Predictive Model of Passengers Trans Metro Bandung  Encouraging Smart Transportation

Nurviana, Nova; Ati, Sigit Kusumo; Hanifah, Hani Purwati

doi:10.37396/jsc.v2i2.30

Cited by 3 publications

(3 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…3.Data transformation (mengubah atau menyesuaikan data menjadi bentuk yang sesuai untuk dilakukan analisis) (Nurviana, Ati, & Hanifah, 2019).…”

Section: Data Selection (Memilih Data Yang Relevan Dengan Tugas Anali...unclassified

Prediksi Nilai Akhir Mahasiswa Dengan Metode Naïve Bayes

Brama Rizky Setia Dwinanda,

Azriel Noer Ilhami,

Hana Choerunisya

et al. 2024

JUSTINDO

View full text Add to dashboard Cite

Memprediksi prestasi belajar atau nilai akhir mahasiswa menjadi suatu hal yang sangat berguna karena dapat mencegah mahasiswa yang beresiko gagal dalam perkuliahan. Prediksi merupakan upaya untuk memperkirakan kemungkinan suatu kejadian, dan hasil dari prediksi tidak dapat dijamin akan terjadi secara pasti. Meskipun begitu kita bisa mengusahakan untuk mencari jawaban sedekat mungkin dengan apa yang akan terjadi. Penelitian ini bertujuan untuk memprediksi nilai akhir mahasiswa berdasarkan IPK yang didapat pada semester 2, karena nilai tersebut bisa digunakan sebagai penilaian awal untuk memperkirakan adanya peningkatan atau penurunan nilai yang akan didapat pada semester berikutnya. Output dari penelitian ini adalah rentang nilai yang disesuaikan dengan predikat kelulusan. Data yang digunakan dalam penelitian ini berjumlah 379 yang kemudian dibagi menjadi dua bagian, yaitu data training dengan jumlah 303 data dan data testing dengan jumlah 76 data. Penelitian ini menggunakan metode naïve bayes untuk menghitung probabilitas berdasarkan peristiwa yang telah terjadi sebelumnya. Keterbatasan dataset yang dimiliki, menyebabkan penyebaran data dalam penelitian ini tidaklah merata, sehingga memengaruhi hasil dari penelitian. Hasil penelitian menunjukkan tingkat akurasi dari model algoritma naïve bayes yang digunakan sebesar 78.95%.

show abstract

“…3.Data transformation (mengubah atau menyesuaikan data menjadi bentuk yang sesuai untuk dilakukan analisis) (Nurviana, Ati, & Hanifah, 2019).…”

Section: Data Selection (Memilih Data Yang Relevan Dengan Tugas Anali...unclassified

Prediksi Nilai Akhir Mahasiswa Dengan Metode Naïve Bayes

Brama Rizky Setia Dwinanda,

Azriel Noer Ilhami,

Hana Choerunisya

et al. 2024

JUSTINDO

View full text Add to dashboard Cite

show abstract

“…Perusahaan PT. Kereta Api Indonesia (Persero) yang biasa disingkat KAI merupakan Perusahaan BUMN (Badan Usaha Milik Negara) yang menyediakan, mengelola juga mengatur perkeretaapian di Indonesia yang telah mengoperasikan Kereta Api untuk para penumpang, baik kereta lokal maupun antar kota [1], . KAI memiliki berbagai macam fasilitas yang sesuai harga dan ekonomi masyarakat.…”

Section: Pendahuluanunclassified

Penurunan Jumlah Penumpang pada PT. KAI Indonesia menggunakan Metode Artificial Neural Network

Puspitasari

Salsabila

Rismawati

et al. 2023

J. Rekayasa Teknol. Nusa Putra

View full text Add to dashboard Cite

Perusahaan PT. Kereta Api Indonesia (Persero) yang biasa disingkat KAI merupakan Perusahaan BUMN (Badan Usaha Milik Negara) yang menyediakan, mengelola juga mengatur perkeretaapian di Indonesia yang telah mengoperasikan Kereta Api untuk para penumpang, baik kereta lokal maupun antar kota. PT KAI (Persero) mencatat penurunan jumlah penumpang kereta api sebanyak 19 persen pada 2021. Hal ini dikarenakan pembatasan mobilitas atau PPKM di tengah pandemi covid-19. Sumber data pada penelitian ini yaitu dari Data jumlah penumpang PT KAI, yang dimana penumpang ini termasuk Penumpang umum. Metode yang kami gunakan yaitu metode ANN (Metode Artificial Neural Network) merupakan suatu pendekatan model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses learning berlangsung. Dapat disimpulkan bahwa hasil perbandingan antara training dan testing yang sudah dilakukan dengan perbandingan training 70% dan testing 30% didapat hasil yaitu sebesar 16 atau 88,9% untuk training dan 2 atau 11,1% untuk testing. Untuk datanya sendiri ada 18 data yang tervalidasi 100% dari 20 data yang dihitung. Yang artinya dari 20 data, 18 data tidak error dan 2 data error

show abstract

“…Apart from forecasting demand for bikeshare, Joo et al used SVM to classify the bicycle environment, defined by the safety and comfort of the riders [50]. In addition, a large number of studies have also applied SVM to the prediction of metro passenger flow [51][52][53][54]. Similarly, the random forest (RF) method can also provide a good understanding of passengers' travel mode choice and the prediction of metro passenger flow [55].…”

Section: Use Of Classifiers In Metro and Bikeshare Areamentioning

confidence: 99%

Identification of Metro-Bikeshare Transfer Trip Chains by Matching Docked Bikeshare and Metro Smartcards

Zhang

Jin

et al. 2021

Energies

View full text Add to dashboard Cite

Metro-bikeshare integration, an important way of improving the efficiency of public transportation, has grown rapidly during the last decades in many countries. However, most previous analysis of metro-bikeshare transfer trips were based on limited sample size and the number of recognized metro-bikeshare trips were not sufficient. The primary objective of this study is to derive a method to recognize metro-bikeshare transfer trips. The two data sources are provided by Nanjing Metro Company and Nanjing Public Bicycle Company over the same period from 9–29 March 2016. The identifying method includes three steps: (1) Matching Card Pairs (2) Filtering Card Pairs and (3) Identifying Card Pairs. The case study indicates that the Support Vector Classification (SVC) performs best with a high prediction accuracy of 95.9% using seamless smartcards. The identifying method is then used to recognize the transfer trips from other types of cards, resulting in 17,022 valid metro-bikeshare transfer trips made by 2948 travelers. Finally, travel patterns extracted from the two groups of identified transfer trips are analyzed comparatively. The method proposed presents new opportunities for analyzing metro-bikeshare transfer trip characteristics.

show abstract

Predictive Model of Passengers Trans Metro Bandung Encouraging Smart Transportation

Cited by 3 publications

References 13 publications

Prediksi Nilai Akhir Mahasiswa Dengan Metode Naïve Bayes

Prediksi Nilai Akhir Mahasiswa Dengan Metode Naïve Bayes

Penurunan Jumlah Penumpang pada PT. KAI Indonesia menggunakan Metode Artificial Neural Network

Identification of Metro-Bikeshare Transfer Trip Chains by Matching Docked Bikeshare and Metro Smartcards

Contact Info

Product

Resources

About