Nuantara, I Koman Oka (2024) PREDIKSI WAKTU TUNGGU ANTREAN PADA MAL PELAYANAN PUBLIK DENGAN METODE XGBOOST DAN RANDOM FOREST. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2129101057-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2129101057-ABSTRAK.pdf Download (234kB) |
|
Text (BAB 1 PENDAHULUAN)
2129101057-BAB 1 PENDAHULUAN.pdf Download (266kB) |
|
Text (BAB 2 KAJIAN PUSTAKA)
2129101057-BAB 2 KAJIAN PUSTAKA.pdf Restricted to Repository staff only Download (470kB) | Request a copy |
|
Text (BAB 3 METODOLOGI PENELITIAN)
2129101057-BAB 3 METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (601kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2129101057-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (4MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2129101057-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (237kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2129101057-DAFTAR PUSTAKA.pdf Download (234kB) |
|
Text (LAMPIRAN)
2129101057-LAMPIRAN.pdf Download (2MB) |
Abstract
Penelitian ini bertujuan untuk membangun model prediksi waktu tunggu pada sistem antrean Mal Pelayanan Publik Kabupaten Badung (MPP Badung) menggunakan dua metode Machine Learning, yaitu Extreme Gradient Boosting (XGBoost) dan Random Forest (RF). Data waktu tunggu antrean dari dua loket layanan MPP Badung digunakan untuk membangun model prediksi, yaitu loket BPJS Kesehatan dengan model antrean tunggal server tunggal dan loket Dinas Kesehatan Kabupaten Badung (Dinkes Badung) dengan model antrean tunggal server ganda. Dataset yang dibangun juga akan digabungkan dengan data riwayat cuaca. Dataset yang dikumpulkan selanjutnya akan melalui tahap pre-processing seperti pembersihan, transformasi, integrasi, reduksi dan pembagian data. Dataset antrean akan dibagi menjadi tiga data, yaitu data latih untuk melatih model, data validasi untuk menguji performa model serta menyesuaikan hyperparameter dan data tes untuk menguji model menggunakan data yang belum pernah dilihat sebelumnya. Metode evaluasi yang digunakan pada tahap validasi dan tes menggunakan metrik MAE dan RMSE. Penelitian ini juga mengevaluasi apakah penambahan fitur riwayat antrean sebelumnya atau lagged features dapat meningkatkan akurasi model prediksi. Hasil penelitian menunjukkan bahwa kedua metode, XGBoost dan RF, mampu memprediksi waktu tunggu dengan tingkat akurasi yang tinggi pada saat pengujian, model XGBoost memberikan hasil yang lebih baik dibandingkan dengan RF. Pada dataset BPJS Kesehatan, model XGBoost mendapatkan nilai MAE 2.24 menit dan RMSE 3.17 menit sementara model RF memperoleh nilai MAE 2.61 menit dan RMSE 3.66. Selanjutnya, pada dataset Dinkes Badung model XGBoost memperoleh nilai MAE 4.47 menit dan RMSE 6.40 menit, sementara model RF mendapatkan nilai MAE 4.57 dan RMSE 6.37 menit. Penambahan fitur lagged atau data antrean sebelumnya secara konsisten memperbaiki kinerja model. Peningkatan akurasi model prediksi pada dataset BPJS Kesehatan dengan lagged features pada model XGBoost adalah sebesar 31.5% dan model RF sebesar 23.5%. Peningkatan akurasi model prediksi model Dinkes Badung dengan lagged features dengan XGBoost adalah sebesar 24.32% dan RF sebesar 23.35%. Fitur-fitur penting yang digunakan dalam prediksi waktu tunggu antrean meliputi jumlah sisa antrean, waktu tunggu rata-rata, waktu pembuatan antrian per menit, dan fitur-fitur terkait waktu dan pola antrean.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, XGBoost, Random Forest, Lagged Features, Forcasting |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Komang Oka Nuantara |
| Date Deposited: | 24 Jul 2024 01:31 |
| Last Modified: | 24 Jul 2024 01:31 |
| URI: | http://repo.undiksha.ac.id/id/eprint/20946 |
Actions (login required)
 |
View Item |