Peramalan Banyaknya Penumpang PT Kereta Api Indonesia Menggunakan Algoritma Long Short-Term Memory

Abstract

Coronavirus Disease 2019 (COVID-19) telah menjadi pandemi yang mengerikan. Pandemi ini berdampak pada berbagai sektor, tidak terkecuali PT Kereta Api Indonesia. Berdasarkan data dari laman Badan Pusat Statistika (BPS) pada Maret 2020 penumpang kereta api menurun sebesar 83,50% dari tahun sebelumnya. Untuk mengetahui waktu banyaknya penumpang kembali normal diperlukan peramalan. Salah satu metode peramalan yang paling populer adalah peramalan deret waktu. Algoritma deep learning Long Short-Term Memory (LSTM) adalah salah satu algoritma dalam machine learning yang dapat digunakan untuk meramalkan data deret waktu yang terinspirasi dari struktur otak manusia (neural network) dan dikembangkan berdasarkan algoritma Recurrent Neural Network (RNN). Tujuan penelitian ini meramalkan banyaknya penumpang PT Kereta Api Indonesia hingga Desember tahun 2023, serta mengidentifikasi kemampuan algoritma LSTM dalam mengenali perubahan pola data yang diakibatkan pandemi COVID-19 dengan menggunakan data banyaknya penumpang kereta api yang diperoleh dari laman www.bps.go.id. Penelitian ini menggunakan algoritma LSTM dengan parameter window size sebesar 1, 12, dan 24. Model terbaik dipilih berdasarkan nilai Root Mean Square Error (RMSE). Model dengan window size 12 yang nilai RMSE-nya 789,51 merupakan model terbaik yang didapatkan. Model ini cukup baik karena nilai RMSE-nya lebih kecil daripada nilai simpangan bakunya. Hasil peramalan menunjukkan adanya peningkatan banyaknya penumpang hingga akhir periode peramalan yaitu Desember 2023.