Model Radial Basis Function Neural Network (RBFNN) untuk Meramalkan Jumlah Penumpang Kereta Api di Jabodetabek

Abstract

Abstract. Forecasting is a technique for predicting data in the future by paying attention to past data and current data. One method that is quite well known in time series forecasting is the Auto Regressive Integrated Moving Average (ARIMA). ARIMA forecasting method must pay attention to the data pattern and data stationarity, where the data must be stationary in the mean and variance. On the other hand, there is one method that does not take into account the data pattern, namely the Radial Basis Function Neural Network (RBFNN). This RBFNN method can be used to get more efficient forecasting results, because there is no need to make the data stationary. In this thesis, the data used is data on the number of train passengers in Jabodetabek in 2014-2020. Where the train is one of the economic sources in the transportation sector which has experienced a drastic decrease in the number of passengers, this will certainly have an impact on income which also decreases. The results of the analysis of the RBFNN model with a network structure consisting of 1 input neuron, 3 hidden neurons, and 1 output neuron resulted in a MAPE value of\xa0 41,77% and obtained forecasting results for January 2021 as many as 14237 thousand people. This model is used to estimate the number of train passengers for the next 11 months. Keyword: Forecasting, ARIMA, RBFNN, Train Passengers. Abstrak. Peramalan merupakan teknik untuk memprediksi suatu data pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. Salah satu metode yang cukup terkenal dalam peramalan time series yaitu Auto Regressive Integrated Moving Average (ARIMA). Metode peramalan ARIMA harus memperhatikan pola data dan stasioneritas data, dimana data harus stasioner dalam rata-rata dan varians. Disisi lain, ada salah satu metode yang tidak memperhitungkan pola data, yaitu Radial Basis Function Neural Network (RBFNN). Metode RBFNN ini bisa digunakan untuk mendapatkan hasil peramalan yang lebih efisien, karena tidak perlu membuat data menjadi stasioner. Pada penelitian ini, data yang digunakan yaitu data jumlah penumpang kereta api di Jabodetabek tahun 2014-2020. Dimana kereta api merupakan salah satu sumber perekonomian bidang transportasi yang mengalami penurunan jumlah penumpang secara drastis, hal ini tentunya akan berdampak terhadap pendapatan yang juga menurun. Hasil analisis model RBFNN dengan struktur jaringan yang terdiri dari 1 neuron input , 3 neuron tersembunyi, dan 1 neuron output menghasilkan nilai MAPE sebesar 41,77% serta diperoleh hasil peramalan untuk bulan Januari 2021 sebanyak 14237 ribu orang. Model ini digunakan untuk meramalkan jumlah penumpang kereta api untuk 11 bulan berikutnya. Kata Kunci : Peramalan, ARIMA, RBFNN, Penumpang Kereta Api.