<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT \r\nKABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)"^^ . "MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT \r\nKABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)\r\nKriti Mauludin1\r\n, Tjut Awaliyah Zuraiyah2\r\n, Agung Prajuhana Putra3\r\nemail : kriti.065120003@unpak.ac.id; tjut.awaliyah@unpak.ac.id; prajuhana.putra@unpak.ac.id;\r\nProgram Studi Ilmu Komputer FMIPA Universitas Pakuan\r\nABSTRAK\r\nEra digital menuntut industri surat kabar untuk terus berinovasi mengikuti perkembangan \r\nteknologi. Salah satu inovasi yang bisa dilakukan adalah meningkatkan kecepatan pengiriman \r\nsurat kabar fisik kepada pelanggan. Dalam penelitian ini, data history pengiriman yang \r\ndigabungkan dengan data cuaca khususnya potensi hujan, membantu pembentukan model menjadi \r\nlebih akurat. Teori-teori yang digunakan meliputi Deep Learning, Long Short-Term Memory \r\n(LSTM), dan forecasting. Deep Learning digunakan untuk memodelkan abstraksi tingkat tinggi \r\ndari data non-linear, sementara LSTM digunakan untuk memproses dan memprediksi data time \r\nseries. Penelitian ini menggunakan metode LSTM dengan mengikuti model CRISP-DM yang \r\nterdiri dari beberapa fase: Business Understanding, Data Selection, Data Exploration, Data \r\nPreprocessing, Model Training, Evaluation, dan Deployment. Penelitian ini menggunakan 6 \r\nskenario pengujian untuk membentuk model yang optimal. Pola pembagian data terbaik ditemukan \r\ndengan 70% data untuk pelatihan dan 30% untuk pengujian, menggunakan parameter neuron \r\nhidden sebanyak 25, epoch 100, dan batch size 32. Model ini dievaluasi menggunakan metrik \r\nMAPE dan RMSE. Hasil pembentukan model dengan skenario-skenario tersebut menunjukkan \r\nbahwa model yang optimal menghasilkan nilai MAPE sebesar 0.07%. Model terbaik ini kemudian \r\ndiekspor untuk dimasukkan ke dalam Streamlit. Website yang menggunakan Streamlit membantu \r\nmanajemen dalam proses penentuan titik destinasi dan penginputan parameter. Streamlit \r\nmenyediakan dua menu: menu visualization dan menu prediction. Menu prediction memberikan \r\nnilai prediksi kecepatan kurir berdasarkan parameter-parameter yang dimasukkan sebelumnya.\r\nKata Kunci : Deep Learning, Long Short-Term Memory, GIS, Streamlit"^^ . "2024-07-05" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Kriti"^^ . "Mauludin"^^ . "Kriti Mauludin"^^ . . "Agung"^^ . "Prajuhana Putra"^^ . "Agung Prajuhana Putra"^^ . . "Tjut Awaliyah"^^ . "Zuraiyah"^^ . "Tjut Awaliyah Zuraiyah"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam"^^ . . . "Program Studi Ilmu Komputer"^^ . . . . . . . "MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT \r\nKABAR DENGAN LONG SHORT-TERM MEMORY (LSTM) (Text)"^^ . . . "Laporan - SKRIPSI - 06512003 - Kriti Mauludin.pdf"^^ . . "HTML Summary of #8115 \n\nMODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT \nKABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)\n\n" . "text/html" . . . "Ilmu Komputer"@en . .