Publisher

AKMICIREBONAKMICIREBON

Journal Jurnal Sains Teknologi Transportasi MaritimJurnal Sains Teknologi Transportasi Maritim Abstract

Pengiriman kontainer ke dalam darat merupakan komponen penting dalam rantai logistik maritim global, berfungsi sebagai fase akhir menuju tujuan akhir di dalam darat. Prediksi yang akurat terhadap waktu pengiriman kontainer ke dalam darat sangat penting untuk meningkatkan efisiensi operasional, meminimalkan biaya demurage dan penahanan, serta meningkatkan kepuasan pelanggan dalam rantai pasok global. Penelitian ini memanfaatkan data pergerakan kontainer historis dari pelabuhan internasional utama untuk mengembangkan model pembelajaran mesin yang kuat dalam memprediksi jadwal pengiriman kontainer ke dalam darat. Metode yang digunakan adalah Random Forest Regressor, yang dilatih untuk memperkirakan total waktu pengiriman ke dalam darat berdasarkan fitur-fitur seperti ukuran kontainer, tipe, jalur pelayaran, hari pengiriman, dan pola temporal. Evaluasi model menunjukkan Mean Absolute Error sebesar 4,59 hari, Root Mean Squared Error sebesar 10,55 hari, dan koefisien determinasi (R²) sebesar 0,68, yang menunjukkan akurasi prediksi moderat. Visualisasi pendukung seperti kurva belajar, kurva gain, diagram pentingnya fitur, distribusi residual, dan pita prediksi memperlihatkan keunggulan model serta area yang perlu penyempurnaan lebih lanjut. Penelitian ini memberikan kontribusi pada bidang logistik cerdas dan informatika maritim dengan menyediakan kerangka kerja berbasis data untuk meningkatkan kemampuan prediksi pengiriman ke dalam darat.

Conclusion

Model Random Forest yang diuji berhasil memperkirakan waktu pengiriman kontainer ke dalam darat dengan MAE 4,59 hari, RMSE 10,55 hari, dan R² 0,68, namun menunjukkan bias dan overfitting akibat heteroskedastisitas serta perkiraan yang kurang pada pengiriman lama.Keterbatasan utama terletak pada data yang terbatas dan fitur yang belum mencakup kondisi real-time seperti lalu lintas, cuaca, dan tingkat kepadatan pelabuhan, sehingga mengakibatkan kesenjangan generalisasi.Penelitian selanjutnya disarankan untuk menambahkan data real-time, menyeimbangkan dataset, serta mengeksplorasi metode ensemble atau pembelajaran mendalam guna meningkatkan akurasi dan ketahanan model pada kasus ekstrem.

Future Research

Penelitian selanjutnya dapat mengkaji bagaimana integrasi data lalu lintas real‑time dan kondisi cuaca dapat meningkatkan akurasi prediksi waktu pengiriman kontainer ke dalam darat, dengan membandingkan performa model yang menggunakan data statis versus data dinamis. Selanjutnya, dapat dikembangkan model ensemble hibrida yang menggabungkan Random Forest, Gradient Boosting, dan jaringan saraf dalam upaya mengurangi overfitting serta memperbaiki kemampuan generalisasi pada dataset maritim yang terbatas. Terakhir, penting untuk meneliti pengaruh indeks kepadatan pelabuhan yang bersifat dinamis serta karakteristik transportasi multimodal terhadap perkiraan keterlambatan pada kasus pengiriman dengan distribusi panjang (long‑tail), sehingga model dapat lebih efektif dalam mengidentifikasi dan mengantisipasi risiko keterlambatan signifikan.

References

1. Predicting Container Delivery Dates Using Machine Learning Techniques: A Regression Approach | Jurnal... doi.org/10.51578/j.sitektransmar.v7i2.113Predicting Container Delivery Dates Using Machine Learning Techniques A Regression Approach Jurnal doi 10 51578 j sitektransmar v7i2 113

Metadata

File size	873.23 KB
Pages	12
DMCA	Report