Prediksi Pendapatan Kargo Menggunakan Arsitektur Long Short Term Memory

Abstract

Angkutan kargo udara Indonesia saat ini mengalami perkembangan yang cukup signifikan. Salah satu layanan kargo yang terdapat di Indonesia yaitu Garuda Indonesia Cargo dan memiliki beberapa kantor cabang. Adanya suatu model perkiraan pendapatan diharapkan dapat memberikan wawasan pada suatu kantor cabang. Penelitian ini mengajukan sebuah prediksi pendapatan menggunakan algoritma Deep Learning yaitu Long Short Term Memory (LSTM). LSTM digunakan karena data yang akan diolah adalah data time series. Hasil akurasi pengujian diukur menggunakan Root Mean Squared Error (RMSE). Data pada penelitian ini adalah pendapatan dari salah satu kantor cabang yaitu Cargo Service Center (CSC) Tangerang City. Data berisi kumpulan-kumpulan transaksi pengiriman barang tiap hari. Data melewati 4 proses preprocessing yaitu subtotal, deteksi outlier, difference dan scaling. Hasil penelitian ini menunjukan hasil prediksi terbaik yaitu pada komposisi data train 90% dan data test 10% dengan nilai RMSE sebesar data train 641375.70 dan data test 594197.70.