<![CDATA[Peramalan volume pengunjung harian yang akurat merupakan kunci untuk penjadwalan petugas yang andal, antrean yang singkat, dan pengalaman warga yang lebih baik pada layanan publik. Penelitian ini mengajukan pendekatan praktis dan mudah direplikasi yang hanya memanfaatkan sinyal kalender untuk meramalkan kedatangan harian menggunakan Random Forest. Dataset harian unit pelayanan publik tahun 2021 hingga 2022 berisi 730 observasi dan dibagi secara kronologis menjadi 80 persen pelatihan dan 20 persen pengujian agar menyerupai penerapan nyata serta menghindari kebocoran informasi. Prediktor mencakup hari, bulan, hari dalam minggu, indikator akhir pekan, minggu dalam bulan, serta penanda awal dan akhir bulan. Model menggunakan 200 pohon dengan max_depth = 8. Kinerja dievaluasi menggunakan MAE, MAPE, RMSE, dan R² serta dibandingkan dengan dua baseline yang kuat, yaitu naive lag-1 dan rata-rata hari dalam minggu. Pada data uji, model mencapai R² = 0.873, RMSE = 16.328, MAE = 13.103, dan MAPE sekitar 5,00 persen, melampaui kedua baseline. Secara kuantitatif, model ini menurunkan kesalahan prediksi (MAPE) masing-masing sekitar 64% dan 67% dibandingkan baseline naïve lag-1 dan rata-rata hari dalam minggu, menegaskan keunggulan empirisnya. Analisis feature importance menempatkan hari dalam minggu dan akhir pekan sebagai variabel paling berpengaruh dan sejalan dengan intuisi operasional. Temuan ini menunjukkan bahwa peramalan berbiaya rendah dan hemat data mampu memberikan akurasi yang siap pakai untuk penjadwalan, pemantauan risiko antrean, dan alokasi kapasitas, serta mudah ditingkatkan dengan konteks tambahan seperti hari libur dan cuaca.]]>
Copyrights © 2025
