Prediksi Waktu Tempuh Bus Trans Metro Bandung dengan Internet Of Things dan Metode Machine Learning
DOI:
https://doi.org/10.34818/eoe.v9i6.19124Abstract
Abstrak Bus Rapid Transit (BRT) diharapkan dapat menekan padatnya lalu lintas Kota Bandung. Namun permasalahan yang dihadapi pihak TMB adalah bus BRT tidak memiliki jalurnya sendiri, yang terjadi adalah bus menggunakan jalur yang sama dengan kendaraan pribadi, jadi penjadwalan waktu kedatangan bus terkadang tidak sesuai estimasi waktu berbeda dari jadwal. Pada tugas akhir ini, peneliti membuat alat menggunakan mikrokomputer raspberry pi untuk tracking data Bus Trans Metro Bandung (TMB) dan Machine Learning (ML) untuk memprediksi waktu durasi pada halte Bus TMB yang dilalui. Algoritma ML akan memprediksi waktu durasi Bus TMB dari halte keberangkatan sampai halte tujuan. Pengambilan dataset dilakukan setiap waktu untuk pembuatan model. Model ML menggunakan Algoritma Random Forest (RF) dan XGBoost untuk menganalisa manakah algoritma yang paling efektif untuk memprediksi waktu durasi Bus TMB. Hasil penelitian ini didapatkan model machine learning regresi yang terbaik untuk memprediksi waktu kedatangan adalah model Random Forest dengan nilai random state 102. Model tersebut mendapatkan nilai tingkat akurasi yang tinggi sebesar 98% dan model mendapatkan nilai eror MAE sebesar 0,95, MSE sebesar 33,63, dan RMSE 5,80 yang cenderung lebih rendah dibandingkan dengan nilai eror dari model lain. Sehingga dapat dikatakan bahwa model Random Forest dengan random state 102 menjadi model yang paling optimal. Kata Kunci: BRT, Raspberry pi, Machine Learning, Random Forest, XGBoost.Downloads
References
[1] DINAS PERHUBUNGAN PEMERINTAH KOTA
BANDUNG TAHUN, “Rencana Strategis
Dinas Perhubungan Kota Bandung 2019 - 2023,”
DINAS PERHUBUNGAN PEMERINTAH KOTA
BANDUNG TAHUN, 2019.
[2] Listifadah and Reni Puspitasari, “EVALUASI KINERJA
TRANS METRO BANDUNG,” Puslitbang Perhubungan
Darat dan Perkeretaapian, pp. 65–77, 2015.
[3] R. H. Rahmadiensyah and T. B. Joewono, “WAKTU
TUNGGU PENUMPANG BUS TRANS METRO
BANDUNG,” 2014.
[4] Hafiizh Nur M. A, Sugondo Hadiyoso, Fefa Bianca
Belladina, Dadan Nur Ramadan, and Inung Wijayanto,
“Tracking, Arrival Time Estimator, and Passenger
Information System on Bus Rapid Transit (BRT),”
Information and Communication Technology (ICoICT),
Aug. 2020.
[5] D. Liu, J. Sun, and S. Wang, “BusTime: Which is the
Right Prediction Model for My Bus Arrival Time?,”
Mar. 2020, [Online]. Available:
http://arxiv.org/abs/2003.10373
[6] M. A. Razzaque and M. R. Karim, “Hancs-On Deep
Learning for ICT Train neural network models to
develop intelligent loſ applications.”
[7] IEEE Electromagnetic Compatibility Society, IEEE
Industry Applications Society, IEEE Power & Energy
Society, Institute of Electrical and Electronics
Engineers, and I. Industrial and Commercial Power
Systems Europe (2nd : 2018 : Palermo, 2018
conference proceedings : 2018 IEEE International
Conference on Environment and Electrical Engineering
and 2018 IEEE Industrial and Commercial Power
Systems Europe (EEEIC.
ISSN : 2355-9365 e-Proceeding of Engineering : Vol.8, No.6 Desember 2022 | Page 3805
[8] W. Wang, G. Chakraborty, and B. Chakraborty,
“Predicting the risk of chronic kidney disease (Ckd)
using machine learning algorithm,” Applied Sciences
(Switzerland), vol. 11, no. 1, pp. 1–17, Jan. 2021, doi:
10.3390/app11010202.
[9]M. Lu and F. Li, “Survey on lie group machine
learning,” Big Data Mining and Analytics, vol. 3,
no. 4. Tsinghua University Press, pp. 235–258,
Dec. 01, 2020. doi:
10.26599/BDMA.2020.9020011.
[10] M. P. Hosseini, A. Hosseini, and K. Ahi, “A
Review on Machine Learning for EEG Signal
Processing in Bioengineering,” IEEE Rev Biomed
Eng, vol. 14, pp. 204–218, 2021, doi:
10.1109/RBME.2020.2969915.
[11] W. Wang, G. Chakraborty, and B. Chakraborty,
“Predicting the risk of chronic kidney disease (Ckd)
using machine learning algorithm,” Applied Sciences
(Switzerland), vol. 11, no. 1, pp. 1–17, Jan. 2021, doi:
10.3390/app11010202.
[12] Y. Jiang, G. Tong, H. Yin, and N. Xiong, “A
Pedestrian Detection Method Based on Genetic
Algorithm for Optimize XGBoost Training Parameters,”
IEEE Access, vol. 7, pp. 118310–118321, 2019, doi:
10.1109/ACCESS.2019.2936454.
[13] N. Khan, F. U. M. Ullah, Afnan, A. Ullah, M. Y. Lee,
and S. W. Baik, “Batteries State of Health Estimation
via Efficient Neural Networks with Multiple Channel
Charging Profiles,” IEEE Access, vol. 9, pp. 7797–7813,
2021, doi: 10.1109/ACCESS.2020.3047732.



