Perbandingan Kinerja Model Peramalan Dengan Efek Kalender dalam Memprediksi Jumlah Penumpang Travel Rute JakartaBandung

Abstract

Permintaan penumpang pada rute travel Jakarta–Bandung mengalami fluktuasi yang dipengaruhi oleh pola historis serta faktor-faktor kalender, seperti akhir pekan dan hari libur nasional. Oleh karena itu, peramalan jumlah penumpang yang akurat diperlukan untuk mendukung perencanaan operasional dan pengambilan keputusan. Penelitian ini bertujuan membandingkan performa model Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors (SARIMAX), Prophet, dan Extreme Gradient Boosting (XGBoost) dalam meramalkan jumlah penumpang harian dengan memanfaatkan efek kalender sebagai variabel eksogen. Data yang digunakan terdiri atas 396 observasi harian yang dikumpulkan pada periode 1 Januari 2025 hingga 31 Januari 2026. Model SARIMAX dikembangkan menggunakan metodologi Box–Jenkins, sedangkan model Prophet dan XGBoost dioptimalkan menggunakan framework Optuna dengan validasi silang Time Series Split. Pada model XGBoost dilakukan rekayasa fitur melalui pembentukan fitur lag, rolling mean, dan rolling standard deviation. Hasil penelitian menunjukkan bahwa ketiga model mampu menangkap pola historis jumlah penumpang, termasuk penurunan jumlah penumpang pada hari kerja dan peningkatan pada akhir pekan. Namun berdasarkan metrik evaluasi pada data uji, XGBoost memiliki performa model lebih baik dibanding dua metode lainnya dengan RMSE sebesar 5,21, MAE sebesar 3,74, dan MAPE terendah sebesar 13,83%. Sedangkan dua model lainnya, yaitu SARIMAX memperoleh RMSE sebesar 6,32, MAE sebesar 4,49, dan MAPE sebesar 16,29%, dan Prophet memperoleh RMSE sebesar 5,39, MAE sebesar 3,88, dan MAPE sebesar 14,01%. Hasil peramalan untuk 30 hari ke depan dari ketiga model menghasilkan nilai peramalan jumlah penumpang yang mampu mempertahankan pola musiman mingguan yang telah dipelajari dari data historis.

Passenger demand on the Jakarta–Bandung travel route fluctuates due to historical patterns and calendar-related factors, such as weekends and national holidays. Therefore, accurate passenger demand forecasting is essential to support operational planning and decision-making. This study aims to compare the forecasting performance of the Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors (SARIMAX), Prophet, and Extreme Gradient Boosting (XGBoost) models in predicting daily passenger demand by incorporating calendar effects as exogenous variables. The dataset consists of 396 daily observations collected from January 1, 2025, to January 31, 2026. The SARIMAX model was developed using the Box–Jenkins methodology, while the Prophet and XGBoost models were optimized using the Optuna framework with Time Series Split cross-validation. For the XGBoost model, feature engineering was performed by constructing lag features, rolling means, and rolling standard deviations. The results indicate that all three models successfully captured the historical patterns of passenger demand, including lower passenger volumes on weekdays and higher demand on weekends. However, based on the evaluation metrics on the testing dataset, XGBoost outperformed the other two models, achieving an RMSE of 5.21, an MAE of 3.74, and the lowest MAPE of 13.83%. In comparison, SARIMAX achieved an RMSE of 6.32, an MAE of 4.49, and a MAPE of 16.29%, while Prophet achieved an RMSE of 5.39, an MAE of 3.88, and a MAPE of 14.01%. Furthermore, the 30-day forecasting results generated by all three models were able to preserve the weekly seasonal pattern learned from the historical data.