Implementasi long short term memory (LSTM) untuk prediksi keberangkatan haji di Kementerian Agama Kota Malang

INDONESIA:

Penelitian ini bertujuan untuk mengevaluasi kinerja model Long Short-Term Memory (LSTM) dalam memprediksi keberangkatan haji dan membandingkannya dengan metode konvensional yang saat ini diterapkan. Penelitian ini menggunakan data historis dari Sistem Informasi dan Komputerisasi Haji Terpadu (SISKOHAT) dan melakukan enam skenario pengujian dengan variasi parameter seperti jumlah epoch dan ukuran batch untuk mengukur efektivitas dan efisiensi model LSTM. Metode yang digunakan adalah eksperimen dengan membagi data menjadi data pelatihan (80%) dan data pengujian (20%) untuk melatih model dan mengukur hasilnya menggunakan metrik MAE dan RMSE. Hasil penelitian menunjukkan bahwa Skenario 5, dengan konfigurasi 200 epoch dan batch size 16, memberikan kinerja terbaik dengan akurasi 79,5% dan 157 prediksi yang sesuai target, serta nilai error yang terkecil, yaitu 0,0609 dan 0,1404, menunjukkan model mempelajari pola temporal dan demografis dengan baik. Dibandingkan dengan metode konvensional yang hanya memiliki akurasi 24% dan 76% kesalahan, model LSTM terbukti lebih efektif dan efisien dalam memprediksi keberangkatan haji. Penelitian ini memberikan wawasan mengenai optimasi model LSTM untuk prediksi yang lebih akurat dan stabil, serta menekankan pentingnya pengaturan parameter yang tepat untuk memperoleh hasil terbaik.

ENGLISH:

This study aims to evaluate the performance of the Long Short-Term Memory (LSTM) model in predicting Hajj departure dates and compare it with the conventional method currently used. The study utilizes historical data from the Integrated Hajj Information and Computerization System (SISKOHAT) and conducts six testing scenarios with variations in parameters such as the number of epochs and batch size to assess the effectiveness and efficiency of the LSTM model. The research method involves an experiment by splitting the data into 80% training and 20% testing, and measuring the results using MAE and RMSE metrics. The results show that Scenario 5, with a configuration of 200 epochs and a batch size of 16, provides the best performance with an accuracy of 79.5% and 157 correct predictions, along with small error values of 0.0609 and 0.1404, indicating that the model effectively learns temporal and demographic patterns. Compared to the conventional method, which only achieves 24% accuracy and 76% error, the LSTM model proves to be more effective and efficient in predicting Hajj departure dates. This study provides insights into optimizing the LSTM model for more accurate and stable predictions, emphasizing the importance of proper parameter tuning to achieve the best results.

ARABIC:

تهدف هذه الدراسة إلى تقييم أداء نموذج الذاكرة قصيرة وطويلة المدى (LSTM) في التنبؤ بتواريخ مغادرة الحجاج ومقارنته مع الطريقة التقليدية المستخدمة حالياً. تستخدم الدراسة بيانات تاريخية من نظام المعلومات والحج الحوسبة المتكاملة (SISKOHAT) وتجري ستة سيناريوهات اختبار مع اختلافات في المعلمات مثل عدد الدورات وحجم الدُفعة لتقييم فعالية وكفاءة نموذج LSTM. تتضمن طريقة البحث تجربة من خلال تقسيم البيانات إلى ٪80 للتدريب و ٪20 للاختبار، وقياس النتائج باستخدام مقاييس MAE و .RMSE تظهر النتائج أن السيناريو 5، مع تكوين 200 دورة تدريبية و حجم دفعة 16، يوفر أفضل أداء مع دقة تصل إلى ٪79.5 و 157 تنبؤًا دقيقًا، مع قيم خطأ صغيرة 0.0609 و 0.1404، مما يشير إلى أن النموذج يتعلم الأنماط الزمنية والديموغرافية بشكل فعال. مقارنة بالطريقة التقليدية التي تحقق دقة ٪24 و ٪76 خطأ، يثبت نموذج LSTM أنه أكثر فعالية وكفاءة في التنبؤ بتواريخ مغادرة الحجاج. توفر هذه الدراسة رؤى حول تحسين نموذج LSTM للحصول على تنبؤات أكثر دقة واستقرارًا، مع التأكيد على أهمية ضبط المعلمات بشكل صحيح لتحقيق أفضل النتائج.