Perbandingan Metode Adaboost dan Xgboost untuk Prediksi Bongkar Muat Kontainer Studi Kasus: PT. Ganendra Catra Sakti
Satria, Rangga Maulana (2026) Perbandingan Metode Adaboost dan Xgboost untuk Prediksi Bongkar Muat Kontainer Studi Kasus: PT. Ganendra Catra Sakti. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_H1101221037.pdf - Published Version Download (1MB) |
|
|
PDF (H1101221037_SATRIA_RANGGA_MAULANA)
H1101221037_SATRIA_RANGGA_MAULANA.pdf - Accepted Version Restricted to Repository staff only Download (11MB) |
Abstract
PT. Ganendra Catra Sakti merupakan perusahaan logistik bongkar muat kontainer di Pelabuhan Pontianak yang menghadapi permasalahan penumpukan kontainer sehingga berdampak pada kelancaran operasional dan efektivitas perencanaan. Penelitian ini bertujuan membandingkan kinerja metode Adaptive Boosting (AdaBoost) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi jumlah kontainer bongkar dan muat, serta membandingkannya dengan model baseline Autoregressive Integrated Moving Average (ARIMA). Data yang digunakan berupa data irregular time series aktivitas bongkar muat kontainer periode Januari 2020 hingga Desember 2025 yang diagregasikan secara mingguan. Tahapan penelitian meliputi data understanding, data preprocessing, pembentukan fitur lag berdasarkan analisis ACF dan PACF, serta pembagian data menggunakan chronological split dengan skenario 80:20. Validasi model dilakukan menggunakan walk-forward validation untuk mempertahankan urutan waktu dan mensimulasikan kondisi prediksi pada data aktual. Evaluasi dilakukan melalui multi-step forecasting pada horizon prediksi h=4, h=8, dan h=12 untuk mengukur kemampuan model dalam memprediksi jangka pendek hingga menengah menggunakan metrik RMSE, MAE, SMAPE, dan MASE. Hasil penelitian menunjukkan bahwa pendekatan ensemble learning berbasis boosting mampu mengikuti pola data aktual dan menangkap tren utama pada data historis. Pada data bongkar, XGBoost menghasilkan performa yang lebih baik dibandingkan AdaBoost, namun belum mampu melampaui model baseline ARIMA yang memperoleh nilai error terendah pada seluruh horizon prediksi. Sementara itu, pada data muat, AdaBoost menunjukkan performa yang lebih baik dibandingkan XGBoost dan mampu menghasilkan nilai MAE dan MASE yang lebih rendah dibandingkan ARIMA pada beberapa horizon prediksi.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Sistem Informasi S1 | ||||||
| SWORD Depositor: | Rudiarti Rudiarti | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 02 Nov 2026 13:49 | ||||||
| Last Modified: | 02 Nov 2026 13:49 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/10110 |
Actions (login required)
![]() |
View Item |
