SIMBOLON, RENALDI ANICETUS and Bettiza, Martaleli and Irawan, Feri (2026) PREDIKSI JUMLAH PENUMPANG DOMESTIK DI PELABUHAN SRI BINTAN PURA MENGGUNAKAN METODE SARIMAX DAN XGBOOST. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) RENALDI_ANICETUS_SIMBOLON_2201020067_Teknik_Informatika - Cover.pdf Download (385kB)
	Text (Abstrak) RENALDI_ANICETUS_SIMBOLON_2201020067_Teknik_Informatika - Abstrak.pdf - Published Version Download (184kB)
	Text (Bab 1) RENALDI_ANICETUS_SIMBOLON_2201020067_Teknik_Informatika - Bab I.pdf - Published Version Download (522kB)
	Text (Daftar Pustaka) RENALDI_ANICETUS_SIMBOLON_2201020067_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (218kB)
	Text (Full Teks) RENALDI_ANICETUS_SIMBOLON_2201020067_Teknik_Informatika - Full Teks.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Fluktuasi volume penumpang di Pelabuhan Sri Bintan Pura, Kepulauan Riau, yang dipengaruhi oleh dinamika Hari Raya Keagamaan dan faktor eksternal maritim, menuntut sistem peramalan yang akurat untuk mendukung perencanaan operasional. Penelitian ini bertujuan mengevaluasi dan membandingkan kinerja model Seasonal AutoRegressive Integrated Moving Average with eXogenous Variables (SARIMAX) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi jumlah penumpang bulanan dengan memanfaatkan variabel eksogen. Data yang digunakan merupakan data sekunder time series bulanan dari tahun 2015 hingga 2024. Tahap preprocessing meliputi transformasi Logaritma Natural untuk menstabilkan varians dan rekayasa fitur pada variabel eksogen (hari libur, musim angin, Covid-19). Pemodelan SARIMAX dilakukan melalui identifikasi orde autoregressive, differencing, dan moving average, sedangkan XGBoost dioptimalkan dengan skenario kombinasi hiperparameter untuk mengurangi overfitting. Hasil penelitian menunjukkan bahwa XGBoost unggul dibandingkan SARIMAX. Konfigurasi terbaik XGBoost menghasilkan nilai Mean Absolute Error (MAE) sebesar 16.619,71 jiwa, Mean Absolute Percentage Error (MAPE) sebesar 10,06%, dan Root Mean Square Error (RMSE) sebesar 23.954,79 jiwa, sementara SARIMAX mencatatkan MAE 17.013,83 jiwa, MAPE 11,54%, dan RMSE 20.112,95 jiwa. Temuan ini menegaskan bahwa XGBoost mampu memberikan prediksi lebih akurat dan stabil, sehingga berpotensi menjadi alat pendukung keputusan yang andal dalam manajemen logistik dan antisipasi lonjakan penumpang di pelabuhan.

Actions (login required)

View Item