Analisis Komparatif Support Vector Regression, XGBoost, dan Long Short-Term Memory untuk Peramalan Pola Kunjungan Harian Perpustakaan Kota Balikpapan

Febriana, Febriana (2026) Analisis Komparatif Support Vector Regression, XGBoost, dan Long Short-Term Memory untuk Peramalan Pola Kunjungan Harian Perpustakaan Kota Balikpapan. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 11191023_cover.pdf Download (307kB)
	Text 11191023_statement_of_authenticity.pdf Download (88kB)
	Text 11191023_publishing_agreement.pdf Download (109kB)
	Text 11191023_approval_sheet.pdf Download (106kB)
	Text 11191023_preface.pdf Download (197kB)
	Text 11191023_abstract_id.pdf Download (254kB)
	Text 11191023_abstract_en.pdf Restricted to Repository staff only until August 2028. Download (255kB) | Request a copy
	Text 11191023_table_of_content.pdf Restricted to Repository staff only until August 2028. Download (246kB) | Request a copy
	Text 11191023_illustrations.pdf Restricted to Repository staff only until August 2028. Download (229kB) | Request a copy
	Text 11191023_tables.pdf Restricted to Repository staff only until August 2028. Download (229kB) | Request a copy
	Text 11191023_notations.pdf Restricted to Repository staff only until August 2028. Download (294kB) | Request a copy
	Text 11191023_chapter_1.pdf Restricted to Repository staff only until August 2028. Download (357kB) | Request a copy
	Text 11191023_chapter_2.pdf Restricted to Repository staff only until August 2028. Download (868kB) | Request a copy
	Text 11191023_chapter_3.pdf Restricted to Repository staff only until August 2028. Download (580kB) | Request a copy
	Text 11191023_chapter_4.pdf Restricted to Repository staff only until August 2028. Download (2MB) | Request a copy
	Text 11191023_conclusions.pdf Restricted to Repository staff only until August 2028. Download (284kB) | Request a copy
	Text 11191023_bibliography.pdf Download (279kB)
	Text 11191023_enclosure.pdf Restricted to Repository staff only until August 2028. Download (216kB) | Request a copy
	Text 11191023_paper.pdf Restricted to Repository staff only until August 2028. Download (611kB) | Request a copy
	Text 11191023_Form. TA-020.pdf Restricted to Repository staff only until August 2028. Download (183kB) | Request a copy

Abstract

Perpustakaan Kota Balikpapan telah memiliki sistem pencatatan kunjungan pengunjung secara digital, namun data historis tersebut belum dimanfaatkan sebagai dasar pengambilan keputusan operasional. Fluktuasi jumlah pengunjung harian yang tidak menentu menyulitkan pengelola dalam melakukan perencanaan layanan, pengaturan jadwal staf, dan pengelolaan fasilitas secara efektif. Penelitian ini bertujuan membangun dan membandingkan model peramalan kunjungan harian Perpustakaan Kota Balikpapan pada empat sesi waktu (Pagi, Siang, Sore, dan Malam) menggunakan SVR, XGBoost, dan LSTM, berdasarkan data kunjungan Januari 2018-Desember 2025 yang diagregasi menjadi data deret waktu harian. Peramalan dilakukan dengan skema direct multi-output forecasting untuk 10 horizon waktu ke depan (t+1 hingga t+10) menggunakan fitur lag mingguan (t-7), pembagian data time-based split (80% training dan 20% testing), serta normalisasi Min-Max Scaling. Parameter SVR dan XGBoost ditentukan melalui Grid Search secara independen untuk setiap sesi, menghasilkan kernel RBF dengan nilai C berkisar 0,1 hingga 1 dan epsilon 0,01 untuk SVR, serta n_estimators 100 hingga 300, max_depth 3 hingga 5, dan learning_rate 0,01 hingga 0,1 untuk XGBoost. Model LSTM menggunakan arsitektur dengan 50 unit neuron, dropout 0,2, optimizer Adam, batch size 32, serta Early Stopping dengan patience 25 dan min_delta 0,0001, dan random seed 42 untuk menjaga reproduktibilitas hasil. Hasil evaluasi menggunakan MAE, RMSE, dan MAPE menunjukkan bahwa SVR secara konsisten memberikan performa terbaik pada keempat sesi, dengan rata-rata MAE terendah pada sesi Pagi (17,41), Siang (22,17), Sore (19,77), dan Malam (10,46), sementara XGBoost secara umum menunjukkan performa paling lemah. Meskipun demikian, LSTM terbukti unggul pada horizon dan sesi tertentu, yaitu pada t+1 sesi Siang (MAE 18,63) dan t+7 pada sesi Pagi, Siang, dan Sore (MAPE 16,10-20,64), menunjukkan kemampuannya menangkap pola non-linear jangka pendek. Temuan ini mengindikasikan bahwa pemilihan model peramalan terbaik untuk mendukung keputusan operasional perpustakaan sebaiknya mempertimbangkan karakteristik sesi dan horizon peramalan, bukan hanya berdasarkan satu model tunggal untuk seluruh skenario. Kata kunci : LSTM, Multi-Output Forecasting, Peramalan Deret Waktu, SVR, XGBoost

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > QA Mathematics > QA76 Computer software Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science
Divisions:	Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User:	Febriana Febriana
Date Deposited:	20 Jul 2026 06:38
Last Modified:	20 Jul 2026 06:38
URI:	http://repository.itk.ac.id/id/eprint/27898

Actions (login required)

View Item