PPT PROJECT AKHIR Statistika dan Sains Data Mengenai ANN

ANN

1. PREDIKSI PENUMPANG KERETA API TAHUN 2025
MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK
(ANN)
123 Anywhere St., Any City, ST 12345+123-456-7890 www.reallygreatsite.com
K E L O M P O K 3

2. ANGGOTA KELOMPOK
ANESKA DENADAH
( 2217031051)
TITAH AURA MAULIA
( 2217031076)
DESAK MADE A. I
( 2217031060)
Munadiya Alfania J.
( 2217031066)

3. LATAR BELAKANG
Transportasi merupakan bagian vital dalam kehidupan masyarakat modern, terutama di daerah dengan mobilitas tinggi
seperti Pulau Sumatera. Salah satu moda transportasi darat yang tetap menjadi andalan adalah kereta api. Kereta api
dipilih karena kemampuannya dalam menjangkau perjalanan jarak menengah hingga jauh dengan efisien, stabil, dan
aman.
Namun, seiring dengan meningkatnya populasi dan kebutuhan mobilitas masyarakat, PT. KAI menghadapi tantangan
besar dalam mengelola ketidakseimbangan antara permintaan dan ketersediaan tiket kereta, terutama pada saat-saat
dengan volume penumpang tinggi seperti musim liburan dan akhir pekan. Permasalahan seperti kehabisan tiket dan
overcapacity tidak hanya menurunkan kualitas layanan tetapi juga berdampak pada kepuasan pelanggan dan efisiensi
operasional perusahaan. Oleh karena itu, upaya untuk meningkatkan perencanaan jadwal dan kapasitas kereta menjadi
kebutuhan yang sangat mendesak.
Salah satu pendekatan yang saat ini berkembang untuk menjawab permasalahan tersebut adalah pemanfaatan metode
prediksi berbasis kecerdasan buatan, seperti Neural Network Backpropagation. Metode ini dipilih karena mampu
mempelajari pola-pola kompleks dari data historis dan memberikan prediksi yang akurat. Adicahya et al. (2024)
menyatakan bahwa algoritma backpropagation merupakan salah satu teknik dalam machine learning yang populer
karena keunggulannya dalam mengenali pola dan memberikan solusi prediktif di berbagai bidang, termasuk transportasi

4. 1. Mengembangkan sistem prediksi jumlah
penumpang kereta api berbasis web
menggunakan metode Neural Network
Backpropagation.
2. Menguji tingkat akurasi sistem dalam
melakukan prediksi terhadap data historis
jumlah penumpang.
3. Memberikan solusi bagi PT. Kereta Api
Indonesia dalam merencanakan kapasitas dan
jadwal operasional kereta secara lebih efektif.
TUJUAN MANFAAT
1. Sebagai penyedia alat bantu pengambilan
keputusan dalam mengelola jadwal dan
kapasitas kereta secara lebih akurat dan
efisien.
2. Memberikan data yang dapat dijadikan dasar
dalam merumuskan kebijakan transportasi
publik yang lebih efektif dan berkelanjutan.
.

5. DATA
Kelompok 3

6. Serviceable Available Market (SAM)
PENELITIAN TERDAHULU
Beberapa penelitian sebelumnya telah menggunakan metode
Neural Network Backpropagation dalam melakukan prediksi pada
berbagai bidang. Aulidina dkk. (2021) melakukan prediksi jumlah
pengguna kereta api di Pulau Sumatra dan memperoleh akurasi
sebesar 92% dengan arsitektur jaringan 3-3-1. Muhazir (2022)
menggunakan metode yang sama untuk memprediksi jumlah
penumpang kereta api di wilayah Sumatra dan memperoleh tingkat
akurasi sebesar 98%. Saherti dkk. (2022) juga menerapkan algoritma
Backpropagation dalam memprediksi jumlah penumpang kereta
api pada Divisi Regional I dan memperoleh nilai MSE sebesar 0,0051.
Dan lain lain

7. TINJAUAN PUSTAKA
2.1 Artificial Neural Network (ANN)
Artificial Neural Network (ANN) adalah suatu metode komputasi yang meniru cara
kerja otak manusia dalam memproses informasi. ANN terdiri dari sejumlah besar unit
pemroses sederhana (neuron) yang bekerja secara paralel dan saling terhubung. ANN
dapat digunakan untuk mengenali pola dan struktur dalam data, bahkan jika datanya
kompleks dan non-linear. Karena kemampuannya tersebut, ANN banyak digunakan
dalam berbagai bidang, termasuk prediksi jumlah penumpang dalam sistem
transportasi seperti kereta api. Menurut Firdausa (2019), ANN mampu mengatasi
keterbatasan model statistik tradisional dalam menangani data time series yang
mengandung ketidakteraturan

8. TINJAUAN PUSTAKA
2.2 Konsep Dasar ANN
Menurut Ismarani,et al., (2021), konsep dasar ANN berlandaskan pada struktur neuron
biologis. Setiap neuron dalam ANN menerima input, memproses input
tersebut melalui fungsi aktivasi, dan mengirimkan output ke neuron lain dalam jaringan.
ANN terdiri dari tiga jenis lapisan utama, yaitu:
1. Input Layer: lapisan awal yang menerima data masukan.
2. HiddenLayer: tempat proses transformasi dilakukan melalui bobot dan fungsi aktivasi.
3. OutputLayer: menghasilkan hasil akhir dari proses jaringan berupa output atau prediksi
berdasarkan proses di hidden layer.
Proses pembelajaran dilakukan melalui penyesuaian bobot antar neuron berdasarkan
perbedaan antara output prediksi dan nilai aktual (error). Kemampuan ANN dalam
menemukan pola tersembunyi dari data historis menjadikannya alat yang kuat untuk
prediksi.

9. TINJAUAN PUSTAKA
2.3 ARSITEKTUR JARINGAN
Salah satu arsitektur ANN yang paling umum digunakan adalah Feedforward
Neural Network, di mana aliran data bergerak dari input ke output tanpa loop atau
umpan balik. Dalam arsitektur ini, data masuk melalui layer input, diproses di satu
atau lebih layer tersembunyi, dan menghasilkan output. Proses pelatihan jaringan
feedforward dilakukan menggunakan algoritma Backpropagation ( Ekaputri &
Herlina, 2023).
Untuk mengoptimalkan performa jaringan, proses pelatihan dilakukan
menggunakan metode Backpropagation. Backpropagation adalah metode
pembelajaran terarah (supervised learning) yang bekerja dengan menghitung error
pada output dan menyebarkannya kembali ke jaringan untuk mengubah bobot
sinaps. Penyesuaian bobot dilakukan agar error dapat diminimalkan secara iteratif.

10. TINJAUAN PUSTAKA
2.4 Proses Pelatihan Jaringan
MPelatihan jaringan saraf tiruan bertujuan meminimalkan error antara output prediksi dan nilai
target melalui proses inisialisasi bobot, feedforward, perhitungan error, dan backpropagation.
Bobot diinisialisasi secara acak menggunakan metode seperti Xavier atau He Initialization (Glorot
& Bengio, 2010). Data diproses dalam tahap feedforward, lalu error dihitung dengan fungsi seperti
MSE atau MAPE (Haykin, 1999). Backpropagation kemudian digunakan untuk memperbarui bobot
menggunakan algoritma seperti gradient descent. Proses ini diulang dalam beberapa epoch
hingga model mampu memprediksi dengan akurat.
2.5 Fungsi Aktivasi dan Loss Function
Fungsi aktivasi memberi sifat non-linear pada jaringan saraf, memungkinkan pembelajaran pola
kompleks. Sigmoid dan tanh cocok untuk klasifikasi tapi rawan vanishing gradient, sedangkan
ReLU lebih efisien dan umum dipakai di hidden layer. Untuk output numerik, digunakan fungsi
linear. Evaluasi performa model menggunakan fungsi loss seperti MSE dan MAPE, tergantung
jenis data dan tujuan prediksi.

11. TINJAUAN PUSTAKA
2.6 Prediksi
Prediksi adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu
mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu
sebelumnya melalui suatu metode ilmiah (Wanto & Windarto, 2017).Prediksi biasanya tidak
memberikan jawaban secara pasti mengenai kejadian di masa yang akan datang, melainkan
berusaha mencari jawaban sedekat mungkin yang akan terjadi (Kafil, 2019).
2.7 Deret Waktu
Deret waktu adalah sekumpulan data atau informasi yang terkumpul secara berkala atau
dalam interval waktu tertentu (Widiyanto & Mayasari, 2023).Deret waktu dicatat pada interval
waktu yang teratur untuk menghasilkan data yang teratur. Analisis deret waktu digunakan
untuk memahami struktur suatu data serta membuat prediksi berdasarkan data historis.
Data deret waktu memiliki beberapa komponen penting yang perlu diperhatikan, seperti
tren, musiman, serta fluktuasi acak. Komponen-komponen ini penting untuk mendapatkan
prediksi yang akurat.

12. 2.8 NORMALISASI DATA
Normalisasi data merupakan salah satu proses dari pre-processing data. Pada
normalisasi data dilakukan transformasi data ke dalam skala tertentu, biasanya antara
0 dan 1 (Permana & Salisah, 2022). Tujuan dari normalisasi data adalah untuk
mendapatkan data yang akurat, di mana data dapat dilakukan perhitungan tanpa
harus menghasilkan angka yang tinggi.
Dalam model ANN, normalisasi data merupakan salah satu hal yang cukup penting
karena nilai input yang besar dapat menyebabkan error yang tinggi. Sehingga
menghasilkan hasil yang kurang akurat.Berikut merupakan metode Min-Max
Normalization yang digunakan dalam ANN (Permana & Salisah, 2022):
TINJAUAN PUSTAKA

13. TINJAUAN PUSTAKA
2.9 EVALUASI MODEL
Evaluasi model digunakan untuk melihat akurasi pada model yang dihasilkan (Alviola, et al.,
2023). Evaluasi model yang dapat digunakan pada model ANN untuk tahap pelatihan dan
pengujian adalah Mean Squared Error (MSE). MSE merupakan rata-rata selisih kuadrat antara
nilai yang diramalkan dan yang diamati. Rumus untuk menghitung MSE adalah sebagai berikut
(Azmi, et al., 2020):
Selanjutnya, evaluasi model yang dapat digunakan untuk menghitung akurasi hasil prediksi adalah
Mean Absolute Percentage Error (MAPE). MAPE adalah nilai rata-rata perbedaan absolut yang ada di
antara nilai dari prediksi dan nilai realisasi yang disebutkan sebagai hasil persenan dari nilai realisasi.
MAPE digunakan untuk melihat tingkat akurasi atau persentase dari angka prediksi dan angka
realisasi. MAPE dapat dihitung menggunakan persamaan sebagai berikut (Kurniawan & Herwanto,
2022):

14. 2.10 PENUMPANG KERETA API
Kereta api merupakan salah satu transportasi yang memiliki peran penting dalam
mobilitas masyarakat. Informasi mengenai jumlah penumpang kereta api sangat
berguna untuk mengatur operasional dan peningkatan pelayanan yang lebih
baik.Data penumpang kereta api biasanya dikumpulkan dalam bentuk data deret
waktu berdasarkan waktu keberangkatan, stasiun asal dan volume penumpang.
Jumlah penumpang kereta api dapat dipengaruhi oleh berbagai faktor seperti hari
libur, cuaca, musim mudik, serta kebijakan pemerintah (BPS, 2023). Dalam hal ini,
prediksi jumlah penumpang yang akurat sangat dibutuhkan agar kapasitas dan
layanan kereta bisa menyesuaikan dengan kebutuhan masyarakat.
TINJAUAN PUSTAKA

15. METODOLOGI PENELITIAN
Tempat dana Waktu Penelitian
Penelitian ini dilakukan pada semester genap
tahun akademik 2024/2025 bertempat di
Jurusan Matematika, Fakultas Matematika dan
Ilmu Pengetahuan Alam, Universitas Lampung.
Data Penelitian
Data yang digunakan pada penelitian ini
merupakan data sekunder berupa data deret
waktu jumlah penumpang kereta api di Pulau
Sumatera. Data diperoleh dari Badan Pusat
Statistik (BPS). Data ini bersifat kuantitatif yang
mencakup data bulanan pada tahun 2023 –
2024.
Metode Penelitian
a. Pre-processing Data.
1. Normalisasi data menggunakan metode Min-Max Normalization.
2. Pemisahan data menjadi data latih (training data) dan data uji (testing data)
dengan proporsi tertentu.
3. Pemeriksaan stasioneritas untuk mengetahui data memiliki rata-rata dan varians
yang konstan atau tidak.
b. Perancangan Arsitektur Jaringan
1. Menggunakan jaringan Feedforward Neural Network dengan satu atau lebih
hidden layer.
2. Menggunakan fungsi aktivasi ReLU pada hidden layer karena efisien dan
mengurangi masalah vanishing gradient.
3. Menggunakan fungsi aktivasi linier pada output layer karena target prediksi
bersifat kontinu.
c. Pelatihan Jaringan (Training)
1. Model dilatih mengguakan algoritma Backpropagation dengan loss function
berupa Mean Square Error (MSE).
2. Proses pelatihan dilakukan melalui beberapa epoch dan menggunakan Teknik
optimisasi seperti gradient descent untuk memperbarui bobot jaringan.
d. Evaluasi Model
1. Evaluasi model dilakukan menggunakan dua metrik utama:
a) Mean Square Error (MSE) untuk mengukur rata-rata keselahan kuadrat antara
hasil prediksi dan data actual.
b) Mean Absolute Percentage Error (MAPE) untuk mengetahui persentase
kesalahan relatif terhadap nilai aktual.

16. Pre-processing Data
Sebelum melakukan pelatihan model, data
yang digunakan perlu diproses terlebih dahulu
untuk memastikan kualitas dan kesesuaiannya
dengan model yang akan digunakan. Beberapa
tahapan preprocessing yang dilakukan adalah
pembersihan dan normalisasi data
HASIL DAN PEMBAHASAN
Normalisasi data
Berdasarkan output yang dihasilkan, pada baris pertama
terlihat data asli untuk tahun 2023 adalah 582 dan untuk
tahun 2024 adalah 512. Setelah normalisasi dilakukan, nilai
pada tahun 2023 menjadi 0.632850 dan tahun 2024 menjadi
0.391608, yang berarti pada tahun 2023 berjarak sekitar 63%
dari nilai maksimum dalam data, sementara tahun 2024
berjarak sekitar 39% dari nilai maksimum.

17. HASIL DAN PEMBAHASAN
Pembagian Data
Pada tahap ini, data didistribusikan menjadi dua
bagian, yaitu data latih dan data uji. Peneliti
menggunakan dua strategi pembagian data dalam
eksperimen ini. Strategi pertama adalah data
didistribusikan dengan proporsi 70% untuk pelatihan
dan 30% untuk pengujian, sedangkan strategi kedua
menggunakan proporsi 80% untuk pelatihan dan
20% untuk pengujian.
Pemeriksaan Stasioneritas

18. HASIL DAN PEMBAHASAN
Pemeriksaan Stasioneritas Berdasarkan output yang dihasilkan, untuk data tahun
2023: dengan menggunakan uji ADF, data untuk tahun
2023 stasioner, yang berarti data tidak memiliki tren
yang kuat atau musiman yang mempengaruhi pola
data.
Gabungan Data 2023 dan 2024: ketika kedua data
digabungkan, hasil uji menunjukkan bahwa data
gabungan menjadi stasioner, yang berarti gabungan
data tidak memiliki tren yang jelas setelah
mempertimbangkan kedua tahun tersebut.

19. HASIL DAN PEMBAHASAN
Pemodelan ANN
Output yang ditampilkan juga menunjukkan bahwa model ini
memiliki total 91 parameter, yang terdiri dari 30 parameter di
lapisan pertama, 55 parameter di lapisan kedua, dan 6
parameter di lapisan output. Semua 91 parameter ini adalah 20
trainable parameters, artinya semua bobot dan bias dalam
model dapat diperbarui selama proses pelatihan. Selain itu,
model ini tidak memiliki non-trainable parameter, yang berarti
tidak ada parameter yang tetap dan tidak bisa dipelajari.
Evaluasi Model
Nilai MSE yang diperoleh adalah 3116.02. MSE
adalah metrik yang mengukur rata-rata kuadrat
dari kesalahan prediksi antara nilai aktual dan
nilai yang diprediksi oleh model.
Dalam hal ini, MAPE sebesar 7.37%
menunjukkan bahwa rata-rata kesalahan
model dalam memprediksi jumlah penumpang
adalah sekitar 7.37% dari nilai aktual. Secara
umum, MAPE di bawah 10% dianggap cukup
baik dalam banyak konteks aplikasi.

20. HASIL DAN PEMBAHASAN
Prediksi Berdasarkan data tahun 2023 dan 2024 serta hasil prediksi
untuk tahun 2025:
Januari–Mei: Terjadi fluktuasi dan penurunan tajam pada
Januari–Februari di tahun-tahun sebelumnya. Namun,
prediksi 2025 menunjukkan tren peningkatan, dengan
angka cukup tinggi di Januari (513,72) dan Mei (519,27).
Juni–Agustus: Pola sebelumnya menunjukkan puncak di
bulan Juni. Prediksi 2025 juga menunjukkan kenaikan,
terutama di Juni (531,36) dan Juli (509,53), meskipun tidak
melebihi angka Mei.
September–Desember: Setelah penurunan tajam di
September tahun sebelumnya, prediksi 2025 menunjukkan
pemulihan, dengan September (496,70) dan Desember
(522,45), mencerminkan peningkatan pada akhir tahun.

21. Rimberio June 13, 2038
Grafik menunjukkan jumlah penumpang tahun 2023 dan 2024 serta prediksi untuk tahun 2025.
Tahun 2023: Terjadi fluktuasi besar antar bulan, dengan puncak di Mei dan penurunan tajam di Januari.
Tahun 2024: Fluktuasi tetap terjadi, namun lebih moderat, dengan kenaikan di pertengahan tahun dan
penurunan di akhir tahun.
Prediksi 2025: Menunjukkan pola yang lebih stabil, dengan kenaikan ringan di sebagian besar bulan tanpa
fluktuasi tajam seperti dua tahun sebelumnya.

22. KESIMPULAN
Penelitian ini membuktikan bahwa metode Neural Network Backpropagation efektif digunakan untuk
memprediksi jumlah penumpang kereta api di Pulau Sumatera. Melalui tahapan lengkap mulai dari
pengumpulan hingga evaluasi data, model yang dikembangkan mampu menghasilkan prediksi yang
akurat, dengan akurasi tertinggi mencapai 80,33%.
Model diuji dengan dua rasio data pelatihan dan pengujian (70:30 dan 80:20), serta pengaturan
parameter seperti learning rate dan jumlah neuron untuk mengoptimalkan kinerja. Prediksi tahun 2025
menunjukkan tren pertumbuhan penumpang yang moderat, dengan peningkatan di sebagian besar
bulan, meskipun terdapat sedikit penurunan pada bulan Juli dan September.
Fluktuasi musiman tetap ada, namun prediksi untuk 2025 lebih stabil dibandingkan tahun 2023 dan
2024, yang menunjukkan fluktuasi besar di bulan Mei dan Desember. Penelitian ini berpotensi
memberikan kontribusi nyata dalam perencanaan transportasi, membantu perusahaan kereta api
dalam pengambilan keputusan terkait kapasitas dan pelayanan. Ke depan, model ini dapat
dikembangkan lebih lanjut dengan memasukkan variabel eksternal seperti cuaca, harga tiket, dan
kejadian khusus.

23. TERIMA KASIH