View/Open

Author
SOFYAN, FAUZI DZAKI ARIF

Date Published
02 Jul 2026

Advisor
M. Syamsuddin Wisnubroto, S.Si., M.Si.,
Rian Kurnia, M.Si.,

Subject
Sains Data

Publisher

Prediksi Working Time (waktu kerja bongkar muat) merupakan aspek penting dalam optimalisasi operasional pelabuhan. Penelitian ini membandingkan dua metode machine learning, yaitu Random Forest dan Artificial Neural Network (ANN), dalam memprediksi Working Time di PT Krakatau Bandar Samudera. Dataset yang digunakan terdiri atas 299 observasi dengan lima variabel, yaitu Tonnage, Cargo, Disch Rate Without Weather, Luas, dan Working Time. Tahapan preprocessing meliputi pembersihan data, deteksi outlier menggunakan metode IQR, one-hot encoding, serta normalisasi min-max. Optimasi hyperparameter dilakukan menggunakan Grid Search dengan validasi silang K-Fold 5-fold. Hasil evaluasi pada data testing menunjukkan bahwa model Random Forest lebih unggul pada seluruh metrik evaluasi dengan RMSE sebesar 0,6367 hari, MAE sebesar 0,4353 hari, R2 sebesar 0,7158, dan MAPE sebesar 21,25%, sedangkan model ANN menghasilkan RMSE sebesar 0,7205 hari, MAE sebesar 0,6295 hari, R2 sebesar 0,6361, dan MAPE sebesar 37,78%. Model Random Forest dipilih sebagai model terbaik karena mampu menjelaskan 71,58% variasi data dengan tingkat kesalahan prediksi yang lebih rendah

URI
https://repo.itera.ac.id/depan/submission/SB2607020025

Keyword
Working Time Random Forest Artificial Neural Network Grid Search Prediksi