PENERAPAN ALGORITMA K-MEANS UNTUK KLASTERISASI JUMLAH PENUMPANG ANGKUTAN UMUM DI JAKARTA

Arief Rahman Ramadhan, Anita Diana

Abstract


Tingginya mobilitas masyarakat di Jakarta menuntut pengelolaan transportasi umum yang efektif, namun seringkali terjadi penumpukan penumpang pada hari-hari sibuk. Masalah ini disebabkan oleh belum adanya sistem segmentasi data yang mampu memetakan pola jumlah penumpang secara spesifik berdasarkan hari dan jenis moda. Akibatnya, perencanaan operasional seperti alokasi armada dan jadwal layanan menjadi tidak responsif terhadap kebutuhan riil di lapangan. Penelitian ini bertujuan menerapkan metode data mining dengan algoritma K-Means Clustering untuk mengelompokkan data jumlah penumpang harian dari berbagai moda transportasi di Jakarta meliputi Transjakarta, Kereta Rel Listrik (KRL), Mass Rapid Trasit (MRT), Light Rail Transit (LRT), dan Kereta Commuter Indonesia (KCI) Bandara. Penelitian ini menggunakan data sekunder periode 1 Januari 2024 hingga 31 Januari 2025 dari portal satudata.jakarta.go.id, dengan total 2.779 baris data. Analisis dilakukan mengikuti metodologi CRISP-DM, yang mencakup tahap persiapan data seperti normalisasi Min-Max, hingga evaluasi model menggunakan Elbow Method dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa algoritma K-Means secara optimal membentuk 5 klaster dengan nilai DBI terendah sebesar 0.794. Setiap klaster menunjukkan karakteristik yaitu, Klaster 0 penumpang sangat tinggi, dominan Transjakarta pada hari Rabu, Klaster 1 penumpang sangat rendah, dominan Kereta Commuter Indonesia (KCI) Bandara pada hari Selasa, Klaster 2 penumpang tinggi, dominan KRL pada hari Rabu, Klaster 3 penumpang menengah, dominan MRT pada hari Senin, dan Klaster 4 penumpang menengah, dominan LRT pada hari Kamis. Penelitian ini menghasilkan rekomendasi kepada Dinas Perhubungan dan pengelola transportasi umum DKI Jakarta untuk pengambilan keputusan operasional berbasis pola jumlah penumpang harian.


Full Text:

PDF

References


Dinata, R. K., Safwandi, S., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means Clustering pada Data Sepeda Motor. INFORMAL: Informatics Journal, 5(1), 10. https://doi.org/10.19184/isj.v5i1.17071

Erni, D., Putri, P. Y., & Yulia, S. (2019). Klustering Jumlah Penumpang pada Halte Bus Rapid Transit Kota Tangerang. In Jurnal Sistem Cerdas (Vol. 02, Issue 03).

Ibrahim, I., & Usino, W. (2024). KLASTERISASI TINGKAT KELAYAKAN PROVINSI DALAM PEMBANGUNAN KAWASAN INDUSTRI MENGGUNAKAN ALGORITMA K-MEANS. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 3(2), 324–333.

Jurnal, H., Ubaidillah, ruf, & Fatah, Z. (2024). JURNAL ILMIAH MULTIDISIPLIN ILMU IMPLEMENTASI RAPIDMINER PADA KLASTERISASI GEMPA BUMI DI INDONESIA BERDASARKAN KEDALAMAN MENGGUNAKAN K-MEANS. JURNAL ILMIAH MULTIDISIPLIN ILMU, 6, 84–91. https://doi.org/10.69714/w0m9zv32

Permadi, A., & Wiyaja, Y. A. (2023). Pengelompokan Terbaik Menggunakan Algoritma K-Means Pada Dataset Bus Biskita Bogor. INTERNAL (Information System Journal), 6(1), 88–100.

Ridwan Nazar. (2024). IMPLEMENTASI PEMROGRAMAN PYTHON MENGGUNAKAN GOOGLE COLAB. Jurnal Informatika Dan Komputer, 15, 50–56.

Sudarsono, B. G., Leo, M. I., Santoso, A., & Hendrawan, F. (2021). ANALISIS DATA MINING DATA NETFLIX MENGGUNAKAN APLIKASI RAPID MINER. JBASE - Journal of Business and Audit Information Systems, 4(1). https://doi.org/10.30813/jbase.v4i1.2729

Tan, Y., Liu, H., Pu, Y., Wu, X., & Jiao, Y. (2021). Passenger Flow Prediction of Integrated Passenger Terminal Based on K‐Means–GRNN. Journal of Advanced Transportation, 2021(1), 1055910.

Wibowo, A., Moh Makruf, Inge Virdyna, & Farah Chikita Venna. (2021). Penentuan Klaster Koridor TransJakarta dengan Metode Majority Voting pada Algoritma Data Mining. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3), 565–575. https://doi.org/10.29207/resti.v5i3.3041

Wicaksono, M. R. J., & Prasetyo, S. Y. J. (2024). Analisis Pengelompokan Jumlah Penumpang Bus Trans Jateng Menggunakan Metode Clustering K-Means Dan Agglomerative Hierarchical Clustering (AHC). Kesatria: Jurnal Penerapan Sistem Informasi (Komputer Dan Manajemen), 5(3), 1346–1354.




DOI: http://dx.doi.org/10.36723/juri.v17i2.784

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.

 

 

 

 

 

View My Stats