<![CDATA[Peramalan permintaan penumpang kereta api yang akurat sangat penting untuk optimasi operasional dan perencanaan layanan transportasi PT KAI. Model peramalan konvensional sering menghadapi tantangan dalam menangani dinamika permintaan yang kompleks, terutama saat terjadi perubahan pola mendadak dan kejadian khusus seperti hari libur atau kejadian luar biasa. Penelitian ini mengusulkan model hibrida adaptif yang menggabungkan SARIMAX dan Prophet dengan optimasi bobot menggunakan Kalman Filter. Data yang digunakan adalah jumlah penumpang bulanan PT KAI DAOP 8 periode 2016-2023 yang mencakup fluktuasi musiman dan kejadian khusus yang mempengaruhi permintaan penumpang. Hasil menunjukkan bahwa model hibrida adaptif mencapai MAPE 4.32%, lebih baik dibandingkan dengan SARIMAX (7.72%) dan Prophet (6.06%). Kalman Filter berhasil mengoptimalkan bobot secara dinamis, meningkatkan kemampuan adaptasi model terhadap perubahan pola permintaan. Model ini menunjukkan performa akurasi dan stabilitas yang tinggi, serta dapat digunakan untuk meramalkan permintaan penumpang di masa depan dan memberikan rekomendasi untuk perencanaan kapasitas PT KAI yang lebih efektif. Abstract Accurate forecasting of rail passenger demand is essential for operational optimization and planning of transportation services. Conventional forecasting models often face challenges in handling complex demand dynamics, especially when sudden pattern changes and special events occur. This study proposes an adaptive hybrid model combining SARIMAX and Prophet with weight optimization using the Kalman Filter. The data used is the monthly passenger number of PT KAI DAOP 8 from 2016 to 2023, which includes seasonal fluctuations and special events affecting passenger demand. The results show that the adaptive hybrid model achieved a MAPE of 4.32%, better than SARIMAX (7.72%) and Prophet (6.06%). The Kalman Filter successfully optimized the weights dynamically, improving the model's adaptability to changing demand patterns. This model demonstrates high accuracy and stability, and can be used to forecast future passenger demand and provide recommendations for more effective capacity planning for PT KAI.]]>
