<![CDATA[Penelitian ini bertujuan mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost) untuk memprediksi permintaan kalibrasi di PT PAL Indonesia guna mengoptimalkan penjadwalan layanan, mengurangi fluktuasi permintaan, dan meningkatkan efisiensi operasional. Data yang digunakan berupa deret waktu mingguan permintaan kalibrasi dari Januari 2020 hingga Desember 2025 (256 data) yang diperoleh dari departemen kalibrasi PT PAL. Tahapan penelitian meliputi pengumpulan data, preprocessing (pembersihan data, penambahan fitur indeks deret waktu dan fitur lag), serta pemodelan XGBoost dengan optimasi hyperparameter menggunakan GridSearch Cross-Validation (GSCV). Hasil tuning menunjukkan kombinasi hyperparameter terbaik: learning rate 0.1, max depth 3, n_estimators 10. Evaluasi model menggunakan Mean Absolute Percentage Error MAPE) menghasilkan nilai 1.047%, mengindikasikan akurasi prediksi yang sangat baik. Analisis feature importance mengungkapkan bahwa fitur mingguan week) menjadi fitur dominan dalam prediksi. Penelitian ini membuktikan efektivitas XGBoost dalam menangani data temporal terbatas serta memberikan rekomendasi strategis untuk antisipasi lonjakan permintaan, khususnya pada akhir tahun.]]>
Copyrights © 2026
