<![CDATA[Peramalan permintaan tiket harian berperan penting dalam mendukung efisiensi operasional dan peningkatan kualitas layanan transportasi, termasuk pada kereta api. Penelitian ini membangun model peramalan permintaan tiket Kereta Api 1 Argo Bromo Anggrek dengan teknik machine learning yang menggabungkan pendekatan hibrida metode dekomposisi deret waktu dan algoritma Long Short-Term Memory (LSTM). Metode dekomposisi deret waktu memisahkan data menjadi komponen trend, seasonal, dan residual yang dianalisis secara terpisah guna memahami pola permintaan secara lebih mendalam. Hasil menunjukkan bahwa komponen trend memiliki korelasi kuat terhadap permintaan dan berperan penting dalam model peramalan. Model LSTM yang dikembangkan menunjukkan performa baik dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 7,53% pada data uji. Model yang dihasilkan dapat dimanfaatkan untuk mendukung perencanaan operasional PT Kereta Api Indonesia (PT KAI). Pengembangan selanjutnya disarankan untuk mempertimbangkan variabel eksternal seperti hari libur, cuaca, dan kebijakan harga, serta diarahkan untuk mendukung sistem manajemen tarif dinamis (dynamic pricing) guna mengoptimalkan pendapatan dan efisiensi layanan.]]>
Copyrights © 2025
