https://aboutmusicschools.com https://slotmgc.com https://300thcombatengineersinwwii.com https://mobilephonesource.co.uk https://discord-servers.io https://esmark.net https://slotmgc.com https://nikeshoesinc.us https://ellisislandimmigrants.org https://holidaysanthology.com https://southaventownecenter.net https://jimgodfreydesign.com https://mckinneypaintingpros.com https://enchantedmansion.org https://mckinneypaintingpros.com https://laurabrodieauthor.com https://holidaysanthology.com https://ardictionary.com https://113.30.151.116 https://103.252.118.20 https://206.189.83.174 https://157.230.39.109 https://128.199.85.208 https://172.104.51.149 https://174.138.21.250 https://157.245.50.183 https://152.42.239.189 https://188.166.210.125 https://152.42.178.155 https://192.53.172.202 https://172.104.188.91 https://103.252.118.157 https://63.250.61.107 https://165.22.104.74

Prediksi Jumlah Penumpang Pesawat dengan Backpropagation Neural Network

Authors

  • Desy Pitriyani Matematika, Universitas Islam Bandung
  • Yurika Permanasari Matematika, Universitas Islam Bandung

DOI:

https://doi.org/10.29313/jrm.v2i2.1327

Keywords:

prediksi jumlah penumpang pesawat, Backpropagation Neural Network, MAPE

Abstract

Abstract. The surge in passengers at Soekarno-Hatta International Airport in new normal era, urged the airport to have information about how many passengers in the next several time periods in order to know the proper plan and optimization of airport operations. This paper aims to use Backpropagation Neural Network methods to predict the number of airplane passengers. The data used is monthly data on the number of passengers on domestic flights at Soekarno-Hatta International Airport from January 2006 to April 2022 obtained from Badan Pusat Statistik (BPS). The results showed predictions with Backpropagation Neural Network method produced the best predictions with 19.77% MAPE. The prediction of the number of passengers in the next period, May 2022 is 1.060.500 passengers.

Abstrak. Melonjaknya penumpang di Bandara Internasional Soekarno-Hatta pada era new normal, pihak bandara perlu memiliki informasi mengenai berapa banyak penumpang pada beberapa periode waktu ke depan guna mengetahui perencanaan dan pengoptimalan pengoperasian bandara yang tepat. Penelitian ini bertujuan untuk memprediksi jumlah penumpang pesawat menggunakan Backpropagation Neural Network. Data yang digunakan adalah data bulanan jumlah penumpang pesawat penerbangan domestik di Bandara Internasional Soekarno-Hatta mulai Januari 2006 hingga April 2022 yang diperoleh dari Badan Pusat Statistika (BPS). Hasil penelitian menunjukkan prediksi dengan metode Backpropagation Neural Network menghasilkan prediksi yang baik dengan MAPE 19,77%. Prediksi jumlah penumpang pada periode selanjutnya yaitu Mei 2022 adalah sebanyak 1.060.500 penumpang.

References

D. Rahmawati, Y. Permanasari, and D. Suhaedi, “Pemodelan Box-Jenkins dan Exponential Smoothing untuk Prediksi Pengunjung Daerah Wisata Sayang Ka’ak Ciamis,” J. Ris. Mat., vol. 1, no. 2, pp. 109–118, 2021, doi: 10.29313/jrm.v1i2.375.

F. Rianda, “Pemodelan Intervensi Untuk Menganalisis dan Meramalkan Jumlah Penumpang Pesawat di Bandara Soekarno-Hatta Akibat Pandemi Covid-19,” Semin. Nas. Off. Stat., vol. 2021, no. 1, pp. 283–292, 2021, doi: 10.34123/semnasoffstat.v2021i1.857.

D. S. Fahik and M. T. Jatipaningrum, “Peramalan Jumlah Penumpang Penerbangan Internasional Di Bandar Udara Internasional Soekarno Hatta Dengan Metode Holt-Winters Exponential Smoothing Dan Seasonal Arima,” Stat. Ind. dan Komputasi, vol. 6, no. 1, pp. 77–87, 2021.

V. W. Soemarwi and N. Triagustin, “Pelaksanaan Penerapan Rapid Test Dan PCR Dalam Penerbangan : Berdasarkan Surat Edaran Gugus Tugas Percepatan Penanganan Covid-19 Nomor 9 Tahun 2020,” pp. 56–77, 2020.

Y. P. Handayani, “Prediksi Produksi Energi Listrik PLTA Ir . H . Djuanda Menggunakan Algoritma Jaringan Syaraf Tiruan dengan Pendekatan Backpropagation,” Pros. Mat., vol. I, pp. 20–26, 2018.

M. N. Mara, N. Satyahadewi, and Yundari, “Kajian Teoritis Hybridizing Exponential Smoothing Dan Neural Network Untuk Peramalan Data Runtun Waktu,” Bimaster Ilm. Mat. Stat. dan Ter., vol. 02, no. 3, pp. 205–210, 2013.

I. Suryani, S. Tinggi, M. Informatika, D. Komputer, N. Mandiri, and R. S. Wahono, “Penerapan Exponential Smoothing untuk Transformasi Data dalam Meningkatkan Akurasi Neural Network pada Prediksi Harga Emas,” J. Intell. Syst., vol. 1, no. 2, 2015, [Online]. Available: http://journal.ilmukomputer.org

Suyanto, Artificial Intelligence: Searching, Reasoning, Planning and Learning. Bandung: Informatika, 2014.

C. Simon Haykin (McMaster University, Hamilton, Ontario, “Neural Networks - A Comprehensive Foundation.” p. 823, 2005.

J. G. Garini, “Perbandingan Metode Holt-Winter, Grey Holt-Winter, dan Hybrid Holt-Winter Artificial Neural Network Pada Peramalan Data Intermiten,” 2018, [Online]. Available: https://repository.its.ac.id/49481/

S. Makridakis, S. Wheelwright, and V. Mcgee, Metode Dan Aplikasi Peramalan, 2nd ed. Jakarta: Bina Aksara, 1999.

L. Latipah, S. Wahyuningsih, and S. Syaripuddin, “Peramalan Pendapatan Asli Daerah Provinsi Kalimantan Timur Menggunakan Model Grey-Markov (1,1),” Jambura J. Math., vol. 1, no. 2, pp. 89–103, 2019, doi: 10.34312/jjom.v1i2.2347.

Downloads

Published

2022-12-21