Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

170401027

Judul :

PREDIKSI KEPADATAN PENDUDUK DI PROVINSI RIAU MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY (LSTM)

Penulis :

MUHAMMAD ANDREANTO

Abstrak :

ABSTARK Jumlah penduduk Provinsi Riau meningkat dari tahun ketahun, pada tahun 2010 berjumlah 5?574?928,00, hingga pada tahun 2020 berjumlah 6?394?087,00 bersumber dari data Bada Pusat Statistik (BPS) Provinsi Riau. Tingkat pertumbuhan penduduk yang yang terlalu tinggi akan sangat beresiko menimbulkan berbagai masalah pada daerah tersebut, seperti tingkat pengangguran yang tinggi,kriminalitas, kemiskinan, dan kelaparan. Namun disisi lain, dampak–dampak negatif di atas dapat dikurangi jika kita mampu mempersiapkan sarana yang cukup untuk mengantisipasi hal tersebut dengan melakukan peramalan. Untuk mengatasi permasalahan kesulitan peramalan secara manual, pada penelitian ini dilakukan eksperimen peramalan berbasis Machine Learning menggunakan teknik Long Short Term Memory. Pengujian model dilakukan menggunakan percobaan epoch sebanyak 300, dengan nilai Root Mean Squared Error (RMSE) 68.45 dan Mean Absolute Error (MAPE) 7.50% maka dapat disimpulkan bahwa performa dan ke akuratan algoritma Long Short Time Memory (LSTM) memprediksi kepadatan penduduk di Provinsi Riau untuk 5 tahun mendatang sangat baik dengan kriteria nilai Mean Squared Error (RMSE) dibawah 10 %. Kata Kunci : Kepadatan Penduduk, Machine Learning, Long Short Term Memory(LSTM), RMSE, MAPE ?

Abstrak Inggris :

ABSTRACT The population of Riau Province is increasing from year to year, in 2010 it was 5?574?928.00, until in 2020 it was 6?394?087.00 sourced from data from the Central Statistics Agency (BPS) of Riau Province. A population growth rate that is too high will be at risk of causing various problems in the area, such as high unemployment, crime, poverty, and hunger. But on the other hand, the negative impacts above can be reduced if we are able to prepare sufficient means to anticipate this by doing forecasting. To overcome the problem of manual forecasting difficulties, in this study, machine learning-based forecasting experiments were carried out using the Long Short Term Memory technique. Model testing was carried out using 300 epoch experiments, with a Root Mean Squared Error (RMSE) value of 68.45 and a Mean Absolute Error (MAPE) of 7.50%, it can be concluded that the performance and accuracy of the Long Short Time Memory (LSTM) algorithm predict population density in Riau Province. for the next 5 years is very good with the criteria for the Mean Squared Error (RMSE) value below 10%. Keywords: Population Density, Machine Learning, Long Short Term Memory (LSTM), RMSE, MAPE

Tahun :

2022

Cover :

663d2-cover.pdf

Bab 1 :

9edda-bab-i-watermark.pdf

Bab 2 :

38d44-bab-ii-watermark.pdf

Bab 3 :

64dae-bab-iii-watermark.pdf

Bab 4 :

188c4-bab-iv-watermark.pdf