View/Open

Author

Advisor

Koleksi
Teknik Informatika

Publisher

Dwell time adalah waktu yang dihabiskan oleh sebuah Container di pelabuhan sebelum dipindahkan ke tujuan berikutnya, dimulai dari Container meninggalkan di pelabuhan hingga saat Container tiba kembali ke pelabuhan. Dwell time Container yang berkepanjangan dapat meningkatkan biaya denda dan menurunkan efisiensi operasional logistik. Penelitian ini bertujuan membandingkan performa dua metode machine learning, yaitu Random Forest Regression (RFR) dan Gradient Boosted Trees (GBT), dalam memprediksi Dwell time Container di Pelabuhan Buatan milik perusahaan APRIL. Dataset yang digunakan berisi data operasional Container selama periode April hingga Desember 2024, dengan proses data preparation meliputi pembersihan data, transformasi fitur, normalisasi, dan pembentukan fitur lag. Kedua model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan R-squared (R²). Hasil evaluasi menunjukkan bahwa model GBT memberikan performa lebih baik dibandingkan RFR pada metrik MAE (0,26 vs 0,43) dan MAPE (0,95% vs 1,66%), serta memiliki akurasi tinggi dengan nilai R² sebesar 1,00. Sementara itu, RFR unggul pada metrik RMSE yang lebih rendah (1,57 vs 1,64), menunjukkan kestabilan terhadap data yang ekstrem. Maka dapat disimpulkan, GBT lebih efektif digunakan untuk prediksi Dwell time Container karena mampu memberikan prediksi lebih akurat secara rata-rata, sedangkan RFR lebih tahan terhadap data yang outlier. Penelitian ini memberikan manfaat langsung dalam meningkatkan pengelolaan logistik pelabuhan serta membantu meminimalkan potensi biaya denda yang timbul akibat keterlambatan pengembalian Container.

URI
https://repo.itera.ac.id/depan/submission/SB2507160020

Keyword