidisciplinary Research (FJMR), vol. 1, no. 3, pp. 559–568, 2022, doi: 10.55927.
[9] M. Ghislieri, G. L. Cerone, M. Knaflitz, and V. Agostini, “Long short-term memory (LSTM) recurrent neural network for muscle activity detection,†J Neuroeng Rehabil, vol. 18, no. 1, Dec. 2021, doi: 10.1186/s12984-021-00945-w.
[10] Y. Liu et al., “A long short-term memory-based model for greenhouse climate prediction,†International Journal of Intelligent Systems, vol. 37, no. 1, pp. 135–151, Jan. 2022, doi: 10.1002/int.22620.
[11] K. Avicenna, W. ; Endang, W. Pamungkas, S. Kom, and M. Kom, “Implementasi Algoritma LSTM Untuk Prediksi Harga Saham Pada Situs Yahoo Finance Dengan Menerapkan Microservice,†2020.
[12] S. Sautomo and H. F. Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),†Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 99–106, Feb. 2021, doi: 10.29207/resti.v5i1.2815.
[13] P. H. Padhila, I. Cholissodin, and P. P. Adikara, “Prediksi Harga Bitcoin berdasarkan Data Historis Harian dan Google Trend Index menggunakan Algoritme Extreme Learning Machine,†2022. [Online]. Available: http://j-ptiik.ub.ac.id
[14] M. Seyedan and F. Mafakheri, “Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities,†J Big Data, vol. 7, no. 1, Dec. 2020, doi: 10.1186/s40537-020-00329-2.
[15] J. Qi, J. Du, S. M. Siniscalchi, X. Ma, and C.-H. Lee, “On Mean Absolute Error for Deep Neural Network Based Vector-to-Vector Regression,†Aug. 2020, doi: 10.1109/LSP.2020.3016837.
