Prediksi Kapasitas Kargo Pada Bandara Deo Sorong
DOI:
https://doi.org/10.33506/insect.v8i1.1912Abstract
Kota Sorong memiliki letak yang strategis sehingga menjadi pintu keluar masuk dan transit ke Provinsi Papua Barat. Kota Sorong memiliki Bandara Domine Eduard Osok (DEO) yang melayani penerbangan berjadwal domestik dan Penerbangan perintis. Aktiftas pengiriman barang yang akan keluar ataupun menuju kota sorong dan sekitarnya otomatis akan terpusat di Bandara DEO. Untuk memastikan kelancaran aktifitas Kargo di Bandara DEO, pihak bandara harus memastikan kesiapan fasilitas layanan Kargo termasuk mengantisipasi jika kedepannya volume kargo semkin meningkat. Untuk itu diperlukan penelitian mengenai peramalan kapasitas kargo. Hal ini bertujuan untuk menghasilkan suatu sistem prediksi kapasitas kargo di bandara DEO dengan hasil data numerik. Metode ARIMA (Autoregressive Integrated Moving Average ) merupakan salah satu metode prediksi atau peramalan yang dapat menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data secara historis. Metode ini memiliki tingkat kedekatan yang tinggi serta nilai kesalahan yang kecil dikarenakan proses perhitungan secara bertahap. Dengan menggunkan data volume kargo harian pada Bandara DEO tahun 2018, peneliti mencoba melakukan permodelan prediksi meggunakan model ARIMA. Dengan melakukan pengujian uji t ADF serta melakukan visualisasi menggunakan koefisien Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). Untuk melihat performa model menggunakan nilai RSS. Dari hasil penelitian, didapatkan bahwa model yang dibuat dapat melakukan prediksi dengan baik.
References
Menggunakan Metode ARIMA, Regresi Time Series, TBATS,” Justek J. Sains dan Teknol., vol. 2, no. 1, p. 27, 2019, doi: 10.31764/justek.v2i1.3720.
I. Eliza, “Peramalan Jumlah Penumpang Airlines PT. Angkasa Pura II Bandara Sultan Syarif Kasim II Pekanbaru Dengan ARIMA (0, 1, 1)(0, 1, 1) 12,” 2011.
C. W. J. Terasvirta, T., Lin, C. F., dan Granger, “Power of
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Muhammad Surahmanto, Ema Utami, Hanif Al Fatta
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.