1. Home
  2. Vol 9, No 2 (2025)
  3. Loka

Perancangan Sistem Prediksi Pendapatan BRT Menggunakan Penerapan Hybrid Random Forest dan LSTM

Diah Pita Loka(1), Lena Magdalena(2), Mesi Febima(3),


(1) Universitas Catur Insan Cendekia
(2) Universitas Catur Insan Cendekia
(3) Universitas Catur Insan Cendekia
Corresponding Author

Abstract


Penelitin ini berfokus pada penerapan pendekatan hybrid machine leaerning yang menggabungkan algoritma Random Forest dan Long Short-Term Memory (LSTM) untuk memprediksi pendapatan Bus Rapid Transit (BRT) berdasarkan pola perilaku pelanggan. Dengan semakin pentingnya manajemen transportasi umum, prediksi pendapatan yang akurat telah menjadi krusial untuk perencanaan operasional dan pembuatan kebijakan. Penelitian ini mengatasi tantangan yang dihadapi oleh Dinas Perhubungan Kota Cirebon dalam mengelola operasi BRT tanpa sistem prediksi pendapatan yang memadai untuk mendukung kebijakan tarif transportasi publik yang berkelanjutan. Menggunakan data operasional dari Januari hingga Desember 2024, penelitian ini mengusulkan pendekatan hybrid baru di mana Random Forest digunakan untuk pemilihan fitur dan analisis kepentingan, sementara LSTM menangani pengenalan pola temporal untuk prediksi pendapatan. Model hybrid memproses berbagai variabel termasuk data pelanggan (dewasa dan pelajar), data operasional (rute, jadwal), dan faktor eksternal (hari libur nasional, hari libur sekolah). Algoritma Random Forest berhasil mengidentifikasi 5 fitur kunci dari 15 fitur awal, dengan total penumpang (korelasi: 0,996) dan 3 penumpang stasiun teratas (korelasi: 0,996) menunjukkan pentingnya tertinggi. Model LSTM mencapai akurasi prediksi dengan MAE sebesar 8,90%, MSE sebesar 0,0134, RMSE sebesar 11,59%, dan R² sebesar 75,97%. Pendekatan hybrid menunjukkan peningkatan yang signifikan dalam akurasi prediksi pendapatan dibandingkan dengan metode tradisional, memberikan wawasan berharga bagi otoritas transportasi di Kota Cirebon untuk merumuskan kebijakan tarif transportasi publik yang berkelanjutan.


References


M. Valipour, H. Khoshkam, S. M. Bateni, C. Jun, and S. S. Band, “Hybrid machine learning and deep learning models for multi-step-ahead daily reference evapotranspiration forecasting in different climate regions across the contiguous United States East North Central region,” Agric. Water Manag., vol. 283, no. April, p. 108311, 2023, doi: 10.1016/j.agwat.2023.108311.

H. Wijaya, S. Feliyanti, L. Magdalena, and R. Ilyasa, “Perancangan Sistem Informasi Rute Bus Rapid Transit (Brt) Di Kota Cirebon Berbasis Website (Studi Kasus Pt. Bima Inti Global),” J. Digit, vol. 11, no. 2, p. 200, 2021, doi: 10.51920/jd.v11i2.205.

S. ANWAR, “Analisis Bukti Empiris Tentang Dampak Ekuitas Sosial Ekonomi Operasional Bus Rapid Transit (Brt) Di Negara Berkembang,” Eduka J. Pendidikan, Hukum, dan Bisnis, vol. 4, no. 2, 2020, doi: 10.32493/eduka.v4i2.3851.

P. A. Duran, A. V. Vitianingsih, M. S. Riza, A. L. Maukar, and S. F. A. Wati, “Data Mining Untuk Prediksi Penjualan Menggunakan Metode Simple Linear Regression,” Teknika, vol. 13, no. 1, pp. 27–34, 2024, doi: 10.34148/teknika.v13i1.712.

Z. Yang, X. Zheng, and Y. Wu, “Optimization of Complex Systems Based on LSTM Neural Networks and Random Forests,” 2024 IEEE 2nd Int. Conf. Electr. Autom. Comput. Eng. ICEACE 2024, pp. 791–796, 2024, doi: 10.1109/ICEACE63551.2024.10898251.

H. Saputro, U. Baturaja, and J. A. Yani, “Jurnal Informatika dan Komputer(JIK),” Jik, vol. 12, no. 2, p. 83, 2021.

J. Li, D. Zhu, and C. Li, “Comparative analysis of BPNN, SVR, LSTM, Random Forest, and LSTM-SVR for conditional simulation of non-Gaussian measured fluctuating wind pressures,” Mech. Syst. Signal Process., vol. 178, no. July 2021, p. 109285, 2022, doi: 10.1016/j.ymssp.2022.109285.

M. M. Lucini, P. J. Van Leeuwen, and M. Pulido, “Model error estimation using the expectation maximization algorithm and a particle flow filter,” SIAM-ASA J. Uncertain. Quantif., vol. 9, no. 2, pp. 681–707, 2021, doi: 10.1137/19M1297300.

M. S. Efendi and A. K. Zyen, “Penerapan Algoritma Random Forest Untuk Prediksi Penjualan Dan Sistem Persediaan Produk,” vol. 5, no. 1, pp. 12–20, 2024, doi: 10.30865/resolusi.v5i1.2149.

J. Du, Y. Yang, S. Geng, X. Liu, and Y. Wang, “Predicting Incidence Time Series Based on LSTM Recurrent Neural Network and Key Feature Analysis Based on Random Forest Algorithm,” Proc. - 2024 Int. Conf. Electron. Devices, Comput. Sci. ICEDCS 2024, pp. 661–665, 2024, doi: 10.1109/ICEDCS64328.2024.00124.


Full Text: PDF (Bahasa Indonesia)

Article Metrics

Abstract View : 3 times
PDF (Bahasa Indonesia) Download : 1 times

DOI: 10.58486/jsr.v9i2.553

Refbacks

  • There are currently no refbacks.