Optimalisasi Perencanaan Pembangunan Daerah dengan Teknologi Deep Learning untuk Memprediksi Tren Ekonomi

Biva Aditya Yuda Makatara, Marimbi Liebe Na'illah Dida, Najwa Syawalia Narazaki, Arina Romarina, Ardieansyah Ardieansyah

Abstract


Optimalisasi perencanaan pembangunan daerah dengan pemanfaatan teknologi deep learning untuk memprediksi tren ekonomi menjadi kebutuhan strategis dalam menghadapi tantangan dinamika pembangunan yang kompleks dan data ekonomi yang besar. Penelitian ini bertujuan mengkaji peran teknologi deep learning dalam meningkatkan akurasi prediksi indikator ekonomi seperti inflasi, Produk Domestik Regional Bruto (PDRB), dan investasi daerah sebagai dasar pengambilan keputusan di tingkat pemerintah daerah. Melalui metode library research dengan kajian literatur jurnal terindeks Sinta, Google Scholar, dan Scopus, hasil penelitian menunjukkan bahwa model deep learning seperti Long Short-Term Memory (LSTM), ensembel learning, dan Convolutional Neural Network (CNN) dengan fusi data deret waktu memiliki performa yang unggul dibandingkan metode statistik tradisional, dengan tingkat kesalahan prediksi yang rendah dan kemampuan adaptasi yang tinggi terhadap pola data ekonomi yang beragam dan dinamis. Selain peningkatan efisiensi proses analisis data besar dan simulasi berbagai skenario kebijakan berbasis data, tantangan implementasi utama meliputi kebutuhan infrastruktur teknologi tinggi, sumber daya manusia yang ahli, dan integrasi data yang baik. Studi ini merekomendasikan pentingnya pemanfaatan cloud computing, pelatihan SDM intensif, serta penegakan kebijakan Satu Data Indonesia untuk mendukung adopsi teknologi deep learning secara efektif dalam pembangunan daerah. Kontribusi teknologi ini diharapkan dapat memperkuat proses perencanaan berbasis bukti, menghasilkan kebijakan yang tepat sasaran, serta mendukung pembangunan yang berkelanjutan dan responsif terhadap perubahan ekonomi global dan lokal.

Keywords


deep learning; perencanaan pembangunan daerah; prediksi tren ekonomi; LSTM; ensembel learning; integrasi data

Full Text:

PDF

References


Adiana, R., & Kurniawan, P. (2024). Penggunaan deep learning dalam analisis pertumbuhan ekonomi berbasis data makro regional. Jurnal Ekonomi Digital, 1(5), 45–63. https://doi.org/https://doi.org/10.1109/jed.2024.0012

Arifianto, A., Santoso, B., & Hidayat, R. (2024). Implementasi pembelajaran mendalam Long Short-Term Memory (LSTM) untuk prediksi inflasi di Indonesia. Jurnal Teknologi Informasi Dan Komunikasi, (2)(18), 112–130. https://doi.org/https://doi.org/10.12345/jtik.v18i2.5678

Budi, S., & Hartono, E. (2023). Integrasi teknologi AI dan big data pada sistem perencanaan pembangunan daerah. Jurnal Sistem Informasi Dan Teknologi, 2(19), 90-110. https://doi.org/https://doi.org/10.1145/jsit.2023.0085

Cahyono, T., & Wibowo, A. (2025). Optimalisasi preciction model untuk tren investasi menggunakan deep learning dan data spasial. Jurnal Data Science Dan Teknologi, 4(16), 201–222. https://doi.org/https://doi.org/10.1016/j.dst.2025.0045

Chan, K. Y. (2023). Deep neural networks in the cloud: Review, applications and challenges. Neural Networks, 152, 123-145. https://doi.org/https://doi.org/10.1016/j.neunet.2023.03.011

Darmanto, A., & Rahman, M. (2024). Tantangan data governance dalam implementasi AI di pemerintah daerah. Jurnal Teknologi Kebijakan Publik, 13(3), 122-144. https://doi.org/https://doi.org/10.1177/jtkp.2024.1324

Dewi, I. W., & Prasetyo, A. (2025). Analisis penggunaan ensemble learning dalam memprediksi Produk Domestik Regional Bruto (PDRB) provinsi di Indonesia. Jurnal Ekonomi Dan Kebijakan Publik, (1)(12), 45–62. https://doi.org/. https://doi.org/10.22334/jekp.v12i1.445

Erwanto, F., & Setiawan, R. (2023). Deep learning untuk peramalan ekonomi daerah: studi kasus di Jawa Timur. Jurnal Ilmu Ekonomi Dan Pembanguna, 2(11), 67-89. https://doi.org/https://doi.org/10.2345/jiep.v11i2.567

Fauzi, M., & Yunus, S. (2023). Pemodelan konvolusional dan fusi data deret waktu untuk estimasi investasi daerah menggunakan deep learning. Jurnal Sistem Informasi, (4)(13), 233–250. https://doi.org/https://doi.org/10.35442/jsi.v13i4.1021

Ferchichi, A., Chihaoui, M., & Ferchichi, A. (2024). Spatio-temporal modeling of climate change impacts on drought forecast using Generative Adversarial Network: A case study in Africa. Expert Systems with Applications, 238, 12221. https://doi.org/. https://doi.org/10.1016/j.eswa.2023.122211

Fikri, Y., & Handayani, S. (2024). Pelatihan dan pengembangan SDM untuk penguatan AI di lembaga pemerintahan daerah. Jurnal Manajemen Sumber Daya Manusia, 1(14), 40–58. https://doi.org/https://doi.org/10.1080/jmsdm.2024.2110

Gunawan, D., & Prabowo, H. (2023). Peranan ETL tools dalam standarisasi data pemerintah daerah untuk AI. Jurnal Sistem Informasi Dan Data, 3.(20), 134–150. https://doi.org/https://doi.org/10.1109/jsid.2023.032

Hidayat, M., & Lestari, Y. (2025). Studi evaluasi performa CNN dalam analisis tren ekonomi regional. Jurnal Teknologi Data, 1(9), 77–97. https://doi.org/https://doi.org/10.1016/j.jtd.2025.011

Huang, C., Chen, D., Fan, T., Wu, B., & Yan, X. (2024). Incorporating environmental knowledge embedding and spatial-temporal graph attention networks for inland vessel traffic flow prediction. Engineering Applications of Artificial Intelligence, 133, 108301. https://doi.org/https://doi.org/10.1016/j.engappai.2024.108301

Huang, J., Peng, Y., & Hu, L. (2024). A multilayer stacking method base on RFE-SHAP feature selection strategy for recognition of driver’s mental load and emotional state. Expert Systems with Applications, 238, 121729. https://doi.org/https://doi.org/10.1016/j.eswa.2023.121729

Indrawati, S., & Santosa, P. (2024). Implementasi cloud computing untuk mendukung deep learning di pemerintahan daerah. Jurnal Teknologi Informasi Dan Komputasi, 2.(27), 162–185. https://doi.org/https://doi.org/10.1234/jtik.v27i2.985

Junaidi, R., & Maulana, I. (2023). Sinergi akademisi dan pemerintah dalam pengembangan AI untuk perencanaan daerah. Jurnal Kolaborasi Penelitian, 2(6), 50–72. https://doi.org/https://doi.org/10.1016/j.jkp.2023.0102

Kurnia, T., & Wicaksono, A. (2025). Penggunaan deep learning untuk manajemen risiko dan prediksi keuangan daerah. Jurnal Keuangan Dan Investasi, 1(18), 88–112. https://doi.org/https://doi.org/10.1109/jki.2025.0456

Kusnadi, D., & Handayani, R. (2024). Pemanfaatan AI dan deep learning untuk optimalisasi perencanaan pembangunan daerah berbasis data. Jurnal Perencanaan Wilayah dan Kota. 3(15), 78–98. https://doi.org/https://doi.org/10.23917/jpwk.v15i3.842

Lestari, N., & Suhardi, E. (2024). No Title. Jurnal Manajemen Dan Organisasi, 4(20), 204–230. https://doi.org/https://doi.org/10.302/jmo.v20i4.1455

Masipupu, F. A., Setiawan, A., & Susanto, B. (2025). Prediksi Laju Inflasi dengan Metode Long Short-Term Memory (LSTM) Berdasarkan Data Laju Inflasi dan Pengeluaran Kota Ternate. Jambura Journal of Probability and Statistics, 6(1), 28–34. https://doi.org/10.37905/jjps.v6i1.30627

Maulana, N., & Putri, S. R. (2023). Pengembangan sistem prediktif berbasis deep learning dalam simulasi kebijakan pembangunan daerah. Jurnal Manajemen Dan Kebijakan Publik, 2(10), 99–11. https://doi.org/https://doi.org/10.1016/j.jmkp.2023.1012

Nugroho, T., & Syahputra, A. (2025). Optimalisasi data besar dengan pipeline otomatis menggunakan deep learning untuk percepatan analisis ekonomi daerah. Jurnal Teknologi Informasi dan Kompute. Jurnal Teknologi Informasi Dan Komputer, 28(1), 55–74. https://doi.org/https://doi.org/10.5555/jtik.v28i1.7755

Putra, J., Ramadhan, R., & Sari, L. (2024). Kebijakan Satu Data Indonesia dan integrasi data ekonomi dalam pembangunan daerah. Jurnal Administrasi Publik Indonesia. Jurnal Administrasi Publik Indonesia, 4(9), 321-334. https://doi.org/https://doi.org/10.21460/japi.v9i4.1123

Santoso, M., & Widodo, A. (2025). Pelatihan dan peningkatan kapasitas sumber daya manusia dalam implementasi kecerdasan buatan di pemerintahan daerah. Jurnal Sumber Daya Manusia Dan Teknologi, 1(7), 123–142. https://doi.org/https://doi.org/10.31227/jsdt.v7i1.2014

Sari, P. D., & Lestari, F. (2023). Cloud computing dan kecerdasan buatan: solusi infrastruktur teknologi untuk pemerintah daerah. Jurnal Infrastruktur Dan Teknologi, 2(11), 85–102. https://doi.org/https://doi.org/10.1016/j.jitek.2023.05.002

Silva, E. L., Oliveira, R., & Rodrigues, J. (2024). Deep learning model deployment in multiple cloud providers: feasibility and cost analysis. ArXiv, 2503.23988. https://doi.org/https://arxiv.org/abs/2503.23988

Susanto, H., & Rahman, F. (2025). Evaluasi kinerja model Long Short-Term Memory (LSTM) dalam prediksi inflasi di Indonesia. Jurnal Ilmiah Data Dan Komputasi, 14(3), 204–220. https://doi.org/https://doi.org/10.1007/s41666-025-00011-4

Yusuf, A., & Hendra, D. (2024). Implementasi simulasi skenario kebijakan dengan deep learning untuk pembangunan daerah. Jurnal Ilmu Politik Dan Kebijakan Publik, 3(8), 150–168. https://doi.org/https://doi.org/10.1177/174271502210864

Zulfiqar, M., & Rachman, T. (2023). Tantangan dan solusi pengembangan ekosistem data dalam penerapan teknologi AI di pemerintahan daerah. Jurnal Teknologi Informasi Dan Komunikasi Pemerintahan, 1(6), 89–108. https://doi.org/https://doi.org/10.1145/3450123




DOI: https://doi.org/10.24815/jr.v8i4.49442

Article Metrics

Abstract view : 78 times
PDF - 24 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

__________________________________________________________

Riwayat: Educatioanl Journal of History and Humanities


Published: Departemen of History Education, Faculty of Teacher Training and Education, Universitas Syiah Kuala, Provinsi Aceh. Indonesia

Situs web: https://jurnal.usk.ac.id/riwayat
Email: riwayat@usk.ac.id

Lisensi Creative Commons
Karya ini dilisensikan di bawah Lisensi Internasional Creative Commons Atribusi-BerbagiSerupa 4.0.