Penerapan Metode Seasonal Autoregressive Integrated Moving Average Dalam Meramalkan Jumlah Penumpang Kereta Api Indonesia (Persero) Divisi Regional II Sumatera Barat

Nurul Hanum - Universitas Negeri Padang

Abstract


Kereta api merupakan salah satu angkutan darat yang paling diminati masyarakat Sumatera Barat untuk bepergian. Berdasarkan catatan dari PT. KAI terdapat peningkatan jumlah penumpang pada bulan-bulan tertentu, seperti pada periode libur semester atau pada periode yang mencakup hari libur nasional di dalamnya. Pada periode tersebut biasanya sebagian penumpang kereta api tidak mendapatkan tempat duduk. Apabila hal ini dibiarkan maka akan berdampak kepada turunnya minat penumpang untuk menggunakan transportasi kereta api. Penelitian ini bertujuan untuk mendapatkan hasil ramalan jumlah penumpang kereta api pada Oktober 2024 sampai September 2025 berdasarkan model terbaik yang terpilih. Metode yang digunakan pada penelitian ini yaitu Seasonal Autoregressive Integrated Moving Average. Hasil penelitian menunjukkan bahwa model terbaik untuk peramalan adalah . Berdasarkan model ini, jumlah penumpang kereta api diperkirakan berkisar antara 149.799 hingga 192.338, dengan jumlah tertinggi diprediksi terjadi pada Desember 2024.

Full Text:

PDF

References


S. Fatimah, Pengantar Transportasi. Ponorogo: Myria Publisher, 2019.

Awen, “Kereta Pariaman Ekspres, Transportasi Favorit Wisatawan Menuju Pantai di Sumbar,” suaraindo.id.

H. Dwiatmoko, Peran Transportasi Perkeretaapian Dalam Pembangunan Nasional Melalui Analisis Input-Output. Jakarta Timur: Prenada Media, 2018.

R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice. OTexts, 2018.

D. C. Montgomery, C. L. Jennings, and M. Kulahci, Introduction to Time Series Analysis and Forecasting. Canada: John Wiley & Sons. Inc, 2008.

S. Makridakis, S. C. Wheelwright, and V. E. McGee, Metode dan Aplikasi Peramalan, Edisi II. Jakarta: Erlangga, 1999.

Aswi and Sukana, Analisis Deret Waktu: Teori dan Aplikasi. Makassar: Andira Publisher, 2006.

W. W. S. Wei, Time Series Analysis: Univariate and Multivariate Methods, Second Edition. Boston: Pearson Education, Inc, 2006.

K. E. ArunKumar, D. V Kalaga, Ch. M. S. Kumar, G. Chilkoor, M. Kawaji, and T. M. Brenza, “Forecasting the Dynamics of Cumulative COVID-19 Cases (Confirmed, Recovered and Deaths) for Top-16 Countries Using Statistical Machine Learning Models: Auto-Regressive Integrated Moving Average (ARIMA) and Seasonal Auto-Regressive Integrated Moving Average (SARIMA),” Applied Soft Computing Journal, vol. 103, pp. 1–26, 2021.

T. M. Wanjuki, A. Wagala, and D. K. Muriithi, “Forecasting Commodity Price Index of Food and Beverages in Kenya Using Seasonal Autoregressive Integrated Moving Average (SARIMA) Models,” European Journal of Mathematics and Statistics, vol. 2, no. 6, pp. 50–63, Dec. 2021.

M. Triola, Elementary Statistics Using Excel, 6th Edition. Boston: Pearson, 2018.

W. Rachbini, A. H. Sumarto, and T. Evi, Statistika Terapan: Pengolahan Data Time Series Menggunakan Eviews. Serang: AA.Rizky, 2021.

Kementerian Kesehatan, Peraturan Menteri Nomor 9 Tahun 2020 tentang Pedoman Pembatasan Sosial Berskala Besar dalam Rangka Percepatan Penanganan Corona Virus Disease 2019 (COVID-19). 2019.

A. Pankratz, Forecasting With Univariate Box-Jenkins Models. New York: John Wiley & Sons, 1983.

L. Arsyad, Peramalan Bisnis, Edisi Pertama. Yogyakarta: BPFE UGM, 1999.




DOI: http://dx.doi.org/10.24036/unpjomath.v10i2.17268