<![CDATA[Penelitian ini bertujuan merancang sistem berbasis web untuk memprediksi pola permintaan layanan internet Fiber to the Home (FTTH) dengan memanfaatkan model Long Short-Term Memory (LSTM) sebagai komponen analitik. Permasalahan yang dihadapi penyedia layanan FTTH adalah fluktuasi permintaan antarwaktu dan antarwilayah yang berdampak pada perencanaan stok perangkat, penjadwalan pemasangan, dan pengembangan infrastruktur. Penelitian menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) dengan data historis permintaan layanan FTTH periode 2022 sampai 2025 yang diagregasi menjadi data runtun waktu bulanan. Sistem dikembangkan menggunakan Python, Flask, dan SQLite, sedangkan model LSTM dikonfigurasi dengan dua layer, 50 unit neuron, optimizer Adam, dan 50 epoch. Hasil penelitian menunjukkan bahwa sistem mampu mengintegrasikan pengelolaan data pelanggan, proses prediksi, visualisasi tren, dan rekomendasi kebutuhan stok dalam satu platform. Pada evaluasi awal, nilai loss pelatihan menurun dari 0.8541 menjadi 0.0064, sedangkan evaluasi prediksi menghasilkan Mean Absolute Error sebesar 32.43 dan Root Mean Squared Error sebesar 32.68. Temuan ini menunjukkan bahwa model telah mampu mengikuti pola umum permintaan pada data yang digunakan, tetapi kinerja operasionalnya masih perlu divalidasi lebih lanjut melalui pembandingan dengan model baseline, skema evaluasi time-series yang lebih ketat, dan konteks volume permintaan per wilayah. Kontribusi utama penelitian ini terletak pada integrasi hasil prediksi ke dalam sistem operasional FTTH berbasis web, bukan pada pengusulan arsitektur LSTM baru. This study aimed to design a web-based system to predict Fiber to the Home (FTTH) internet service demand patterns using a Long Short-Term Memory (LSTM) model as the analytical component. The main challenge faced by FTTH providers is the fluctuation of demand across time periods and service areas, which affects equipment stock planning, installation scheduling, and infrastructure expansion. The study adopted the Cross Industry Standard Process for Data Mining (CRISP-DM) and used historical FTTH service demand data from 2022 to 2025, aggregated into monthly time-series data. The system was developed using Python, Flask, and SQLite, while the LSTM model was configured with two layers, 50 neurons, the Adam optimizer, and 50 epochs. The results show that the system integrates customer data management, prediction processes, trend visualization, and stock requirement recommendations within a single platform. In the initial evaluation, the training loss decreased from 0.8541 to 0.0064, while the prediction evaluation yielded a Mean Absolute Error of 32.43 and a Root Mean Squared Error of 32.68. These findings indicate that the model captured the general demand pattern in the available data, although its operational validity still requires further verification through baseline comparisons, stricter time-series evaluation schemes, and demand-scale context. The main contribution of this study lies in integrating forecasting outputs into an FTTH operational web system rather than proposing a new LSTM architecture.]]>
