Model Hibrid SARIMA dan XGBoost untuk Proyeksi Jumlah Penduduk: Studi di Kabupaten Kotawaringin Barat, Provinsi Kalimantan Tengah, Indonesia

Hartoyo, Diah Budi (2026) Model Hibrid SARIMA dan XGBoost untuk Proyeksi Jumlah Penduduk: Studi di Kabupaten Kotawaringin Barat, Provinsi Kalimantan Tengah, Indonesia. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025232010-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Perkiraan populasi yang akurat sangat penting untuk perencanaan dan penyediaan layanan publik. Penelitian ini menyajikan pendekatan peramalan hibrid yang mengintegrasikan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Extreme Gradient Boosting (XGBoost) untuk meningkatkan akurasi proyeksi populasi dengan menangkap pola data demografis linier dan non linier. Kami menggunakan data historis Kependudukan Kabupaten Kotawaringin Barat Provinsi Kalimantan Tengah, tahun 1990 hingga 2022 yang bersumber dari data Badan Pusat Statistik (BPS), untuk melatih model. SARIMA diterapkan terlebih dahulu untuk menangkap pola linier dalam data, kemudian, XGBoost dilatih menggunakan kesalahan yang tersisa (residu) yang memiliki pola non linier dan ditambahkan fitur eksogen untuk mengoptimalkan model. Pendekatan hibrida menghasilkan nilai yang lebih akurat, yang dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Evaluasi model dilakukan dengan menggunakan data aktual (ground truth) tahun 2023 hingga 2024 yang bersumber dari Sensus Penduduk tahun 2020. Evaluasi Model hibrida SARIMA(0,1,0)(1,1,1,10)–XGBoost mencapai RMSE sebesar 2.198,615, MAE sebesar 2.086,715, dan MAPE sebesar 0,743, mengungguli pendekatan model tunggal SARIMA(0,1,0)(1,1,1,10) dan metode komponen (model demografis). Hasil ini menunjukkan bahwa model hibrid yang diusulkan memberikan perkiraan populasi yang lebih andal dan akurat.
===================================================================================================================================
Accurate population estimates are crucial for planning and public service delivery. This study presents a hybrid forecasting approach that integrates the Seasonal Autoregressive Integrated Moving Average (SARIMA) and Extreme Gradient Boosting (XGBoost) methods to enhance the accuracy of population projections by capturing both linear and nonlinear patterns in demographic data. We use historical population data from Kotawaringin Barat Regency, Central Kalimantan Province, from 1990 to 2022, sourced from Statistics Indonesia (BPS), to train the model. SARIMA is applied first to capture linear patterns in the data. Then, XGBoost is trained using the remaining errors (residuals) that exhibit nonlinear patterns, and exogenous features are added to further optimize the model. The hybrid approach produces more accurate values, which are evaluated using Root Mean Square Error (RMSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) metrics. Model evaluation was conducted using ground truth data from 2023 to 2024 based on 2020 Population Census. The hybrid SARIMA(0,1,0)(1,1,1,10)–XGBoost model achieved an RMSE of 2,198.615, an MAE of 2,086.715, and a MAPE of 0.743, outperforming the single-model approach SARIMA(0,1,0)(1,1,1,10) and the component method (demographic model). These results indicate that the proposed hybrid model provides more reliable and accurate population estimates.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kotawaringin Barat, Metode Komponen, Proyeksi Penduduk, SARIMA, XGBoost, Component Method, Population Projection, West Kotawaringin
Subjects:	Q Science > QA Mathematics > QA280 Box-Jenkins forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Diah Budi Hartoyo
Date Deposited:	28 Jan 2026 01:19
Last Modified:	28 Jan 2026 01:19
URI:	http://repository.its.ac.id/id/eprint/130664

Actions (login required)

View Item