Analisis Perbandingan XGBoost, Random Forest, dan LSTM untuk Prediksi Jumlah Penumpang Bus

Abstract

Peningkatan kebutuhan transportasi publik di kawasan urban mendorong perlunya sistem prediksi jumlah penumpang yang akurat guna mendukung pengambilan keputusan dalam pengelolaan armada bus. Penelitian ini membandingkan tiga algoritma machine learning, yaitu XGBoost, Random Forest, dan Long Short-Term Memory (LSTM), dalam memprediksi jumlah penumpang bus bulanan berdasarkan dataset Los Angeles County Metropolitan Transportation Authority (LACMTA) periode 2009–2024. Pendekatan yang digunakan adalah time-series regression dengan teknik rekayasa fitur seperti lag features dan moving averages. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, dan R² Score. Hasil penelitian menunjukkan bahwa XGBoost merupakan algoritma dengan performa terbaik dengan R² sebesar 0.9936 dan RMSE terendah sebesar 352.78, diikuti oleh Random Forest. Sementara itu, LSTM serta model statistik seperti Exponential Smoothing dan Auto-SARIMA menunjukkan performa yang buruk dan prediksi yang tidak stabil. Penelitian ini menegaskan bahwa model tree-based lebih unggul dalam menangani data deret waktu agregat bulanan dengan karakteristik ketimpangan dan fluktuasi yang tinggi.