<![CDATA[Perkembangan big data kependudukan menuntut adanya pendekatan analitik yang lebih canggih untuk menjawab tantangan konsistensi, akurasi, dan ketepatan kebijakan publik. Penelitian ini bertujuan untuk menerapkan metode deep learning, khususnya Autoencoder dan Artificial Neural Network (ANN), dalam menganalisis data kependudukan Kota Bandung periode 2017–2024. Autoencoder digunakan untuk mendeteksi anomali dan inkonsistensi antara data Badan Pusat Statistik (BPS) dan Dinas Kependudukan dan Pencatatan Sipil (Disdukcapil), sedangkan ANN difokuskan pada prediksi kepemilikan e-KTP berbasis variabel demografi dan spasial. Hasil penelitian menunjukkan bahwa tren pertumbuhan penduduk Kota Bandung relatif stabil dengan laju yang lambat, menandakan pentingnya perencanaan berbasis data. Tingkat kepemilikan e-KTP menunjukkan disparitas antar kecamatan, dengan beberapa wilayah sudah mencapai lebih dari 96% sementara lainnya masih di bawah 90%. Autoencoder berhasil mendeteksi anomali dengan reconstruction loss sekitar 0.06, yang mengindikasikan peningkatan kualitas data setelah proses rekonstruksi. Sementara itu, ANN menghasilkan prediksi yang mendekati data aktual dengan rata-rata error yang kecil, membuktikan efektivitasnya dalam mengidentifikasi kecamatan yang berisiko rendah maupun tinggi dalam capaian kepemilikan e-KTP. Secara teoritis, penelitian ini memperkaya literatur tentang penerapan deep learning dalam administrasi publik berbasis data. Secara praktis, temuan ini memberikan rekomendasi aplikatif bagi pemerintah daerah, khususnya dalam memperkuat e-government, meningkatkan akurasi pelayanan publik, serta merancang intervensi kebijakan yang lebih tepat sasaran. Penerapan deep learning terbukti mampu mendukung tata kelola kependudukan yang lebih efisien, akurat, dan responsif.]]>
