Peramalan Jumlah Penumpang Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan Support Vector Regression (SVR)

Drajat Indra Purnama; Oki Prasetia Hendarsin

doi:10.34312/jjom.v2i2.4458

Peramalan Jumlah Penumpang Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan Support Vector Regression (SVR)

Drajat Indra Purnama, Oki Prasetia Hendarsin

Abstract

Sulawesi Tengah memiliki tujuh bandara sebagai akses transportasi udara keluar atau masuk. Jumlah penumpang berangkat menggunakan transportasi udara melalui ketujuh bandara tersebut mengalami fluktuasi setiap bulannya. Oleh karena itu, dibutuhkan teknik peramalan yang tepat untuk melihat fluktuasi dan meramalkan jumlah penumpang di masa depan. Hasil pengujian data jumlah penumpang berangkat melalui transportasi udara di Sulawesi Tengah menunjukkan bahwa data memiliki pola nonlinear sehingga diperlukan metode peramalan yang dapat mengatasi permasalahan pola data nonlinear. Dalam artikel ini digunakan model SVR. Hasil peramalan data jumlah penumpang berangkat melalui transportasi udara di Sulawesi Tengah menggunakan SVR menunjukkan akurasi peramalan yang baik dengan nilai MAPE 7,28 persen untuk data training dan 18,67 persen untuk data testing.

Keywords

SVR; Transportasi Udara; Penumpang; Nonlinear

Full Text:

PDF

References

G.A. Nasser, “Perkembangan Tingkat Penggunaan Sarana Akomodasi dan Transportasi,” Berita Resmi Statistik, no. 42. BPS Provinsi Sulawesi Tengah, pp. 1–12, 2019.

G. E. Box and G. M. Jenkins, Time Series Analysis Forecasting and Control. California: Holden Day, 1976.

M. Khashei and M. Bijari, “An artificial neural network (p, d, q) model for timeseries forecasting,” Expert Syst. Appl., vol. 37, no. 1, pp. 479–489, 2010.

P. G. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159–175, 2003.

D. Zhongxin, “Application of Support Vector Machine Regression in Ozone Forecasting,” Business, Econ. Financ. Sci. Manag., vol. 40, no. 4, pp. 359–365, 2019.

C. W. Hsu, C. C. Chang, and C. J. Lin, “A practical guide to support vector classification,” Taipei, 2016.

J. B. Ramsey, “Tests for Specification Errors in Classical Linear Least-Squares Regression Analysis,” J. R. Stat. Soc. Ser. B, vol. 31, no. 2, pp. 350–371, 1969.

V. N. Vapnik, The Nature of Statistical Learning Theory. New York: Springer, 1995.

S. Haykin, Neural Networks and Learning Machines, 3rd ed. New Jersey: Pearson Education, Inc., 2009.

A. J. Smola and B. Schölkopf, “A tutorial on support vector regression,” Stat. Comput., vol. 14, pp. 199–222, 2004.

B. Santosa, Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Teori dan Aplikasi. Yogyakarta: Graha Ilmu, 2007.

E. A. Borovikov, An Evaluation of Support Vector Machines as a Pattern Recognition Tool. California: arXiv preprint arXiv:1412.4186, 1999.

W. W. Wei, Time Series Analysis: Univariate and Multivariate Methods. New York: Pearson Education, Inc., 2006.

L. Latipah, S. Wahyuningsih, and S. Syaripuddin, “Peramalan Pendapatan Asli Daerah Provinsi Kalimantan Timur Menggunakan Model Grey-Markov (1,1),” Jambura J. Math., vol. 1, no. 2, pp. 89–103, 2019.

E. Woschnagg and J. Cipan, Evaluating Forecast Accuracy. Austria: University of Vienna, 2004.

DOI: https://doi.org/10.34312/jjom.v2i2.4458