Prediksi jumlah barang yang dimuat di Bandara Soekarno-Hatta dengan metode Elman Recurrent Neural Network

Hidayat Setiawan, Universitas Negeri Yogyakarta, Indonesia
Dhoriva Urwatul Wutsqa, Universitas Negeri Yogyakarta, Indonesia

 10.21831/jssd.v3i2.23754

Abstract


Abstrak.Transportasi udara berperan penting dalam mendukung mobilitas masyarakat dan pertumbuhan ekonomi, termasuk dalam distribusi barang melalui bandara. Penelitian ini bertujuan membangun model prediksi jumlah barang yang dimuat di Bandara Soekarno Hatta menggunakan metode Elman Recurrent Neural Network (ERNN). Data yang digunakan adalah jumlah kunjungan wisatawan periode Januari 2006 hingga Desember 2022 yang diperoleh dari Badan Pusat Statistik, karena pola kunjungan ini dianggap berkorelasi dengan pergerakan barang. Pemilihan variabel input dilakukan berdasarkan hasil analisis autokorelasi (ACF) dan autokorelasi parsial (PACF), dengan menggunakan lag signifikan dari data kunjungan wisatawan. Data dibagi menjadi dua bagian, yaitu 80% untuk pelatihan dan 20% untuk pengujian. Model terbaik dipilih berdasarkan nilai mean absolute percentage error (MAPE) terkecil. Uji residual dilakukan untuk memastikan bahwa hasil prediksi bersifat white noise, yang menunjukkan kecocokan model. Model ERNN terbaik memiliki 10 variabel input, 3 neuron tersembunyi, dan 1 output. Hasil evaluasi menunjukkan MAPE sebesar 44,55% pada data pelatihan dan 14,68% pada data pengujian. Ini menunjukkan bahwa model mampu memberikan prediksi yang cukup akurat pada data testing.


Keywords


Barang; Elman Recurrent Neural Network; prediksi; white nose; kunjungan wisatawan

References


Cryer, J. D., & Chan, K. S. (2008). Time Series Analysis with Applications in R. Springer.

Fairbanks, C. (2012). Global aviation industry trends. Journal of Air Transport Management, 25, 15-22.

Gurney, K. M. (1997). An Introduction to Neural Networks. UCL Press.

Hanke, J. E., & Wichern, D. W. (2005). Modeling Time Series Data. Pearson Education.

Hanke, J. E., & Wichern, D. W. (2014). Business Forecasting (9th ed.). Pearson.

Kusumadewi, A. (2004). Jaringan Syaraf Tiruan dan Aplikasinya. Bandung: Informatika.

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1999). Forecasting: Methods and Applications (3rd ed.). Wiley.

Manullang, R. (2020). Prediksi kedatangan wisatawan menggunakan Long Short-Term Memory (LSTM). Jurnal Teknologi dan Sistem Komputer, 8(2), 105-112.

Maind, J., & Wankar, V. (2014). Artificial Neural Networks: A Primer. Indian Journal of Science and Technology, 7(3), 96-101.

MCCulloch, W., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5, 115-133.

Radjabaycolle, S., & Pulungan, J. (2016). Prediksi penggunaan bandwidth menggunakan Elman Neural Network. Jurnal Teknologi Informasi, 12(1), 45-52.

Sitinjak, E. (2023). Prediksi persediaan barang dengan algoritma Elman Recurrent Neural Network. Jurnal Teknik Informatika, 9(1), 23-30.

Suleistyowati, L. (2018). Peramalan jumlah penumpang dan volume kargo di Indonesia menggunakan model hibrida. Jurnal Transportasi, 10(2), 89-98.

Talahatu, E., et al. (2015). Prediksi pergerakan harga saham dengan Elman RNN. Jurnal Keuangan dan Perbankan, 19(4), 567-576.

Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods. Pearson Education.

Yanti, S., et al. (2019). Prediksi radiasi matahari menggunakan Elman Neural Network. Jurnal Teknologi dan Sistem Komputer, 7(1), 1-9.




DOI: https://doi.org/10.21831/jssd.v3i2.23754

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Jurnal Statistika dan Sains Data

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Our journal is indexed by:

Online ISSN (e-ISSN): 3025-9649

Creative Commons LicenseJurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JSSD Statistics