PENERAPAN METODE FORECASTING PADA JUMLAH SISWA BARU DI SEKOLAH DASAR BERBASIS DATA HISTORIS MENGGUNAKAN ARIMA, LSTM, DAN GRU

Abstract

Peramalan jumlah siswa baru merupakan elemen penting dalam perencanaan pendidikan, karena membantu sekolah dalam menyusun strategi pengelolaan sumber daya yang efektif. Namun, proses ini sering terkendala oleh fluktuasi data historis dan pemilihan metode peramalan yang kurang tepat. Penelitian ini bertujuan membandingkan kinerja tiga model peramalan deret waktu ARIMA, LSTM, dan GRU dalam memprediksi jumlah siswa baru berdasarkan data historis dari SDN Pasawahan 09. Model ARIMA dipilih sebagai perwakilan metode statistik klasik, sementara LSTM dan GRU mewakili model deep learning yang mampu menangani data sekuensial dan ketergantungan jangka panjang. Proses penelitian mencakup preprocessing data, pembagian data latih dan uji (80:20), serta evaluasi kinerja menggunakan tiga metrik utama: RMSE, MAE, dan MAPE. Hasil evaluasi menunjukkan bahwa ARIMA memiliki performa terbaik dengan RMSE sebesar 3.54, MAE 2.56, dan MAPE 7.73%. LSTM dan GRU masing-masing mencatat RMSE 7.63 dan 6.54; MAE 7.24 dan 6.05; serta MAPE 22.37% dan 18.82%. Selain lebih akurat, ARIMA juga menunjukkan efisiensi waktu pelatihan yang lebih tinggi dibanding dua model lainnya.