Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Model Hibrida Deret Waktu Adaptif untuk Peramalan Dinamis Permintaan Penumpang Kereta Api Menggunakan Kalman Filter

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 1 (2026) · hlm. 105–112

DOI
10.25126/jtiik.2026131
ISSN
2528-6579, 2355-7699
Terbit
2026-02-26
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif. Abstract Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.

Inggris

Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif. Abstract Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.

Kata kunci

Jaringan kolaborasi para penulis

6 penulis · 9 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Tadulako University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Muh NawawiTadulako University1
Mohamad Irfan MuftiTadulako University1
Syahruddin HattabTadulako University1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Model Hibrida Deret Waktu Adaptif untuk Peramalan Dinamis Permintaan Penumpang Kereta Api Menggunakan Kalman Filter</dc:title>
	<dc:title xml:lang="en">Model Hibrida Deret Waktu Adaptif untuk Peramalan Dinamis Permintaan Penumpang Kereta Api Menggunakan Kalman Filter</dc:title>
	<dc:creator xml:lang="en">Isworo, Muhamad Raihan Ramadhani</dc:creator>
	<dc:creator xml:lang="en">Tri Anggraeny, Fetty </dc:creator>
	<dc:creator xml:lang="en">Junaidi, Achmad</dc:creator>
	<dc:creator xml:lang="id">Isworo, Muhamad Raihan Ramadhani</dc:creator>
	<dc:creator xml:lang="id">Tri Anggraeny, Fetty </dc:creator>
	<dc:creator xml:lang="id">Junaidi, Achmad</dc:creator>
	<dc:subject xml:lang="id">Peramalan Adaptif, Model Hibrida, Kalman Filter, Transportasi Kereta Api, Optimasi Bobot Dinamis</dc:subject>
	<dc:subject xml:lang="en">peramalan adaptif</dc:subject>
	<dc:subject xml:lang="en">model hibrida</dc:subject>
	<dc:subject xml:lang="en">kalman filter</dc:subject>
	<dc:subject xml:lang="en">transportasi kereta api</dc:subject>
	<dc:subject xml:lang="en">optimasi bobot dinamis</dc:subject>
	<dc:description xml:lang="id">Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif.
 
Abstract
Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.</dc:description>
	<dc:description xml:lang="en">Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif.
 
Abstract
Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-02-26</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9834</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026131</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 1: Februari 2026; 105-112</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 1: Februari 2026; 105-112</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2026131</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9834/1544</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Muhamad Raihan Ramadhani Isworo, Fetty  Tri Anggraeny, Achmad Junaidi</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>