Peramalan Jumlah Penumpang Kereta Api Argo Bromo Anggrek Dengan Model Xtreme Gradient Boosting

Rabbani, Kenang Laverda (2025) Peramalan Jumlah Penumpang Kereta Api Argo Bromo Anggrek Dengan Model Xtreme Gradient Boosting. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211014-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Perkembangan metode peramalan dalam berbagai sektor, termasuk transportasi, menjadi esensial untuk mendukung pengambilan keputusan strategis. Penelitian ini bertujuan untuk memodelkan banyaknya penumpang Kereta Api Argo Bromo Anggrek menggunakan metode XGBoost, dengan dua pendekatan input, yaitu lag PACF signifikan dan sliding window, yang dilanjutkan dengan peramalan banyaknya penumpang untuk 12 bulan ke depan. Metode ini digunakan karena data yang digunakan adalah jumlah penumpang Kereta Api Argo Bromo Anggrek pada Januari 2019-Desember 2024. Dikarenakan kondisi data yang terbatas dan adanya faktor yang membuat data ini berpotensi bersifat non-linear dan juga series data yang terlalu pendek, maka dari itu metode konvensional seperti ARIMA dianggap kurang tepat, sehingga metode XGBoost dipilih.Hasil analisis menunjukkan bahwa model terbaik yang diperoleh adalah XGBoost dengan pendekatan sliding window ukuran window size 4. Model ini menghasilkan nilai MAPE sebesar 1,19% pada data training, yang tergolong sangat baik, dan nilai MAPE sebesar 10,94% pada data testing, yang masih dapat diterima dalam konteks peramalan transportasi. Selain itu, hasil proyeksi menunjukkan pola musiman dalam pergerakan jumlah penumpang, dengan Maret sebagai bulan dengan jumlah penumpang terendah dan November sebagai bulan dengan jumlah penumpang tertinggi. Proyeksi ini mencerminkan adanya fluktuasi musiman dan tidak menunjukkan adanya tren penurunan jangka panjang yang signifikan. Temuan ini memberikan implikasi penting bagi manajemen PT KAI dalam mengoptimalkan alokasi sumber daya, penjadwalan operasional, dan strategi pelayanan berbasis prediksi musiman. Lebih lanjut, hasil penelitian dapat menjadi dasar pengambilan keputusan strategis untuk meningkatkan efisiensi dan kualitas layanan transportasi kereta api.
=========================================================================================================================================
The development of forecasting methods in various sectors, including transportation, is essential to support strategic decision-making. This study aims to model the number of passengers on the Argo Bromo Anggrek Train using the XGBoost method, with two input approaches: significant lag PACF and sliding window, followed by forecasting the number of passengers for the next 12 months. This method was chosen due to the limited data available, which consists of the number of passengers on the Argo Bromo Anggrek Train from January 2019 to December 2024. Given the limited data and the factors that make this data potentially non-linear, as well as the short time series, conventional methods such as ARIMA were considered less appropriate, leading to the selection of the XGBoost method. The analysis results show that the best model obtained was XGBoost with a sliding window approach of size 4. This model produced a MAPE value of 1.19% on the training data, which is considered excellent, and a MAPE value of 10.94% on the testing data, which is still acceptable in the context of transportation forecasting. Additionally, the projections reveal a seasonal pattern in passenger numbers, with March as the month with the lowest number of passengers and November as the month with the highest. This projection reflects seasonal fluctuations and does not indicate a significant long-term downward trend. These findings have important implications for PT KAI's management in optimizing resource allocation, operational scheduling, and service strategies based on seasonal predictions. Furthermore, the results of this study can serve as a basis for strategic decision-making to improve the efficiency and quality of rail transportation services.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Peramalan, Kereta Api Argo Bromo Anggrek, XGBoost, Time Series, Penumpang Kereta, Sliding Window, Forecasting, Argo Bromo Anggrek Train, XGBoost, Time Series, Train Passengers, Sliding Window
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Divisions:	Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Kenang Laverda Rabbani
Date Deposited:	01 Aug 2025 03:02
Last Modified:	01 Aug 2025 03:02
URI:	http://repository.its.ac.id/id/eprint/125325

Actions (login required)

View Item