Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Hubungan antara jumlah bus dan jumlah penumpang merupakan aspek penting dalam analisis transportasi perkotaan. Namun, pola distribusi dan kelompok data yang terbentuk sering kali tidak merata, sehingga menyebabkan ketidakseimbangan dalam hubungan tersebut. Penelitian ini bertujuan untuk mengidentifikasi pola distribusi dan mengelompokkan data jumlah bus dan penumpang menggunakan pendekatan unsupervised learning. Metode yang diuji coba terdiri dari empat model yaitu K-Means, Fuzzy C-Means (FCM), Gaussian Mixture Model (GMM), dan Spectral Clustering. Keempat model tersebut dibandingkan untuk mengukur seberapa baik model dapat mengelompokkan data dan mengungkap hubungan antara jumlah bus dan jumlah penumpang. Keempat model akan dievaluasi menggunakan Calinski-Harabasz Index, Silhouette Score, dan Davies-Bouldin Index untuk menemukan klaster optimal. Berdasarkan uji coba keempat model clustering menggunakan ketiga matriks evaluasi, semua model menunjukkan klaster optimalnya adalah 2 namun model K-Means memberikan kinerja terbaik dalam mengelompokkan data karena model K-Means memiliki nilai terbaik untuk setiap metrik evaluasi tersebut. Skor model K-Means pada Silhouette Score sebesar 0.5175, nilai model K-Means pada Davies-Bouldin Index sebesar 0.7241, dan skor untuk K-Means terhadap Calinski-Harabasz Index sebesar 1414.3874. Klaster 1 merepresentasikan jumlah bus dan jumlah penumpang yang tinggi sedangkan Klaster 2 merepresentasikan jumlah penumpang dan jumlah bus yang rendah. Sehingga hasil dari penelitian ini dapat menjadi acuan bagi pemerintah kota Jakarta dalam melakukan redistribusi bus dari wilayah dengan kebutuhan rendah ke wilayah dengan permintaan tinggi untuk efisiensi operasional.

Conclusion

Berdasarkan hasil analisis visualisasi sebaran data dan tabel-tabel evaluasi, dapat disimpulkan bahwa pemodelan klaster terhadap data jumlah penumpang dan jumlah bus selama tahun 2017–2019 menghasilkan dua kelompok utama dengan karakteristik yang sangat berbeda.Klaster 1 merepresentasikan wilayah atau waktu dengan intensitas penggunaan layanan tinggi (jumlah penumpang dan rasio penumpang/bus yang tinggi), sementara Klaster 2 menggambarkan layanan dengan permintaan lebih rendah dan distribusi data yang lebih menyebar.Perbedaan ini muncul sebagai hasil dari distribusi alami data yang menunjukkan adanya segmentasi dalam kebutuhan transportasi sekolah, kemungkinan dipengaruhi oleh ukuran sekolah, waktu operasional, atau lokasi geografis.Hasil ini sejalan dengan teori segmentasi dalam analisis data spasial dan transportasi, di mana kelompok padat dan kelompok sebar dapat muncul secara signifikan dalam sistem layanan publik.

Future Research

Berdasarkan temuan penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi untuk memperdalam pemahaman tentang hubungan antara jumlah bus dan penumpang. Pertama, penelitian selanjutnya dapat mengintegrasikan data spasial, seperti lokasi sekolah dan kepadatan penduduk, untuk mengidentifikasi pola geografis penggunaan bus dan mengoptimalkan rute. Kedua, analisis temporal yang lebih mendalam, dengan mempertimbangkan variasi harian dan mingguan, dapat membantu dalam memprediksi permintaan bus dan menyesuaikan jadwal operasional secara dinamis. Ketiga, penelitian dapat mengembangkan model prediktif yang menggabungkan data historis dengan faktor eksternal, seperti kondisi lalu lintas dan cuaca, untuk meningkatkan akurasi dalam memprediksi jumlah penumpang dan mengoptimalkan alokasi sumber daya transportasi.

References

1. Determining the Optimal Number of Clusters using Silhouette Score as a Data Mining Technique | International... doi.org/10.3991/ijoe.v19i04.37059Determining the Optimal Number of Clusters using Silhouette Score as a Data Mining Technique International doi 10 3991 ijoe v19i04 37059
2. Radware Bot Manager Captcha. radware manager captcha apologize ensure keep safe please confirm human... iopscience.iop.org/article/10.1088/1757-899X/725/1/012128Radware Bot Manager Captcha radware manager captcha apologize ensure keep safe please confirm human iopscience iop article 10 1088 1757 899X 725 1 012128

Metadata

File size	341.04 KB
Pages	8
DMCA	Report