<![CDATA[ABSTRAKPeningkatan 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, RMSEABSTRACTThe 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]]>
