%0 Thesis
%9 Skripsi
%A Mauludin, Kriti
%A Zuraiyah, Tjut Awaliyah
%A Prajuhana Putra, Agung
%A Universitas Pakuan,
%A Fakultas Matematika dan Ilmu Pengetahuan Alam,
%A Program Studi Ilmu Komputer,
%B Fakultas Matematika dan Ilmu Pengetahuan Alam
%D 2024
%F eprintsunpak:8115
%I Universitas Pakuan
%P 17
%T MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT   KABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)
%U http://eprints.unpak.ac.id/8115/
%X 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