Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika Polinema (JIP)
Anggelika Royinda
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Metode Regresi Linier dan Single Moving Average dalam Peramalan Timbulan Sampah di Kota Malang Anggelika Royinda; Fandi Yulian Pamuji
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7017

Abstract

Sampah merupakan produk yang sudah tidak digunakan kembali. Penumpukan sampah yang berlebihan dapat membuat permasalahan sosial dan lingkungan. Kasus timbulan sampah yang meningkat ini menjadi masalah serius di berbagai wilayah Indonesia termasuk Kota Malang. Sampah yang tidak dikelola dengan tepat dapat menyebabkan bencana alam seperti banjir dan tanah longsor. Oleh karena itu, diperlukan adanya tindakan strategi yang efektif untuk pengelolaan sampah di Kota Malang. Prediksi menggunakan metode peramalan yang optimal menjadi salah satu langkah yang dibutuhkan untuk bisa menentukan strategi pengelolaan sampah yang tepat. Data timbulan sampah Kota Malang yang tersedia pada web resmi SIPSN adalah data volume sampah mulai dari tahun 2019 hingga tahun 2023. Sampel data tersebut berjumlah kurang dari 10, sehingga dilakukan analisis perbandingan menggunakan metode peramalan regresi linier dan single moving average. Perhitungan peramalan pada kedua metode menggunakan rumus persamaan, khusus untuk model regresi linier memanfaatkan tools rapidminer untuk lebih mengoptimalkan hasil. Kedua metode tersebut menghasilkan model peramalan dari data aktual yang digunakan pada studi kasus ini. Metode peramalan regresi linier dan single moving average dinyatakan baik karena mempunyai nilai MAPE diantara rentang 10%-20%. Namun, model regresi linier lebih optimal digunakan dalam perhitungan karena memiliki nilai MAPE yang lebih kecil yaitu sebesar 11,28% dibandingkan single moving average yang memiliki MAPE sebesar 12,36%.
Perbandingan Metode BPNN dan LSTM dalam Peramalan Timbunan Sampah TPA Anggelika Royinda; Rahmatina Hidayati; Hudan Eka Rosyadi
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7547

Abstract

Permasalahan sampah merupakan isu lingkungan yang terus diupayakan pengelolaannya oleh pemerintah, termasuk Kabupaten Malang. TPA Talangagung merupakan TPA yang terletak di Kecamatan Kepanjen dan bertugas melayani penanganan sampah wilayah Kabupaten Malang bagian selatan. Jumlah sampah masuk ke TPA Talangagung yang terus meningkat pada beberapa periode terakhir mendorong perumusan strategi pengelolaan sampah berbasis data melalui peramalan. Metode peramalan yang dibandingkan dalam upaya memprediksi sampah masuk di TPA Talangagung ini adalah Backpropagation Neural Network (BPNN) dan Long-Short Term Memory (LSTM). Kedua model tersebut memiliki pendekatan yang berbeda, namun tahapan peramalannya pada dasarnya sama yaitu meliputi normalisasi data, pembentukan sliding windows, perancangan arsitektur, proses pelatihan, proses pengujian, denormalisasi, hingga perhitungan akurasi. Berdasarkan serangkaian tahapan penelitian tersebut, dihasilkan bahwa metode Backpropagation Neural Network (BPNN) lebih optimal digunakan dalam kasus peramalan volume sampah TPA Talangagung dibandingkan dengan model Long-Short Term Memory (LSTM). Hal ini dibuktikan dengan nilai MSE dan MAPE dari BPNN sebesar 0,0060 dan 6,88% yang dihasilkan dari parameter terbaik 6 input layer, 8 neuron hidden, 1 output, serta 200 epoch. Nilai tersebut lebih kecil dibandingkan dengan hasil MSE dan MAPE dari metode LSTM yaitu sebesar 0,0079 dan 7,44% dengan arsitektur terbaiknya meliputi 11 input layer, 16 neuron hidden, 1 output layer, serta 50 epoch.
Co-Authors Fandi Yulian Pamuji Hudan Eka Rosyadi Rahmatina Hidayati