Prediksi Jumlah Penumpang Light Rail Transit (LRT) Palembang Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA)
DOI:
https://doi.org/10.55606/juitik.v6i1.1932Keywords:
Light Rail Transit, Passenger Demand, Prediction, SARIMA, Time SeriesAbstract
Mass transportation, particularly Light Rail Transit (LRT), plays a crucial role in supporting the modern-era mobility of Palembang's community. With the city's transit-oriented growth and high population density, the increased utilization of LRT presents challenges, such as congestion during holidays and special events, necessitating effective solutions to anticipate changes in passenger numbers. This study aims to design and implement a prediction model using the Seasonal Autoregressive Integrated Moving Average (SARIMA) method to anticipate and forecast the number of Palembang Light Rail Transit (LRT) passengers. By integrating seasonal components into time series analysis, this research focuses on developing a model that can accurately predict fluctuations in LRT passenger numbers, especially during special events or holiday seasons. The SARIMA method is expected to be an effective tool in public transportation management for planning operational sustainability and ensuring optimal services for the Palembang community. The prediction results using the parameter model (0,1,1) (0,1,0) obtained an RMSE value of 57.68 and a Mean Absolute Percentage Error (MAPE) value of 16.69%; thus, the accuracy level achieved is 83.31%."
References
Aktivani, S. (2021). Uji stasioneritas data inflasi Kota Padang periode 2014–2019.
Alfikrizal, K., Defit, S., & Yunus, Y. (2020). Simulasi Monte Carlo dalam prediksi jumlah penumpang angkutan massal Bus Rapid Transit Kota Padang. Jurnal Informatika Ekonomi Bisnis, 3(2). https://doi.org/10.37034/infeb.v3i2.72
Anggraeni, D., Muharom, L. A., & Hadi, A. F. (2014). Prosiding Seminar Nasional Matematika.
Azman Maricar, M. (2019). Analisa perbandingan nilai akurasi moving average dan exponential smoothing untuk sistem peramalan pendapatan pada perusahaan XYZ.
Desvina, A. P. (2014). Penerapan metode Box–Jenkins untuk memprediksi jumlah mahasiswa Universitas Islam Negeri Suska Riau. Jurnal Sains, Teknologi dan Industri, 12(1), 80–89.
Ervina, M. E., Silvi, R., & Wisisono, I. R. N. (2018). Peramalan jumlah penumpang kereta api di Indonesia dengan resilient back-propagation (Rprop) neural network. Jurnal Matematika MANTIK, 4(2), 90–99. https://doi.org/10.15642/mantik.2018.4.2.90-99
Funtika Saputri, A., & Hoyyi, A. (2017). Prediksi jumlah penumpang kereta api menggunakan model variasi kalender dengan deteksi outlier (Studi kasus: PT Kereta Api Indonesia DAOP IV Semarang). Jurnal Gaussian, 6(3), 281–289. http://ejournal-s1.undip.ac.id/index.php/gaussian
Gio, P. U. (2016). Belajar statistika dengan R (disertai beberapa contoh perhitungan manual). www.olahdatamedan.com
Inka Durrah, F., Parhusip, T. P., & Rusyana, A. (2018). Peramalan jumlah penumpang pesawat di Bandara Sultan Iskandar Muda dengan metode SARIMA. Journal of Data Analysis, 1(1). https://doi.org/10.24815/jda.v1i1.11847
Istanto, L., & Fauzie, S. (2014). Analisis dampak pembayaran non-tunai terhadap jumlah uang beredar di Indonesia.
Istiarini, R., & Sukanti. (2012). Rumus uji-t.
Khesya, N. (2021). Mengenal flowchart dan pseudocode dalam algoritma dan pemrograman. https://doi.org/10.31219/osf.io/syjn5
Lailiyah, R. R., & Agustiani, R. (2022a). Peramalan jumlah penumpang LRT Sumsel dengan metode exponential smoothing. Diophantine. https://doi.org/10.33369/diophantine.v1i1.23994
Lailiyah, R. R., & Agustiani, R. (2022b). Peramalan jumlah penumpang LRT Sumsel dengan metode exponential smoothing. Diophantine. https://doi.org/10.33369/diophantine.v1i1.23994
Lestari, N., & Wahyuningsih, N. (2012). Peramalan kunjungan wisata dengan pendekatan model SARIMA (Studi kasus: Kusuma Agrowisata). Jurnal Sains dan Seni ITS, 1.
Lubis, R. M. F., Situmorang, Z., & Rosnelly, R. (2021). Autoregressive integrated moving average (ARIMA–Box Jenkins) pada peramalan komoditas cabai merah di Indonesia. Jurnal Media Informatika Budidarma, 5(2), 485. https://doi.org/10.30865/mib.v5i2.2927
Lusiani, A., & Habinuddin, E. (2011). Pemodelan autoregressive integrated moving average (ARIMA) curah hujan di Kota Bandung.
Mahfud Al, A., Kurniasari, D., & Mustofa Usman. (2020). Peramalan data time series seasonal menggunakan metode analisis spektral. Jurnal Siger Matematika, 1(1).
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and applications (3rd ed.). Wiley.
Minarni, O., & Aldyanto, F. (2016). Prediksi jumlah produksi roti menggunakan metode logika fuzzy (Studi kasus: Roti Malabar Bakery). Jurnal Teknoif, 4(2).
Nabillah, I., & Ranggadara, I. (2020). Mean absolute percentage error untuk evaluasi hasil prediksi komoditas laut. JOINS (Journal of Information System), 5(2), 250–255. https://doi.org/10.33633/joins.v5i2.3900
Nugroho, K. (2016). Model analisis prediksi menggunakan metode fuzzy time series.
Nur Muhammad, A., & Triana, S. (2017). Analisis teknis operasional light rail transit Kota Bandung.
Rahmalina, W. (2020). Peramalan indeks kekeringan Kelayang menggunakan metode SARIMA dan SPI. https://doi.org/10.35313/potensi.v22i1.1824
Rakhmadi Pratama, A. (2022). Price prediction using ARIMA model of monthly closing price of Bitcoin. Journal of Statistics and Data Science. https://doi.org/10.33369/jsds.v1i2.22689
Ridho, M. F., & Buchari, E. (2023). Transportasi Light Rail Transit (LRT) Palembang Sumatera Selatan berdampak lingkungan dan pengembangan usaha perkotaan sektor non fare box. Jurnal Bearing, 8(1). https://doi.org/10.32502/jbearing.v8i1.6268
Sinaga, H., & Irawati, N. (2018). Perbandingan double moving average dengan double exponential smoothing pada peramalan bahan medis habis pakai.
Soeprajogo, M. P., & Ratnaningsih, N. (2020). Perbandingan dua rata-rata uji-t.
Sutarwati, S., Hardiyana, & Karolina, N. (2016). Tanggung jawab pengusaha angkutan udara terhadap penumpang maskapai Garuda Indonesia yang mengalami keterlambatan penerbangan di Bandara Internasional Adi Soemarmo Solo.
Tinungki, G. M. (2019). The analysis of partial autocorrelation function in predicting maximum wind speed. IOP Conference Series: Earth and Environmental Science, 235(1), 012097. https://doi.org/10.1088/1755-1315/235/1/012097
Triyani, R. A. (2022). Penerapan metode seasonal autoregressive.
Utami, R., Atmojo, S., & Wijaya Putra. (2017). Implementasi metode triple exponential smoothing additive untuk prediksi penjualan alat tulis kantor (ATK) pada “X Stationery”.
Utomo, P., & Fanani, A. (2020). Peramalan jumlah penumpang kereta api di Indonesia menggunakan metode SARIMA. Jurnal Mahasiswa Matematika ALGEBRA, 1(1).
Vermaysha, A., & Nurmalitasari. (2023). Prediksi harga rumah di Kabupaten Karanganyar menggunakan metode regresi linear sistem informasi.
Wanto, A., & Windarto, A. P. (2017). Analisis prediksi indeks harga konsumen berdasarkan kelompok kesehatan dengan menggunakan metode backpropagation. Jurnal & Penelitian Teknik Informatika, 2(2).
Wibowo, A. (2022). Analisis statistik dengan R.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Ilmiah Teknik Informatika dan Komunikasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
