Penerapan Deep Learning Untuk Analisis Big Data Kependudukan: Menuju Efisiensi Dan Akurasi Pelayanan Pemerintah
DOI:
https://doi.org/10.33701/jurnalregistratie.v7i2.5572Keywords:
Deep Learning, AutoEncoder, Artificial Neural Network, Big Data Kependudukan, E-KTP, Kota BandungAbstract
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.
Downloads
References
FK Putri, et al. (2024). Persentase Kepemilikan E-KTP Tahun 2019-2023 di Beberapa Kota/Kabupaten. Jurnal Penelitian & Pengembangan Masyarakat Regional.
NB Yuvianti. (2024). Efektivitas Kepemilikan Identitas Kependudukan Digital (IKD) melalui perekaman e-KTP di Kabupaten Jember. Jurnal Ilmu Administrasi Publik.
Anindya, N. T., dkk. (2024). Kajian Kualitas Layanan KTP-Elektronik dalam Inovasi Layanan Teman Dilan di Kabupaten Mojokerto. Publika: Jurnal Ilmu Kependudukan & Administrasi Publik.
Data “Evaluasi Pelayanan E-KTP di Manado” (Alhasni, Onibala, & Rantung, 2025). Administro: Jurnal Kebijakan dan Ilmu Administrasi Negara.
Putri, Y., dkk. (2024). Pelayanan Publik pada Disdukcapil di Kabupaten Kuantan Singingi: Analisis Wajib vs Kepemilikan E-KTP. Jurnal Inovasi Sektor Publik, 4(2).
Tamimatul Hasanah, I. R., Siska Rahayu Indri Tazkiya, Putri Indriani, & lainnya. (2024). Penggunaan KTP Elektronik Dilihat Dari Perspektif Public Value di Dinas Kependudukan Kota Tangerang. Innovative: Journal of Social Science Research, 4(4), 6863-6879.
Sagita, S. S. S. (2025). Inovasi Pelayanan Publik Administrasi Kependudukan: Tantangan Perekaman E-KTP di Kabupaten Sumbawa. SIMBOL: Jurnal Administrasi & Pelayanan Publik.
Aslam, M. M. (2024). An improved autoencoder-based approach for anomaly detection in industrial control systems. International Journal of Critical Infrastructure Protection. Advance online publication.
Grossman, I. (2023). Forecasting small area populations with long short-term memory networks. Population Studies, 77(2), 345–361.
Lee, S., Jin, H., Hussain, S., Nengroo, T., Doh, Y., & Heo, C. (2021). Smart metering system capable of anomaly detection by bi-directional LSTM Autoencoder. arXiv preprint.
Magazzino, C. (2024). An artificial neural network experiment on the prediction of unemployment forecasting. Journal of Economic Dynamics, 12(1), 45–62.
Neloy, A. A. (2024). A comprehensive study of auto-encoders for anomaly detection: architectures and reconstruction ability. Journal of Big Data Research, 5, 101234.
Selmy, H. A. (2024). Big data analytics, deep learning techniques and applications: A review. Information Systems, 115, 102318.
Sarker, I. H. (2021). Data science and analytics: An overview from data-driven perspectives. Annals of Data Science, 8, 1–24.
State of the Republic of Indonesia. (2022). Law No. 27 of 2022 concerning Personal Data Protection. Jakarta: Government Gazette. (PDP Law). Retrieved from https://jdih.setkab.go.id
Tang, M., & colleagues. (2022). Machine learning and deep learning for big data analytics: A review of methods and applications. International Journal of Data Science, 3(2), 123–145.
Reuters. (2024, June 28). Indonesia orders audit of government data centres after cyberattack. Reuters. https://www.reuters.com/technology/cybersecurity/bulk-indonesia-data-hit-by-cyberattack-not-backed-up-officials-say-2024-06-28/
Yuvianti, N. B. (2024). Evaluating effectiveness of e-KTP recording and identity services in Jember Regency. Jurnal Ilmu Administrasi Publik, 10(1), 33–44.
