Perbandingan Regresi Linier dan Artificial Neural Network dalam Prediksi Penumpang Kereta Api
DOI:
https://doi.org/10.62712/juktisi.v4i3.822Kata Kunci:
kereta api, prediksi, regresi linier, artificial neural network, BPSAbstrak
Perkembangan transportasi kereta api di Indonesia terus mengalami perubahan dari waktu ke waktu. Perubahan ini dipengaruhi oleh berbagai faktor, seperti kebijakan pemerintah, kondisi ekonomi, serta peningkatan infrastruktur perkeretaapian. Dinamika tersebut menunjukkan bahwa perencanaan transportasi yang efektif memerlukan teknik prediksi yang mampu mengidentifikasi pola perubahan data secara akurat. Penelitian ini bertujuan untuk membandingkan kinerja metode Regresi Linier dan Artificial Neural Network (ANN) dalam memprediksi jumlah penumpang kereta api nasional. Data yang digunakan merupakan data deret waktu (time series) jumlah penumpang kereta api nasional yang bersumber dari Badan Pusat Statistik (BPS). Sebelum dilakukan pemodelan, data melalui tahap prapemrosesan untuk memastikan kesiapan data. Proses penelitian meliputi pembagian data menjadi data latih dan data uji, penerapan metode Regresi Linier dan ANN, serta evaluasi kinerja model menggunakan Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa metode ANN menghasilkan tingkat kesalahan prediksi yang lebih rendah dibandingkan metode Regresi Linier. Oleh karena itu, metode ANN dinilai lebih efektif dalam mendukung perencanaan transportasi kereta api di Indonesia.
Unduhan
Referensi
M. I. Ramli, S. A. Adisasmita, M. I. Sabil, and ..., “Sosialisasi Manfaat Moda Transportasi Publik Berbasis Rel untuk Peningkatan Animo Penggunaan Kereta Api di Rute Maros-Barru Sulawesi Selatan,” J. Tepat …, vol. 8, no. 1, pp. 94–103, 2025, [Online]. Available: https://eng.unhas.ac.id/tepat/index.php/Jurnal_Tepat/article/view/574%0Ahttps://eng.unhas.ac.id/tepat/index.php/Jurnal_Tepat/article/download/574/321
M. S. Widodo, “Analisis Keefisiensian Moda Transportasi Umum KRL Sebagai Transportasi Pelajar di Jakarta,” J. Ilm. Wahana Pendidik., vol. 11, no. A, pp. 170–176, 2025.
D. W. Koconingrahayu and A. Aprianingsih, “Dynamic Governance: Mengoptimalkan Kebijakan Subsidi Angkutan Umum dengan Tarif Berbasis Jarak (Studi Kasus: LRT Jabodebek PT Kereta Api Indonesia (Persero)),” Co-Value J. Ekon. Kop. dan kewirausahaan, vol. 15, no. 8, 2025, doi: 10.59188/covalue.v15i8.4969.
W. Laeli, “Pengaruh Fasilitas Kerja dan Keramahan Keryawan Terhadap Kinerja dan Kenyamanan Konsumen (Studi Kasus Pada PT Kereta Api Indonesia),” J. ARTI (Aplikasi Ranc. Tek. Ind., vol. 20, no. 2, pp. 112–122, 2025, [Online]. Available: https://ejurnal.sttdumai.ac.id/index.php/arti/article/view/1374%0Ahttps://ejurnal.sttdumai.ac.id/index.php/arti/article/download/1374/705
S. D. Cahyo, A. A. Murtopo, and B. A. Santoso, “Penerapan Metode Regresi Linier untuk Prediksi Jumlah Penumpang Kereta Api,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 3, pp. 986–993, 2025, doi: 10.31004/riggs.v4i3.2061.
T. Ade Amelia and I. Muslim Karo Karo, “Analisis Prediksi Jumlah Penumpang Kereta Api Menggunakan Metode Monte Carlo,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 4444–4450, 2024, doi: 10.36040/jati.v8i4.9935.
Marisa, La Pimpi, and Alfian, “Analisis Metode Seasonal Autoregressive Integrated Moving Average (Sarima) Dan Penerapannya Untuk Meramalkan Penjualan Motor Yamaha Di Indonesia,” J. Mat. Komputasi dan Stat., vol. 5, no. 1, pp. 848–856, 2025, doi: 10.33772/jmks.v5i1.117.
R. Susilawati and S. Sunendiari, “Peramalan Jumlah Penumpang Kereta Api Menggunakan Metode Arima dan Grey System Theory,” J. Ris. Stat., pp. 1–13, 2022, doi: 10.29313/jrs.vi.603.
M. R. Utami, “Analisis Literatur Prediksi Tren Penjualan E-Commerce Berbasis Data Time-Series : Metode Statistik & Machine Learning,” J. Ilm. Penelit. Mhs., vol. 3, no. 2, pp. 331–339, 2025.
N. Rokhman, S. Sumaryanto, F. N. Hakim, and P. A. Maulan, “Integrasi Machine Learning dalam Homebase Sistem Informasi untuk Analisis Produktivitas Akademik,” Go Infotech J. Ilm. STMIK AUB, vol. 31, no. 2, pp. 319–327, 2025.
S. Kurnia, A. Khaidar, and P. Studi Magister, “Perbandingan Metode Machine Learning Menggunakan Metode Support Vector Machine Dan Artificial Neural Network Dalam Memprediksi Serangan Jantung,” Jik), vol. 9, no. 2, pp. 87–94, 2025.
M. K. Najib and S. Nurdiati, “Pemodelan Deret Waktu Menggunakan Non-linear Autoregressive Neural Network: Studi Kasus Prediksi Harga Saham Mandiri,” Jambura J. Math., vol. 7, no. 2, pp. 213–220, 2025, doi: 10.37905/jjom.v7i2.33397.
L. Alexander, R. Soetedjo, and N. Tobian, “Potensi Algoritma Berbasis Neural Network dan Turunannya sebagai Prediktor Kadar PM2, 5 dan PM10,” Damianus J. Med., vol. 24, no. 2, pp. 167–180, 2025.
LUTFAN ANAS ZAHIR and SULIANA MAFIROH, “Optimasi Kuat Tekan Beton Dengan Jaringan Syaraf Tiruan Metode Multi Layer Perceptron,” J. Daktilitas, vol. 4, no. 01, pp. 45–55, 2024, doi: 10.36563/daktilitas.v4i01.1161.
F. Alfallah, Y. Yuhandri, and S. Sumijan, “Penerapan Artificial Neural Network untuk Memprediksi Persediaan Obat Esensial,” J. KomtekInfo, pp. 63–72, 2025, doi: 10.35134/komtekinfo.v12i1.630.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Saudurma S. S. Sidabutar, Septian Trio Sitohang, Makmur Jaya Samosir, Yosua Alexandru Simatupang, Jaya Tata Hardinata
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
