Peramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Kertajaya Menggunakan ARIMA dan ANFIS

Ilafi Andalita, Irhamah Irhamah
Submission Date: 2015-07-31 07:43:53
Accepted Date: 2016-01-22 12:21:58

Abstract


Kebutuhan masyarakat terhadap penggunaan alat transportasi kereta api kelas ekonomi perlu diperhatikan mengingat jenis  kereta api tersebut telah dipilih masyarakat berdasarkan kenyamanan dan terjangkaunya tarif tiket. Peramalan jumlah penumpang kereta api kelas ekonomi Kertajaya merupakan salah satu upaya penting untuk mengetahui kebutuhan pengguna transportasi tersebut. Namun, time series jumlah penumpang kereta api Kertajaya yang mempunyai fluktuasi tinggi terbukti bersifat nonlinear berdasarkan uji linieritas. Pemodelan menggunakan pendekatan linier seperti ARIMA Box-Jenkins tidak selalu memberikan peramalan yang baik karena terikat beberapa asumsi dalam membangun model. Oleh karena itu penelitian ini mengusulkan penggunaan metode ANFIS yang diharapkan memberikan kinerja lebih baik dalam pemodelan nonlinier dan dibandingkan dengan hasil dari ARIMA. Penggunaan ANFIS untuk peramalan jumlah penumpang selama 14 periode ke depan memberikan akurasi ramalan yang lebih tinggi daripada ARIMA karena MAPE dan RMSE yang dihasilkan lebih kecil. Model ANFIS terbaik dihasilkan dari input jumlah penumpang pada satu, tujuh, dan delapan hari sebelumnya dan fungsi keanggotaan pi.


Keywords


ANFIS; ARIMA; nonlinier; penumpang

References


BPS. (2014, Oktober ), “Perkembangan Pariwisata dan Transportasi Nasional,” Berita Resmi Statistik [online]. pp. 1-10. Available: http://www.bps.go.id

KAI. (2014, Maret 06), “Pemerintah Subsidi Penumpang KA Kelas Ekonomi,” PT. Kereta Api Indonesia [online]. Available : https://www.kereta-api.co.id

J. Gyu-jin, K. Jin-pyung, L. Jee-hyong, and K. Moon-hyun, “ANFIS based Short-term Prediction of Passenger Volume in Urban Rail Transit “. International Symposium on Advanced Intelligent systems (ISIS). USA: Springer (2011). USA: Springer.

H. Galavi, M. Mirzaei, L. T. Shui, and N. Valizadeh, “Klang River-Level Forecasting Using ARIMA and ANFIS “. American Water Works Association Journal (2013). E496-E506.

W. Wei, “Time Series Univariate and Multivariate Methods”.Canada: Addison Wesley (2006).

J. D. Cryer,and K. S. Chan, “Time Series Analysis with Applications in R “. New York: Springer (2008).

M. A. Stephen, “Aspects of Goodness of Fit. Califotnia: Technical Report, Department of Statistics, Stanford University. (1993).

R. J-S. Jang, C. Sun, and E. Mizutani, “Neuro-Fuzzy and Soft Com-puting. London: Prentice Hall (1997).

A. V. Kostenko, dan R. J. Hyndman, “Forecasting Without Signifi-cance Test?” [online]. Available: http://robjhyndman.com/papers-/sst2.pdf. (2008)


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.