PENERAPAN METODE HOLT-WINTERS DAN EXTREME LEARNING MACHINE DALAM PERAMALAN JUMLAH PENUMPANG BANDARA TJILIK RIWUT

Bandara Tjilik Riwut Palangka Raya memiliki peran penting dalam mendukung mobilitas masyarakat di Kalimantan Tengah, namun jumlah penumpangnya mengalami fluktuasi sehingga diperlukan metode peramalan yang akurat sebagai dasar perencanaan operasional. Penelitian ini bertujuan membandingkan kinerja metode Holt-Winters dan Extreme Learning Machine (ELM) dalam meramalkan jumlah penumpang bulanan Bandara Tjilik Riwut. Data sekunder yang digunakan merupakan jumlah penumpang periode Januari 2019 hingga Desember 2025. Tahapan penelitian meliputi pemeriksaan missing value, deteksi outlier menggunakan Interquartile Range (IQR), optimasi parameter melalui Grid Search, serta evaluasi model menggunakan Walk-Forward Validation. Hasil penelitian menunjukkan bahwa Holt-Winters memberikan performa terbaik dengan nilai MAPE sebesar 6,85%, RMSE sebesar 7.253,56, dan MAE sebesar 4.746,82, lebih baik dibandingkan ELM yang memperoleh MAPE sebesar 10,33%, RMSE sebesar 10.484,23, dan MAE sebesar 7.254,17, serta model pembanding Seasonal Naive dengan MAPE sebesar 11,01%, RMSE sebesar 10.118,31, dan MAE sebesar 7.383,08. Uji Diebold-Mariano menunjukkan perbedaan akurasi yang signifikan antara Holt-Winters dan ELM. Berdasarkan model terbaik, jumlah penumpang tahun 2026 diproyeksikan rata-rata mencapai 70.439 penumpang per bulan atau meningkat sekitar 7,44% dibandingkan tahun 2025. Hasil penelitian menunjukkan bahwa Holt-Winters merupakan metode yang sesuai untuk peramalan jumlah penumpang Bandara Tjilik Riwut.