Perbandingan Metode ARIMA dan LSTM  pada Prediksi Jumlah Pengunjung Perpustakaan

KHOTIBUL UMAM; ARDIANSYAH ARDIANSYAH

doi:10.26760/mindjournal.v8i2.119-129

Perbandingan Metode ARIMA dan LSTM pada Prediksi Jumlah Pengunjung Perpustakaan

KHOTIBUL UMAM, ARDIANSYAH ARDIANSYAH

Sari

ABSTRAK

Peningkatan jumlah mahasiswa di IAIN Madura memberikan dampak yang besar terhadap jumlah pengunjung perpustakaan. Setiap peningkatan jumlah pengunjung harus diimbangi dengan pelayanan yang baik kepada. Maka perlu adanya suatu sistem prediksi jumlah pengunjung perpustakaan di masa yang akan datang sebagai penunjang dalam perencanaan dan pengembangan perpustakaan terutama dalam hal ketersediaan prasarana. Penelitian ini mengulas tentang prediksi jumlah pengunjung perpustakaan di masa yang akan datang dengan melakukan prediksi terhadap pengunjung di masa depan dengan metode ARIMA dan LSTM. Tujuan penelitian ini untuk memprediksi jumlah pengunjung yang akan berkunjung. Dataset yang digunakan adalah data pengunjung perpustakaan IAIN Madura dari bulan Januari 2018 sampai Desember 2022. Penelitian ini menghasilkan nilai RMSE metode ARIMA sebesar 26.17 sedangkan metode LSTM sebesar 35.59. Sedangkan untuk nilai MAPE metode ARIMA sebesar 22% dan model LSTM sebesar 25% dan dapat disimpulkan penggunaan metode ARIMA lebih baik dibandingkan dengan LSTM untuk data kasus dan pola pada penelitian ini.

Kata kunci: Arima, Long Short Term Memory, Prediksi, Pengunjung, RMSE

ABSTRACT

The increase in the number of students at IAIN Madura has a big impact on the number of library visitors. Any increase in the number of visitors must be balanced with good service too. So it is necessary to have a prediction system for the number of library visitors in the future as a support in planning and developing the library, especially in terms of infrastructure availability. This research reviews the prediction of the number of library visitors in the future by predicting future visitors with the ARIMA and LSTM methods. The purpose of this research is to predict the number of visitors who will visit. The dataset used is IAIN Madura library visitor data from January 2018 to December 2022. This research produces an RMSE value of the ARIMA method of 26.17 while the LSTM method is 35.59. As for the MAPE value of the ARIMA method of 22% and the LSTM model of 25%, it can be concluded that the use of the ARIMA method is better than LSTM for case data and patterns in this study.

Keywords: Arima, Long Short Term Memory, Prediction, Visitors, RMSE

Teks Lengkap:

PDF

Referensi

Afifah, N. Aini, and M. Mukhlis, â€œPrediksi Jumlah Pengunjung Perpustakaan Iain Jember Dengan Menggunakan Metode Fuzzy Time Series,â€ ARITMATIKA J. Ris. Pendidik. Mat., vol. 1, no. 1, pp. 36â€“45, 2020, doi: 10.35719/aritmatika.v1i1.5.

Anwar, S., Maskur, S., & Jailani, M. (2019). Manajemen Perpustakaan. Zhen Publisher.

Artana, I. K. (2019). Upaya mengoptimalkan peran perpustakaan sekolah melalui pengelolaan yang profesional. ACARYA PUSTAKA: Jurnal Ilmiah Perpustakaan Dan Informasi, 6(1), 1â€“9.

Ashari, M. L., & Sadikin, M. (2020). Prediksi data transaksi penjualan time series menggunakan regresi lstm. Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, 9(1), 1â€“10.

Eko Listiwikono, E. (2022). Perbandingan Metode Double Exponential Smoothing Holt dan Metode Triple Exponential Smoothing Holt-Winters Untuk Peramalan Wisatawan Grand Watu dodol. Transformasi: Jurnal Pendidikan Matematika Dan Matematika, 2(2), 12â€“25.

Fejriani, F., Hendrawansyah, M., Muharni, L., Handayani, S. F., & Syaharuddin, S. (2020). Forecasting Peningkatan Jumlah Penduduk Berdasarkan Jenis Kelamin Menggunakan Metode ARIMA. GEOGRAPHY: Jurnal Kajian, Penelitian Dan Pengembangan Pendidikan, 8(1), 27â€“36.

Hong, U., & Majid, N. (2021). Comparison of ARIMA model and artificial neural network in forecasting gold price. Journal of Quality Measurement and Analysis, 17(2), 31â€“39.

Jannah, R., & Iza, D. N. (2022). Implementasi Metode Double Exponential Smoothing pada Prediksi Jumlah Mahasiswa FTIK Jurusan Tadris Matematika yang menjadi Pengunjung Perpustakaan IAIN Pekalongan. SANTIKA: Seminar Nasional Tadris Matematika, 2, 327â€“332.

Maulana, R., & Kumalasari, D. (2019). Analisis Dan Perbandingan Algoritma Data Mining Dalam Prediksi Harga Saham Ggrm.

Pandji, B. Y., Indwiarti, I., & Rohmawati, A. A. (2019). Perbandingan Prediksi Harga Saham dengan model ARIMA dan Artificial Neural Network. Indonesia Journal on Computing (Indo-JC), 4(2), 189â€“198. https://socj.telkomuniversity.ac.id/ojs/index.php/indojc/article/view/344

Prasetyono, R. I., & Anggraini, D. (2021). Analisis Peramalan Tingkat Kemiskinan di Indonesia dengan Model ARIMA. Jurnal Ilmiah Informatika Komputer, 26(2), 95â€“110.

Putri, E. S., Sadikin, M., Informatika, J. T., Komputer, F. I., & Bhuana, U. M. (2021). Prediksi penjualan produk untuk mengestimasi kebutuhan bahan baku menggunakan perbandingan algoritma lstm dan arima. Format J. Ilm. Tek. Inform, 10(2), 162.

Rachmawati, A. K. (2021). Peramalan Penyebaran Jumlah Kasus Covid19 Provinsi Jawa Tengah dengan Metode ARIMA. Zeta-Math Journal, 6(1), 11â€“16.

Rowan, L. M., & Cholissodin, I. (2019). Peramalan Kasus Positif COVID-19 di Jawa Timur menggunakan Metode Hybrid ARIMA-LSTM. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 964X.

Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(1), 155â€“162.

Sen, S., Sugiarto, D., & Rochman, A. (2020). Komparasi metode multilayer perceptron (MLP) dan long short term memory (LSTM) dalam peramalan harga beras. Ultimatics: Jurnal Teknik Informatika, 12(1), 35â€“41.

Setiawan, H., Utami, E., & Al Fatta, H. (2020). Penerapan Arima Dan Artificial Neural Network Untuk Prediksi Penderita DBD Di Kabupaten Sragen. Majalah Ilmiah Bahari Jogja, 18(2), 64â€“78.

Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2018). A comparison of ARIMA and LSTM in forecasting time series. 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), (pp. 1394â€“1401).

Winata, C. B. W. (2019). Prediksi pengunjung perpustakaan Universitas Negeri Malang menggunakan metode Double Moving Average. Universitas Negeri Malang.

Wiranda, L., & Sadikin, M. (2019). Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma. Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, 8(3), 184â€“196.

Yuliyanti, R., & Arliani, E. (2022). Peramalan jumlah penduduk menggunakan model arima. Jurnal Kajian Dan Terapan Matematika, 8(2), 114â€“128.

DOI: https://doi.org/10.26760/mindjournal.v8i2.119-129