%T MODEL PREDIKSI KECEPATAN KURIR DALAM PENGIRIMAN SURAT 
KABAR DENGAN LONG SHORT-TERM MEMORY (LSTM)
%D 2024
%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
%L eprintsunpak8115
%I Universitas Pakuan
%A Kriti Mauludin
%A Tjut Awaliyah Zuraiyah
%A Agung Prajuhana Putra