ABSTRAK Nama : Puspa Eosina Hosen Program Studi : Doktor Ilmu Komputer Judul : Pemodelan Epidemiologi COVID-19 dengan Faktor Spasial Dinamis Menggunakan Gabungan Modifikasi Non-uniform Continuous Cellular Automata dan Stacked Long Short Term Memory Pembimbing : Prof. Aniati Murni Arymurthy, Dr. Pemodelan dinamis merupakan penyederhanaan fenomena yang terjadi di alam de- ngan melibatkan berbagai faktor empiris. Dalam sejarah dunia, pandemi meru- pakan salah satu fenomena yang menimbulkan kerugian. Merebaknya pandemi COVID-19 di awal tahun 2020 dengan cepat dengan tingkat kematian yang relatif tinggi, menjadi topik baru dan hangat dalam dunia penelitian, khususnya dalam pencarian model prediksi. Berbagai model penyebaran pun dikembangkan. Gap penelitian yang dapat diidentifikasi, antara lain pertimbangan faktor spasial dalam pengembangan model prediksi penyebaran COVID-19 dan; penggunaan teknik ma- chine learning/deep learning. Tujuan studi ini adalah mendapatkan model prediksi penyebaran penyakit menggunakan teknik machine learning/deep learning yang melibatkan faktor spasial untuk diterapkan pada kasus COVID-19. Model matema- tis Susceptibles–Infected–Recovered–Deaths (SIRD) dipilih sebagai dasar pengem- bangan model. Metode yang digunakan dalam membangun model yang melibatkan faktor spasial adalah Cellular Automata (CA). Adapun metode Long Short Term Memory (LSTM) dengan strategi Multiple Parallel Input Multi-Step Output pada arsitektur Stacked-LSTM digunakan untuk menyelesaikan model. Kontribusi studi adalah menghasilkan rumusan matematis untuk faktor spasial pada model penye- baran penyakit, serta modifikasi terhadap konsep CA yang menghasilkan model ”Gabungan Non-uniform Continuous Cellular Automata (N-CCA) dan Stacked- LSTM”. Keakuratan model yang diusulkan, diberikan oleh nilai RMSPE dan MAPE, masing-masing sekitar 8% dan 7%, untuk prediksi COVID-19 di USA se- lama 21 hari ke depan, dan 4% dan 3% untuk tujuh hari prediksi di Indonesia. Kata kunci: Cellular Automata, COVID-19, faktor spasial, Multiple Parallel Input Multi-Step Output, Non-uniform Continuous CA, stacked-LSTM, SIRD.