Kompetisi Nasional – PeDaS 2025

Era digital telah membawa kita ke dalam revolusi industri 4.0, di mana data menjadi aset paling
berharga. Kemampuan untuk mengolah, menganalisis, dan mengekstrak wawasan dari data (ilmu data)
menjadi kompetensi krusial di berbagai sektor, tidak terkecuali industri otomotif. Industri otomotif di
Indonesia merupakan salah satu pilar ekonomi nasional yang sangat dinamis. Memahami dan
memprediksi tren penjualan mobil menjadi kunci bagi para pemangku kepentingan untuk merumuskan
strategi bisnis yang efektif.
Sejalan dengan visi Aptikom untuk memajukan kualitas pendidikan dan inovasi di bidang
teknologi informasi dan komputer, kami dengan bangga mempersembahkan Pesta Data Nasional
(Pedas) 2025. Kompetisi ini dirancang untuk menjadi wadah bagi para mahasiswa dari seluruh
Indonesia untuk mengasah kemampuan mereka dalam bidang time series forecasting, sebuah cabang
ilmu data yang fundamental untuk peramalan. Dengan menggunakan data penjualan mobil dari
GAIKINDO, peserta ditantang untuk membangun model prediksi terbaik yang tidak hanya akurat, tetapi
juga inovatif.

Workshop

Workshop Online (Wajib): Dilaksanakan selama 3 hari dengan materi:

Hari 1: Dasar-dasar univariate time series forecasting.

Hari 2: Pengenalan multivariate time series forecasting.

Hari 3: Konsep dan implementasi multiple time series forecasting.
Materi akan disampaikan oleh pembicara dari kalangan akademisi dan praktisi industri.

Babak Penyisihan

  1. Studi Kasus: Peserta ditantang untuk membuat model peramalan penjualan bulanan untuk 5 (lima) merek mobil terlaris di Indonesia (misal: Toyota, Daihatsu, Honda, Mitsubishi, Suzuki) untuk bulan Agustus 2025.
  2. Data:
    • Data Utama (Disediakan): Panitia akan menyediakan data historis penjualan bulanan per merek mobil di Indonesia dari GAIKINDO (misalnya dari Januari 2018 – Agustus 2025). Data akan dirilis saat kick-off
    • Data Eksternal (Sangat Dianjurkan): Peserta diperbolehkan dan sangat didorong untuk menggunakan data eksternal apapun yang relevan untuk meningkatkan akurasi model. Contoh: data PDB, inflasi, suku bunga BI, harga bahan bakar, data Google Trends, sentimen media sosial, indeks keyakinan konsumen, dll. Sumber dan justifikasi penggunaan data eksternal harus dijelaskan dalam laporan.
  3. Metodologi:
    • Peserta bebas menggunakan metode atau model time series forecasting apapun, baik univariate, multivariate, maupun multiple time series.
    • Contoh model yang dapat digunakan (tidak terbatas pada):
      • Statistik: ARIMA, SARIMA, Holt-Winters, VAR, VECM.
      • Machine Learning: Prophet, XGBoost, LightGBM.
      • Deep Learning: LSTM, GRU, N-BEATS, Transformer-based models.
    • Peserta dapat menggunakan framework atau bahasa pemrograman apapun Python.
  1. Keluaran (Output) yang Dikumpulkan:
  2. File Prediksi (submission[Namakelompok].csv): Sebuah file CSV dengan format sebagai berikut: | id | Prediksi_Penjualan | | :— | :— | | TOYOTA-2025-09 | 28500 | | DAIHATSU-2025-09 | 17200 | | HONDA-2025-09 | 11350 | | MITSUBISHI-2025-09| 8800 | | SUZUKI-2025-09 | 7500 |.
    Dengan hasil prediksi merupakan hasil dari model, tidak diperbolehkan input angka manual.
  3. Source Code: Tautan (link) ke repositori publik Google Colab berisi seluruh kode program dan wajib bisa dijalankan dengan fitur Run All tanpa error(dengan file [NamaKelompok].ipynb).
  4. Seleksi: 15 tim dengan nilai akurasi model terbaik akan lolos ke babak final

Babak Final

  • Presentasi Hasil: Masing-masing tim finalis mempresentasikan karya selama 10 menit.
  • Sesi Tanya Jawab: Berdurasi 7 menit.
  • Output hasil harus sama dengan output saat babak penyisihan dan yang tercantum di slide presentasi.
  •