Peramalan Aktivitas Penerbangan Domestik menggunakan Metode MLP dan XGBOOST (Studi Kasus : Penerbangan Domestik di Indonesia Tanggal 1 Januari 2020 – 31 Desember 2022)

Abstract

Dalam industri penerbangan, aktivitas penerbangan menjadi komponen krusial yang memengaruhi efisiensi dan pelayanan bandara. Sebagai urat nadi ekonomi dan mobilitas masyarakat, perencanaan dan peramalan aktivitas penerbangan menjadi langkah penting untuk memastikan pelayanan yang optimal. Pandemi COVID-19 yang melanda dunia telah memunculkan ketidakpastian yang signifikan dalam peramalan penerbangan, membuat perhatian terhadap isu ini semakin relevan. Penelitian ini berfokus pada peramalan jumlah aktivitas penerbangan di Indonesia dalam dua periode berbeda: selama dan pascapandemi COVID-19. Dengan membagi periode waktu ini, penelitian bertujuan untuk mengidentifikasi metode peramalan yang paling sesuai dalam menghadapi situasi ketidakpastian yang berbeda. Metode peramalan yang digunakan meliputi Multilayer Perceptrons (MLP) dan eXtreme Gradient Boosting (XGBoost). Hasil penelitian menunjukkan bahwa selama pandemi, aktivitas penerbangan bersifat fluktuatif, dengan MLP cenderung menghasilkan peramalan yang kurang akurat dibandingkan dengan XGBoost. Namun, pada periode pascapandemi ketika kondisi lebih stabil, kedua metode mengalami peningkatan performa, dengan MLP mampu menghasilkan peramalan yang baik dan XGBoost menunjukkan performa yang sangat baik. Kesimpulannya, XGBoost merupakan pilihan yang lebih andal untuk peramalan aktivitas penerbangan di Indonesia, terutama dalam menghadapi situasi ketidakpastian seperti pandemi. Penelitian selanjutnya dapat mengeksplorasi metode peramalan lainnya selain MLP dan XGBoost untuk memahami pola data dengan lebih baik, mempertimbangkan integrasi data eksternal untuk meningkatkan akurasi peramalan aktivitas penerbangan domestik, atau fokus terhadap optimasi parameter model MLP dan XGBoost untuk meningkatkan kinerja dan stabilitas peramalan.