Implementasi algoritma Long Short-Term Memory (LSTM) dalam memprediksi kebutuhan barang habis pakai laboratorium

Mu'ti, Jalalul (2024) Implementasi algoritma Long Short-Term Memory (LSTM) dalam memprediksi kebutuhan barang habis pakai laboratorium. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (191kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (248kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (282kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (261kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (793kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (581kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (136kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf - Bibliography Restricted to Registered users only Download (229kB) | Request a copy
	Text (LAMPIRAN) 10_lampiran.pdf Restricted to Repository staff only Download (626kB) | Request a copy

Abstract

Laboratorium memiliki peranan penting dalam dunia pendidikan dan penelitian, terutama dalam menunjang kegiatan praktikum dan riset. Salah satu aset vital yang ada di laboratorium adalah barang habis pakai, seperti bahan kimia, alat gelas sekali pakai, dan reagensia. Efisiensi dalam mengelola aset laboratorium menjadi perhatian utama, terutama karena belum adanya sistem yang terintegrasi dengan model prediksi untuk memantau aset. Ketiadaan kontrol yang baik terhadap persediaan barang habis pakai seringkali menimbulkan berbagai masalah, yang pada gilirannya mempersulit penentuan anggaran pembelian yang tepat. Hal ini dapat berdampak negatif, termasuk terganggunya kegiatan praktikum dan penelitian, pemborosan anggaran, serta kesulitan dalam melakukan audit dan evaluasi aset. Sebagai solusi, penelitian ini mengusulkan pengembangan model prediksi kebutuhan barang habis pakai laboratorium menggunakan algoritma LSTM (Long Short-Term Memory) dengan metode pengolahan data menggunakan metode CRISP-DM (Cross-Industry Standard Process for Data Mining) sebagai metode penelitian. Algoritma LSTM dipilih karena kemampuannya dalam menangani data deret waktu, yang sesuai dengan karakteristik kebutuhan barang habis pakai. Hasil penelitian menunjukkan bahwa model prediksi dengan tiga lapisan LSTM berhasil mempelajari data historis dengan baik dan mampu mencapai R² Score sebesar 0.86, dan RMSE sebesar 0.04 pada data latih serta RMSE sebesar 0.45 pada data testing, yang menandakan akurasi yang cukup baik dalam memprediksi kebutuhan barang habis pakai di laboratorium.

Actions (login required)

View Item