MODEL PREDIKTIF DAN ANALISIS TREN PENYEWAAN KONTAINER DENGAN MACHINE LEARNING DALAM MENGOPTIMALKAN OPERASIONAL PERUSAHAAN

Desy Ramatika; Leni Marlina; Andysah Putera Utama Siahaan

doi:10.51401/jinteks.v7i2.5877

Authors

Desy Ramatika Universitas Pembangunan Panca Budi
Leni Marlina Universitas Pembangunan Panca Budi
Andysah Putera Utama Siahaan Universitas Pembangunan Panca Budi

DOI:

https://doi.org/10.51401/jinteks.v7i2.5877

Keywords:

KNN, Prediksi, Model Prediktif, Tren Penyewaan, Akurasi Model

Abstract

Penelitian ini bertujuan mengembangkan model prediktif berbasis K-Nearest Neighbor (KNN) untuk memprediksi tren penyewaan kontainer pada tahun 2023 serta menganalisis faktor-faktor yang memengaruhinya. Data yang digunakan mencakup transaksi penyewaan dari kuartal I hingga IV tahun 2023. Evaluasi akurasi model dilakukan menggunakan metrik MAE, MSE, RMSE, dan R². Hasil prediksi total transaksi menunjukkan performa baik dengan MAE 15.247.442,46, RMSE 47.566.997,44, dan R² sebesar 0,9663. Namun, pada prediksi bulanan dan harian, akurasi menurun signifikan (R² masing-masing -0,2190 dan -1,9959), menandakan kelemahan dalam memprediksi data berskala lebih kecil. Analisis tren menunjukkan fluktuasi musiman: kuartal I mengalami peningkatan stabil, kuartal II mengalami penurunan jumlah sewa meskipun durasi meningkat, kuartal III mengalami penurunan signifikan, dan kuartal IV menunjukkan pemulihan, terutama pada bulan Desember. Berdasarkan temuan ini, disarankan agar perusahaan menambah armada menjelang kuartal IV dan memberikan promo di kuartal III. Hasil riset ini menyediakan model prediktif berbasis data yang dapat digunakan sebagai dasar pengambilan keputusan strategis untuk optimalisasi operasional perusahaan penyewaan kontainer.

References

E. Tairas and A. Jamaan, “Faktor-Faktor Yang Mempengaruhi Bongkar Muat Peti Kemas: Container Yard, Lapangan Penumpukan Dan Pola Operasi,” Journal of Engineering and Transportation (JET), vol. 2, no. 1, 2024.

D. Humaira Ninvika et al., “Dampak Perubahan Teknologi Sistem Logistik di Pelabuhan,” Jurnal Ilmiah Wahana Pendidikan, Juli, vol. 2023, no. 14, pp. 273–289, 2023, doi: 10.5281/zenodo.8173446.

M. A. Widyanto, P. Suwarno, and B. A. Yulianto, “STRATEGI REVITALISASI RANTAI PASOK MARITIM INDONESIA DI ERA PANDEMI COVID-19,” Jurnal Education and development Institut Pendidikan Tapanuli Selatan, vol. 10, no. 2, pp. 99–108, 2022.

D. Humaira Ninvika, Y. Junitasari, I. Apsari, A. Nurfitriani, E. Aulia, and S. Sahara, “Dampak Perubahan Teknologi Sistem Logistik di Pelabuhan,” Jurnal Ilmiah Wahana Pendidikan, Juli, vol. 2023, no. 14, pp. 273–289, 2023, doi: 10.5281/zenodo.8173446.

M. A. Widyanto, P. Suwarno, and B. A. Yulianto, “STRATEGI REVITALISASI RANTAI PASOK MARITIM INDONESIA DI ERA PANDEMI COVID-19,” Jurnal Education and development Institut Pendidikan Tapanuli Selatan, vol. 10, no. 2, pp. 99–108, 2022.

M. Fikry, M. Ridwan, D. Dyah Anggraini, A. R. Aksan, and I. Dwijayanti, “Klasterisasi Segmentasi Pola Penyewaan Lapangan Mini Soccer di Yogyakarta Menggunakan Algoritma K-Means,” Bisnis dan Manajemen, vol. 23, no. 1, pp. 18–27, 2025.

N. Susi, S. Sugiana, and B. Musty, “Analisis Data Sistem Informasi Monitoring Marketing; Tools Pengambilan Keputusan Strategic,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, p. 696, 2023.

D. Mubarok et al., “BIG DATA ANALYTICS DAN MACHINE LEARNING UNTUK MEMPREDIKSI PERILAKU KONSUMEN DI E-COMMERCE,” JIRE (Jurnal Informatika & Rekayasa Elektronika), vol. 8, no. 1, 2025, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900

Y. Novita and R. Zahra, “Penerapan Artificial Intelligence (AI) untuk Meningkatkan Efisiensi Operasional di Perusahaan Manufaktur: Studi Kasus PT. XYZ,” Jurnal Manajemen dan Teknologi (JMT), vol. 1, no. 1, 2024, doi: 10.35870/jmt.vxix.773.

A. Wafda, “Integrasi Machine Learning dalam Ritel: Tinjauan Komprehensif tentang Prediksi Harga, Analisis Data Pelanggan, dan Pemanfaatan Media Sosial,” Artificial: Jurnal Informatika dan Sistem Informasi, vol. 2, no. 2, 2024, doi: 10.54065/artificial.2.2.2024.543.

P. Dwima Ernis and P. Pirdaus, “Dampak Teknologi Artificial Intelligence Pada Profesi Akuntansi,” EKOMA?: Jurnal Ekonomi, vol. 2, no. 1, 2022.

L. Nur Halimah, S. Riyadi, A. Fatahillah Jurjani, A. Prayogi, and S. Dwi Laksana, “IMPLEMENTASI PENGGUNAAN MACHINE LEARNING DALAM PEMBELAJARAN: SUATU TELAAH DESKRIPTIF,” Journal Penelitian Pendidikan, vol. 1, no. 1, 2025.

J. D. Kelleher, B. M. Namee, and A. D’Arcy, Fundamentals of Machine Learning for Predictive Data Analytics. MIT Press, 2020.

M. H. Che Hassan and L. H. Osman, “Machine Learning in Logistic: Scoping Review,” International Journal of Academic Research in Business and Social Sciences, vol. 15, no. 2, Feb. 2025, doi: 10.6007/IJARBSS/v15-i2/24645.

M. Devanda, H. Kusuma, and S. Hidayat, “Penerapan Model Regresi Linier dalam Prediksi Harga Mobil Bekas di India dan Visualisasi dengan Menggunakan Power BI,” Jurnal Indonesia?: Manajemen Informatika dan Komunikasi (JIMIK), vol. 5, no. 2, 2024, [Online]. Available: https://journal.stmiki.ac.id

M. Muharrom, “Bulletin of Information Technology (BIT) Analisis Komparasi Algoritma Data Mining Naive Bayes, K-Nearest Neighbors dan Regresi Linier Dalam Prediksi Harga Emas,” Bulletin of Information Technology (BIT), vol. 4, no. 4, pp. 430–438, 2023, doi: 10.47065/bit.v3i1.

M. A. Khan, “From Auto ML to Stacking Ensembles Advancing EEG Cognitive State Prediction Techniques,” Curr Trends Biomed Eng Biosci, vol. 23, no. 1, pp. 1–6, Jul. 2024, doi: 10.19080/CTBEB.2024.23.556103.

K. Hamidah and A. Voutama, “Analisis Faktor Tingkat Kebahagiaan Negara Menggunakan Data World Happiness Report dengan Metode Regresi Linier,” Explore IT, vol. 15, no. 1, pp. 1–7, 2023, doi: 10.35891/explorit.

M. R. N. Majiid and K. E. Setiawan, “Predictive Modeling of Jakarta’s Social Cohesion: GBDT Leads Comparative Analysis,” Engineering, MAthematics and Computer Science Journal (EMACS), vol. 5, no. 3, pp. 169–174, Sep. 2023, doi: 10.21512/emacsjournal.v5i3.10602.

R. Hidayat et al., “Implementasi Algoritma Random Forest Regression Untuk Memprediksi Penjualan Produksi di Supermarket,” SIMKOM, vol. 10, no. 1, pp. 101–109, Jan. 2025, doi: 10.51717/simkom.v10i1.703.

A. Saputra and R. Yusuf, “Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, pp. 1346–1361, Jul. 2024, doi: 10.57152/malcom.v4i4.1516.