Magelang, Juni 2026 — Upaya memahami dinamika pertumbuhan penduduk terus menjadi perhatian penting dalam perencanaan pembangunan daerah. Hal inilah yang melatarbelakangi penelitian yang dilakukan oleh Ganesha Aziz Wicaksono, mahasiswa Teknik Informatika Universitas Muhammadiyah Magelang, dalam karya ilmiahnya bertajuk “Prediksi Jumlah Penduduk Menggunakan Algoritma Holt’s Linear Trend dan ARIMA dengan Penanganan Missing Value.”
Penelitian ini mengangkat tema besar prediksi jumlah penduduk berbasis analisis deret waktu (time series), dengan fokus pada Kota Magelang sebagai objek studi. Dalam konteks pembangunan wilayah yang semakin kompleks, data kependudukan yang akurat menjadi landasan utama dalam menentukan kebijakan strategis, mulai dari penyediaan infrastruktur hingga pelayanan publik. Namun, persoalan klasik seperti data yang tidak lengkap (missing value) masih menjadi tantangan serius dalam pengolahan data kependudukan.
Melalui pendekatan eksperimental, Ganesha bertujuan membangun sekaligus membandingkan dua model prediksi populer, yakni Holt’s Linear Trend dan ARIMA (Autoregressive Integrated Moving Average). Kedua metode ini dipilih karena dinilai mampu menangkap pola tren dalam data deret waktu, khususnya untuk fenomena pertumbuhan penduduk yang cenderung meningkat secara bertahap. Selain itu, penelitian ini juga menitikberatkan pada bagaimana penanganan missing value dapat memengaruhi kualitas hasil prediksi.
Data yang digunakan dalam penelitian mencakup periode tahun 2019 hingga 2024 yang bersumber dari instansi resmi pemerintah. Namun, data tersebut memiliki variasi interval pencatatan—mulai dari semesteran, bulanan, hingga harian—yang kemudian diseragamkan melalui proses reindexing datetime. Dalam tahap ini, muncul sejumlah data kosong yang harus ditangani agar tidak menurunkan akurasi model.
Untuk mengatasi persoalan tersebut, peneliti menerapkan dua pendekatan utama, yakni metode forward fill dan berbagai teknik interpolasi seperti linear, polinomial, dan spline cubic. Hasil pengujian menunjukkan bahwa interpolasi linear menjadi metode terbaik dalam mengisi data yang hilang. Metode ini dinilai paling stabil dan mampu mengikuti karakteristik perubahan jumlah penduduk yang cenderung gradual, tanpa menghasilkan lonjakan nilai ekstrem yang dapat merusak pola data.
Setelah tahap pra-pemrosesan selesai, penelitian berlanjut pada pembangunan model prediksi. Model Holt’s Linear Trend bekerja dengan memanfaatkan komponen level dan tren secara adaptif, sementara ARIMA mengandalkan kombinasi autoregressive, differencing, dan moving average untuk menangkap pola data yang lebih kompleks. Sebelum penerapan ARIMA, dilakukan uji stasioneritas menggunakan metode Augmented Dickey-Fuller (ADF) untuk memastikan data memenuhi asumsi model.
Kinerja kedua model kemudian dievaluasi menggunakan sejumlah metrik statistik, yaitu MAE (Mean Absolute Error), MSE (Mean Squared Error), MAPE (Mean Absolute Percentage Error), serta R-Squared. Hasil analisis menunjukkan bahwa model ARIMA memiliki performa yang lebih unggul dibandingkan Holt’s Linear Trend, meskipun selisih akurasinya tidak terlalu signifikan. Dengan kata lain, kedua metode sama-sama layak digunakan, namun ARIMA memberikan hasil yang sedikit lebih presisi dalam memprediksi jumlah penduduk Kota Magelang.
Temuan ini memberikan kontribusi penting, tidak hanya dalam ranah akademik tetapi juga praktik pemerintahan. Model prediksi yang dihasilkan dapat dimanfaatkan sebagai alat bantu dalam merancang kebijakan pembangunan berbasis data. Dengan proyeksi jumlah penduduk yang lebih akurat, pemerintah daerah diharapkan mampu merencanakan kebutuhan infrastruktur, layanan kesehatan, pendidikan, hingga pengendalian kepadatan penduduk secara lebih efektif.
Secara keseluruhan, penelitian ini menegaskan bahwa keberhasilan prediksi tidak hanya bergantung pada pemilihan algoritma, tetapi juga pada kualitas data yang digunakan. Penanganan missing value yang tepat terbukti menjadi faktor krusial dalam meningkatkan akurasi model. Melalui pendekatan yang sistematis dan berbasis data, studi ini membuka peluang pengembangan model prediksi yang lebih adaptif di masa depan, sekaligus menjadi referensi bagi penelitian serupa di bidang kependudukan. (ed. Sulistya)
Sumber: repositori UNIMMA
