• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

SKRIPSI DIGITAL

Penerapan Data Mining Forecasting untuk Peramalan Jumlah Penumpang Kereta Api pada Angkutan Lebaran 2026 (Studi Kasus Stasiun Semarang Tawang dan Stasiun Semarang Poncol) = APPLICATION OF DATA MINING FORECASTING FOR PREDICTING THE NUMBER OF TRAIN PASSENGERS DURING THE 2026 EID AL-FITR TRANSPORTATION PERIOD (Case Study of Semarang Tawang and Semarang Poncol Stations)

SUNU WIDHI NUGROHO - Nama Orang; Agus Suwondo - Nama Orang; MARDINAWATI - Nama Orang;

Sunu Widhi Nugroho, “PENERAPAN DATA MINING FORECASTING UNTUK PERAMALAN JUMLAH PENUMPANG KERETA API PADA ANGKUTAN LEBARAN 2026 (Studi Kasus Stasiun Semarang Tawang dan Stasiun Semarang Poncol)”, Skripsi Jurusan Akuntansi Politeknik Negeri Semarang, di bawah bimbingan Agus Suwondo, S.Kom., M.Kom. dan Dra. Mardinawati, M.M., 2025, 79 halaman.

PT Kereta Api Indonesia (Persero) Daop IV Semarang menghadapi tantangan dalam mengelola lonjakan penumpang yang masif selama periode Angkutan Lebaran, yang berdampak pada alokasi sumber daya yang belum optimal karena data historis belum dimanfaatkan secara maksimal. Penelitian ini bertujuan untuk menerapkan data mining forecasting guna meramalkan jumlah penumpang di Stasiun Semarang Tawang dan Semarang Poncol pada Angkutan Lebaran 2026, serta membandingkan kinerja tiga algoritma machine learning untuk menemukan model terbaik. Metode penelitian menggunakan kerangka kerja CRISP-DM dengan mengolah data historis jumlah penumpang Angkutan Lebaran tahun 2024 dan 2025. Tiga algoritma yang dibandingkan adalah K-Nearest Neighbor (k-NN), Random Forest, dan Decision Tree, yang diimplementasikan menggunakan perangkat lunak RapidMiner. Akurasi model dievaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa algoritma Random Forest dengan komposisi data 70% latih dan 30% uji memberikan kinerja terbaik, menghasilkan tingkat akurasi yang tergolong "Baik" dengan nilai MAPE sebesar 16,89%. Hasil peramalan ini dapat menjadi acuan berbasis data yang akurat bagi manajemen PT KAI untuk menyusun strategi operasional yang lebih efisien.

Kata Kunci: Data Mining, Forecasting, Random Forest, K-Nearest Neighbor, Decision Tree, Jumlah Penumpang Kereta Api, MAPE.


Fulltext
  • Harap masuk untuk melihat lampiran
Informasi Detail
Judul Seri
-
No. Panggil
KA 007 2025
Penerbit
Semarang : Politeknik Negeri Semarang., 2025
Deskripsi Fisik
xv, 79 hal. : illus. ; 30 cm.
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
MAPE
FORECASTING
data mining
random forest
k-nearest neighbor
decision tree
jumlah penumpang kereta api
Info Detail Spesifik
-
Pernyataan Tanggungjawab
SUNU WIDHI NUGROHO
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Pengunjung Web

Hari ini : Minggu ini : Bulan ini : Total :

© 2025 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?