EVALUASI PERFOMA MODEL TIME SERIES FORECASTING JUMLAH TRANSAKSI HARIAN LAYANAN PORTER KAI WISATA MENGGUNAKAN SARIMA DAN MACHINE LEARNING

Abstrak

Layanan porter KAI Wisata merupakan layanan tambahan yang berperan penting dalam meningkatkan
kenyamanan penumpang kereta api, namun jumlah transaksi hariannya bersifat fluktuatif dan dipengaruhi oleh
faktor musiman, hari kerja, serta momen tertentu seperti libur nasional, sehingga menimbulkan tantangan
dalam pengelolaan tenaga porter secara optimal. Oleh karena itu, diperlukan model peramalan yang akurat
sebagai dasar pengambilan keputusan operasional. Penelitian ini bertujuan membandingkan kinerja beberapa
metode peramalan dalam memprediksi jumlah transaksi harian layanan porter KAI Wisata dengan
menggunakan pendekatan CRISP-DM. Metode yang digunakan meliputi model statistik Seasonal
Autoregressive Integrated Moving Average (SARIMA) serta model machine learning, yaitu Random Forest,
Support Vector Regression (SVR), dan XGBoost. Evaluasi kinerja model dilakukan menggunakan metrik
Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error
(MAPE). Hasil penelitian menunjukkan bahwa model SARIMA menghasilkan performa terbaik dengan nilai
9.68% MAPE terendah dan efektif dalam menangkap pola musiman. Model SARIMA (1,0,1)(1,0,1,30) dinilai
paling sesuai untuk peramalan jangka pendek transaksi layanan porter KAI Wisata.