Implementasi Business Intelligence Memanfaatkan Machine Learning Untuk Prediksi Jumlah Kunjungan Layanan Pada Kantor Sistem Administrasi Manunggal Satu Atap Kota Payakumbuh

Nada, Niki Yulia (2025) Implementasi Business Intelligence Memanfaatkan Machine Learning Untuk Prediksi Jumlah Kunjungan Layanan Pada Kantor Sistem Administrasi Manunggal Satu Atap Kota Payakumbuh. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (676kB)
	Text (BAB 1 Pendahuluan) BAB 1 Pendahuluan.pdf - Published Version Download (563kB)
	Text (BAB 5 Penutup) BAB 5 Penutup.pdf - Published Version Download (450kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (479kB)
	Text (Skripsi Full Text) 2111522001_Niki Yulia Nada_Laporan Tugas Akhir.pdf - Published Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Sistem Administrasi Manunggal Satu Atap (SAMSAT) Kota Payakumbuh merupakan instansi pelayanan publik yang menangani administrasi pajak kendaraan bermotor, dengan volume data laporan harian yang terus meningkat setiap tahunnya. Proses pengolahan data yang masih dilakukan secara manual dan disajikan dalam bentuk tabel spredsheet menjadi kurang efisien, sehingga menyulitkan identifikasi pola, tren, maupun prediksi yang dapat mendukung pengambilan keputusan berbasis data. Kondisi ini juga menghambat akses cepat terhadap informasi, karena data hanya direkap tanpa pengolahan lanjutan, sehingga setiap kali dibutuhkan harus diperiksa, ditelusuri, dan diolah ulang secara manual. Penelitian ini bertujuan untuk membangun sistem Business Intelligence (BI) dengan memanfaatkan Python Streamlit yang dikembangkan mengikuti tahapan roadmap BI yaitu: justification, planning, business analysis, design, dan construction. Sistem dilengkapi proses ETL (Ekstrak, Tranformasi, Load) otomatis yang memungkinkan integrasi data mentah ke dalam data mart berbasis skema star, terdiri dari satu tabel fakta dan lima tabel dimensi. Sistem menghasilkan dashboard interaktif yang menyajikan informasi deskriptif terkait data kendaraan, jenis layanan, wilayah, serta status keterlambatan pajak. Selain itu, dashboard juga dilengkapi fitur analitik prediktif untuk meramalkan jumlah kunjungan wajib pajak, baik secara mingguan maupun berdasarkan jenis layanan. Tiga algoritma digunakan dalam proses peramalan, yaitu Random Forest, Prophet, dan SARIMA. Hasil evaluasi menunjukkan bahwa Random Forest memberikan performa terbaik. Untuk prediksi total kunjungan mingguan, model ini menghasilkan nilai MAE sebesar 26,04 atau 2,15%, MdAE sebesar 16,30 atau 1,35% dan SMAPE 2.12% dari nilai aktual, serta untuk prediksi per layanan dengan MAE sebesar 180.81 atau 18.79%, MdAE sebesar 152.35 atau 16.89% dan SMAPE 17.99%. Visualisasi hasil prediksi menunjukkan pola musiman dan tren mingguan yang konsisten.

Actions (login required)

View Item