Peramalan Jumlah Penumpang Kapal Laut Menggunakan Metode Time Series Machine Learning di PT Pelabuhan Indonesia (Persero) Ragional 4 (Studi Kasus Pada Pelabuhan Soekarno Hatta Makassar)
Abstract
ABSTRAK, Penelitian ini membahas tentang Peramalan Jumlah Penumpang Pelabuhan Soekarno Hatta Makassar pada PT Pelabuhan Indonesia (Persero) Ragional 4. Jumlah penumpang Pelabuhan Soekarno Hatta Makassar sering mengalami lonjakan jumlah penumpang ketika musim libur, hari raya maupun akhir tahun. Metode yang digunakan dalam menyelesaikan masalah peramalan jumlah penumpang yaitu menggunakan Long Short Term Memory. Penelitian ini bertujuan untuk mengetahui model Long Short Term Memory yang kemudian digunakan untuk meramalkan jumlah penumpang keberangkatan pada kapal PELNI, serta mengetahui tingkat akurasi hasil prediksi menggunakan metode Long Short Term Memory. Berdasarkan hasil penelitian model LSTM yang diperoleh yaitu model sequential 3 layer terdiri dari dua layer LSTM dan satu layer dense dengan jumlah neuron hidden layer yaitu 10, jumlah batch size yaitu 1 dan jumlah epoch yaitu 100, serta menggunakan optimasi Adam dengan learning rate 0,01 di dapatkan Hasil peramalan dari Januari 2023 sebanyak 33.143 penumpang hingga Desember 2023 sebanyak 25.151 penumpang. Tingkat akurasi nilai MAPE yaitu sebesar %. Berdasarkan aturan range nilai MAPE yang didapatkan, dapat dikatakan bahwa akurasi peramalan yang dilakukan termasuk kedalam kategori baik karena nilai MAPE 10-20%.
References
[2] Zhang, G. P. (2004). Neural Network in Business Forecasting. USA: Idea Group Publising.
[3] Wardana, I. K., Jawas, N., & Aryanto, I. A. (2020). Prediksi Penggunaan Energi Listrik pada Rumah Hunian Menggunakan Long Short-Term Memory. TIERS Informatika Technology Journal, 1(1), 1-11
[4] Ardani, Mela. (2022). Prediksi Jumlah Penumpang Pesawat Domestik dengan Menggunakan Long Short-Term Memory (Studi kKasus: Bandar Internasional SAMS Sepinggan Balikpapan). Diploma Thesis, Institut Teknologi Kalimantan.
[5] Sanjaya, Putri Kristina & Halim Siana. 2020. Currency Movement Forecasting Using Time Series Analysys And Long Short-Term Memory. Internasional Journal Of Industrial Optimization Vol. 1, No.. 2, 71-80.
[6] Ardhito, Don. (2020). Analisis Perbandingan Metode Machine Learning Untuk Memprediksi Kasus Covid-19 Di Dunia. Diploma Thesis Universitas Budi Luhur.
[7] Rosadi, dedi. (2014). Analisis Runtun Waktu dan Aplikasinya dengan R. Yogyakarta : Gadjah Mada University Press.
[8] Hanke, J. E., & Wichern, D. W. (2005). Bussiness Forecasting (Eight ed.). Pearson Prentice Hall: New Jersey.
[9] Yudaruddin, R. (2019). Forecasting:Peramalan Untuk Kegiatan Ekonomi Dan Bisnis. Samarinda: RV Pustaka Horizon.
[10] Arfan, A., & Lussiana, E. T. (2019). Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory. Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi, 3(1), 225-230.
[11] Kurniawan, D. (2021). Pengenalan Machine Learning dengsn Python. Bandung: Informatika Bandung.
[12] Vinayakumar, R., Soman, K. P., & Poornachandran, P. (2017). Long Short-Term Memory Based Operation Log Anomaly Detection. International Conference Advance Computing Communication Informatics, 236-242.
[13] Aldi, M. W., Jondri, & Aditsania , A. (2018). Analisis dan Implementasi Long-Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. E-Proceeding Engineering, 5(2), 3548-3555.
[14] Ashar, N. M., Cholissodin, I., & Dewi, C. (2018). Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT .KHI Pipe Industries) . Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya, 2(11), 4621-4628.
[15] Riyadi, S. (2015). Aplikasi Peramalan Penjualan Obat Menggunakan Metode Pemulusan (Studi Kasus:Instalasi Farmasi Rsud Dr Murjani). Open Journal System Universitas AMIKOM(1), 1-6.
Copyright (c) 2024 Jurnal MSA ( Matematika dan Statistika serta Aplikasinya)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
