MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT KABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)

Mauludin, Kriti and Zuraiyah, Tjut Awaliyah and Prajuhana Putra, Agung (2024) MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT KABAR DENGAN LONG SHORT-TERM MEMORY (LSTM). Skripsi thesis, Universitas Pakuan.

Text Laporan - SKRIPSI - 06512003 - Kriti Mauludin.pdf Download (5MB)

Abstract

MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT KABAR DENGAN LONG SHORT-TERM MEMORY (LSTM) Kriti Mauludin1 , Tjut Awaliyah Zuraiyah2 , Agung Prajuhana Putra3 email : kriti.065120003@unpak.ac.id; tjut.awaliyah@unpak.ac.id; prajuhana.putra@unpak.ac.id; Program Studi Ilmu Komputer FMIPA Universitas Pakuan ABSTRAK Era digital menuntut industri surat kabar untuk terus berinovasi mengikuti perkembangan teknologi. Salah satu inovasi yang bisa dilakukan adalah meningkatkan kecepatan pengiriman surat kabar fisik kepada pelanggan. Dalam penelitian ini, data history pengiriman yang digabungkan dengan data cuaca khususnya potensi hujan, membantu pembentukan model menjadi lebih akurat. Teori-teori yang digunakan meliputi Deep Learning, Long Short-Term Memory (LSTM), dan forecasting. Deep Learning digunakan untuk memodelkan abstraksi tingkat tinggi dari data non-linear, sementara LSTM digunakan untuk memproses dan memprediksi data time series. Penelitian ini menggunakan metode LSTM dengan mengikuti model CRISP-DM yang terdiri dari beberapa fase: Business Understanding, Data Selection, Data Exploration, Data Preprocessing, Model Training, Evaluation, dan Deployment. Penelitian ini menggunakan 6 skenario pengujian untuk membentuk model yang optimal. Pola pembagian data terbaik ditemukan dengan 70% data untuk pelatihan dan 30% untuk pengujian, menggunakan parameter neuron hidden sebanyak 25, epoch 100, dan batch size 32. Model ini dievaluasi menggunakan metrik MAPE dan RMSE. Hasil pembentukan model dengan skenario-skenario tersebut menunjukkan bahwa model yang optimal menghasilkan nilai MAPE sebesar 0.07%. Model terbaik ini kemudian diekspor untuk dimasukkan ke dalam Streamlit. Website yang menggunakan Streamlit membantu manajemen dalam proses penentuan titik destinasi dan penginputan parameter. Streamlit menyediakan dua menu: menu visualization dan menu prediction. Menu prediction memberikan nilai prediksi kecepatan kurir berdasarkan parameter-parameter yang dimasukkan sebelumnya. Kata Kunci : Deep Learning, Long Short-Term Memory, GIS, Streamlit

Item Type:	Thesis (Skripsi)
Subjects:	Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User:	PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK
Date Deposited:	05 Sep 2024 01:59
Last Modified:	05 Sep 2024 01:59
URI:	http://eprints.unpak.ac.id/id/eprint/8115

Actions (login required)

View Item