FOURIERFOURIER

Jurnal FourierJurnal Fourier

Guncangan struktural pada data deret waktu menyebabkan metode peramalan linear konvensional memiliki keterbatasan dalam menghasilkan akurasi tinggi. Keterbatasan ini sangat terlihat pada data mobilitas penumpang kereta api nasional yang merekam fluktuasi ekstrem dan perubahan level secara permanen akibat krisis makro di masa lalu, seperti pandemi COVID-19. Penelitian ini bertujuan membangun model peramalan yang adaptif menggunakan pendekatan Hybrid yang menggabungkan model statistik linear Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) dan algoritma Machine Learning non-linear eXtreme Gradient Boosting (XGBoost). Metodologi dilakukan dalam dua tahap, yaitu estimasi komponen linear dan dampak kebijakan menggunakan ARIMAX dengan empat variabel dummy intervensi, dilanjutkan dengan pemodelan sisaan (residual) yang mengandung pola non-linear menggunakan XGBoost. Hasil analisis menunjukkan model linear terbaik adalah ARIMAX(0,1,3) dengan residu yang terbukti tidak berdistribusi normal, menjustifikasi penggunaan XGBoost pada tahap kedua. Evaluasi kinerja pada data uji (out-of-sample) membuktikan bahwa model Hybrid ARIMAX-XGBoost lebih unggul dibandingkan model ARIMAX tunggal, dengan penurunan nilai RMSE sebesar 2,76% dan perbaikan akurasi MAPE sebesar 2,81%, sehingga pendekatan ini lebih efektif digunakan untuk perencanaan operasional transportasi di era pemulihan pasca-pandemi.

Berdasarkan hasil analisis, model parametrik ARIMAX(0,1,3) dengan integrasi variabel dummy intervensi terbukti tangguh dalam mengkuantifikasi dampak makro dari guncangan struktural COVID-19 dan memulihkan pola musiman yang sempat terdistorsi.Namun, model linear ini menunjukkan keterbatasan fundamental dalam menangkap volatilitas mikro, yang dibuktikan secara empiris oleh sisaan (residuals) yang tidak berdistribusi normal dan memiliki kurtosis ekstrem.Implementasi eXtreme Gradient Boosting (XGBoost) pada tahap kedua pemodelan terbukti mutlak diperlukan untuk menyelesaikan defisiensi tersebut.Pendekatan hibrida ARIMAX-XGBoost mampu mengungguli model tunggal dengan menurunkan tingkat kesalahan (RMSE) sebesar 2,76% dan memperbaiki akurasi (MAPE) sebesar 2,81% pada pengujian out-of-sample.Meskipun perbaikan akurasi ini tergolong inkremental (marginal), integrasi XGBoost tetap terbukti efektif beroperasi sebagai korektor minor untuk menyerap pola volatilitas mikro pada sisaan model linear.Penggunaan arsitektur hibrida ini perlu dipertimbangkan secara strategis terhadap trade-off penambahan kompleksitas komputasinya, sehingga pendekatannya lebih tepat diposisikan sebagai langkah optimasi lanjutan (fine-tuning) dalam merespons dinamika pemulihan pasca-pandemi.

Untuk pengembangan metodologis ke depan, arsitektur Two-Stage Hybrid ini direkomendasikan untuk diuji pada sektor lain yang rentan terhadap guncangan makro, seperti konsumsi energi atau pasar keuangan. Peneliti selanjutnya disarankan untuk memperluas ruang dimensi dengan mengintegrasikan indikator makroekonomi (seperti PDB atau inflasi) sebagai regressor eksternal, serta menguji performa XGBoost melawan arsitektur jaringan saraf tiruan mutakhir seperti Long Short-Term Memory (LSTM) guna mengevaluasi batas maksimal optimasi residu deret waktu non-linear.

  1. Analisis Sistem Antrian dengan Simulasi di Puskesmas Cebongan Kota Salatiga | Jurnal Fourier. analisis... doi.org/10.14421/fourier.2019.82.57-64Analisis Sistem Antrian dengan Simulasi di Puskesmas Cebongan Kota Salatiga Jurnal Fourier analisis doi 10 14421 fourier 2019 82 57 64
Read online
File size302.96 KB
Pages9
DMCAReport

Related /

ads-block-test