Fahmi Dzikrullah1), Noor Akhmad Setiawan 2), Selo 3)
1), 2), 3) Jurusan Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada, Yogyakarta Jl. Grafika 2, Kampus UGM, Yogyakarta 55281
Email : fahmy.dzik.mti13@mail.ugm.ac.id1), noorwewe@ugm.ac.id2), selo@ugm.ac.id3)
ABSTRAK. Semakin popularnya smartcard sebagai alat pembayaran elektronik transportasi publik yang cepat dan mudah juga dapat meyediakan informasi yang komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang tujuan dasarnya untuk membuat system transportasi yang dapat membantu pengguna transportasi untuk mendapatkan informasi, mempermudah transaksi, meningkatkan kapasitas prasarana, mengurangi kemacetan atau antrian, mengurangi polusi lingkungan dan mengefisiensikan pengelolaan transportasi. Tujuan penulisan paper ini adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang transportasi massal transjogja untuk mempelajari dan memahami perilaku perjalanan penumpang yang terekam di jaringan transit transportasi dengan mengunakan metode pendekatan teknik datamining dan management database.
Kata Kunci: Smartcard, Data mining, Spatio-Temporal, Penumpang, BRT
1. PENDAHULUAN
Seiring dengan semakin padatnya kendaraan dan tidak sebandingnya dengan ruas ruang jalan, Bus Rapid Transit (BRT) merupakan transportasi massal alternatif andalan di kota - kota besar, dengan popularnya smartcard sebagai e-ticketing atau alat pembayaran elektronik transportasi publik yang cepat dan mudah, data dari smartcard juga dapat di olah menjadi berbagai informasi komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang tujuan dasarnya untuk membuat system transportasi yang mempunyai kecerdasan, sehingga dapat membantu pemakai transportasi dan pengguna transportasi untuk mendapatkan informasi, mempermudah transaksi, meningkatkan kapasitas prasarana, mengurangi kemacetan atau antrian, mengurangi polusi lingkungan dan mengefisiensikan pengelolaan transportasi. Adapun Bus Rapid Transit System di Indonesia yang menerapkan e-ticketing dengan smartcard diantaranya adalah Transjakarta, Transjogja dan Trans Batik Solo yang di kembangkan dan dikelola oleh PT.
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 377
AINO Indonesia. Kemudian alasan pemilihan Bus Rapid Trasit (BRT) transjogja sebagai studi kasus dikarenakan transjogja adalah program pioner BRT di Indonesia, dan transjogja mempunyai rule bisnis ticketing yang unik dengan menerapkan jenis kartu yang lebih bervariasi berdasarkan jenis pengguna daripada 2 moda di atas, berikut tabel jenis kartu transjogja:
Tabel 1 Jenis Kartu e-ticketing Smartcard Transjogja
No Jenis Kartu Deskripsi
1. Kartu Prepaid Bank Kartu prabayar yang di keluarkan oleh beberapa Bank dan berkerjasama
berkerjasama dengan DISHUB Yogyakarta, yaitu Bank BCA (Flazz), BRI (Brizzi), BNI (Tapcash) dan Mandiri (e-Money)
2. Kartu Reguler Pelajar Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk pelajar tingkat pendidikan SD, SMP dan SMA
3. Kartu Reguler Umum Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk masyarakat umum 4. Gamacard Kartu prabayar time-based DISHUB Yogyakarta yang berkerjasama dengan
Universitas Gadjah Mada dan terintegrasi dengan kartu tanda mahasiswa UGM 5. Single Trip Kartu yang dibawa petugas untuk pembayaran sekali perjalanan dengan metode pembayaran tunai, tariff single trip dibagi menjadi 2 berdasarkan jenis pengguna, yaitu single trip umum dan single trip pelajar
Sumber : DISHUBKOMINFO DIY Selain itu transjogja juga memiliki bus fleet management untuk tracking kendaraan dan manajemen jalur bus transjogja dengan Global Positioning System (GPS), data transaksi transjogja perbulan tahun 2013 mencapai rata-rata 498.124, dan rata-rata 542.135 transaksi perbulan pada tahun 2014[1], dengan potensi bertambahnya volume data, demand for data processing velocity atau permintaan kecepatan pemprosesan data, dan variability data dan informasi, smartcard data juga sangat berpotensi menjadi big data processing.
Tujuan dalam penelitian adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari yang terekam di jaringan transit halte dengan mengunakan metode pendekatan teknik datamining dan management database, analisa pola spatio-temporal penumpang dapat berguna dalam berbagai aplikasi, misalnya untuk forecast atau memprediksi permintaan penumpang atas transportasi publik berdasarkan waktu (weekdays, week-end, dan musim liburan), segmentasi dan klasifikasi berdasarkan jenis penumpang, dan dengan data tambahan dari GPS dapat mengukur performa transit bus di tiap halte sehingga dengan penyesuaian yang benar dapat mengurangi biaya operasional, dan membantu mengoptimalkan penggunaan moda transportasi umum massal transjogja.
2. METODE PENELITIAN
Pada bab ini, penulis menjelaskan metode akuisisi data dan proses datamining yang akan digunakan dalam penelitian. selanjutnya dengan prosedur seperti dibawah ini :
2.1 Arsitektur Akuisisi Data
Gambar 1. Arsitektur
Gambar 1 mendeskripsikan arsitektur dan alur proses akuisisi data dan dijelaskan sebagai berikut :
1. Data smartcard di capture dari data transaksi penumpang di setiap halte transjogja, aplikasi di yang dipasang di single board computer di setiap gate akan mengupload data transaksi ke processing unit secara batch via mobile wireless modem dengan interval waktu, kemudian menyimpan data transaksi ke database server.
2. Data GPS di capture dari setiap bus yang di pasang modul GPS, aplikasi processing unit di yang ditanam di setiap single board computer di bus akan mengupload data GPS ke processing unit secara dynamic real-time. kemudian menyimpan data GPS ke database server.
3. Processing unit akan meretrive data spatial processing dari database server berupa datetime, Bus ID, lokasi lat dan long, rute dan kecepatan bus kemudian data di visualisasikan dengan geographical information.
4. Dalam proses datamining akan mengambil source raw data berupa dump dataset transaksi smartcard dari database server yang kemudian di ektraksi mengunakan tools Weka[2] dan Rapidminer [3], langkah proses selanjutnya akan di jelaskan di bawah.
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 379
2.2Proses Datamining
Gambar 2. Proses Datamining
Proses dalam penelitian ini mengadopsi metodologi datamining project Cross-Industry Standard Process for Data Mining (CRISP-DM) [4] , yang di jelaskan dengan 6 langkah proses berikut :
2.2.1 Bussines Understanding
Bussines Understanding penentuan tujuan bisnis, menilai situasi saat ini, menetapkan tujuan datamining, dan mengembangkan rencana proyek dalam hal ini menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari.
2.2.2 Data Understanding
Pada Langkah Data Understanding ini mencakup pengumpulan data awal, deskripsi data, eksplorasi data, dan verifikasi kualitas data. dengan maksud untuk mengidentifikasi pola dalam data. Dalam penelitian ini data yang digunakan adalah data transaksi bulan januari 2015.
2.2.3 Data Preparation
Setelah source raw data tersedia, langkat selanjutnya dalam data preparation
adalah Data Cleaning, dan Data Transformation, yaitu data harus dipilih hanya yang akan digunakan, dibersihkan dari data noise data hal ini seperti membuang field failed transaction flag, dan field lainnya yang tidak digunakan, kemudian disusun ke dalam data yang di inginkan. Berikut tabel data transformation dari smartcard data dan GPS.
Tabel 1 Struktur Transformation Data Smart Card Data
No Field Name Deskripsi Contoh
1. Card Serial Number Serial number kartu 56434FCD
2. Tanggal Transaksi Tanggal akuisisi data transaksi kartu 2014-11-10 13:05:30 3. Transit Transit Halte/Pindah Jalur Trayek 0=Tidak Transit
1=Transit;
4. Jenis Pengguna Jenis pengguna kartu U=Umum;
P=Pelajar 5. Jenis Kartu Jenis kartu yang digunakan pada BRT
transjogja S=Single Trip R= Reguler B= Gamacard/Timebased M= Mandiri e-Money BNI= BNI Tapcash BRI= BRI Brizzi BCA= BCA Flazz 6. Halte ID Kode gate / lokasi halte keberangkatan 01
Tabel 2 Struktur Data GPS
No Field Name Deskripsi Contoh
1. GPS DATETIME Waktu akuisisi data GPS 2014-11-10 13:05:30
2. Vehicle ID Nomor/ID Bus Bus 5
3. LON Longtitude -7.75589010388709
4. LAT Latitude 110.48966020345688
5. Arah Jalur Jalur Bus 1A
6. Kecepatan Kecepatan Bus 11.6 KM/H
2.2.4 Data Modeling
Data Modelling mengunakan software weka[2] dan rapidminer[3] untuk visualisasi dan analisis cluster yang berguna untuk pattern discovery dan analisis awal. Adapun
pattern discovery yang digunakan pada penelitian ini yaitu algoritma k-means clustering, Algoritma untuk melakukan K-Means clustering adalah sebagai berikut [5]:
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 381
Kelompokkan data sehingga terbentuk K buah cluster dengan titik centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya
Perbaharui nilai titik centroid
Ulangi langkah 2 dan 3 sampai nilai dari titik centroid tidak lagi berubah
Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Perhitungan jarak Minkowski dapat digunakan untuk menghitung jarak antar 2 buah data. Rumus untuk menghitung jarak tersebut adalah:
(2.1) Di mana:
g = 1, untuk menghitung jarak Manhattan g = 2, untuk menghitung jarak Euclidean
g = ∞, untuk menghitung jarak Chebychev
xi , xj adalah dua buah data yang akan dihitung jaraknya
p = dimensi dari sebuah data 2.2.5 Evaluation
Hasil model harus dievaluasi dalam konteks tujuan bisnis yang ditetapkan pada tahap Bussiness Understanding. Hal ini akan mengarah pada identifikasi kebutuhan lain seringkali melalui pengenalan pola, dimana hasil dari berbagai visualisasi, menunjukkan hubungan baru yang memberikan pemahaman yang lebih dalam.
2.2.6 Deployment - Passanger Analysis
Hasil Data mining ini dapat digunakan untuk verifikasi hipotesis sebelumnya, atau untuk knowledge discovery atau penemuan pengetahuan / informasi dari data.
3. HASIL PENELITIAN DAN PEMBAHASAN
Dalam penelitian ini data yang digunakan adalah data transaksi bulan januari 2015, kemudian di setelah dilakukan data cleansing dari noise data dan data transform seperti di atas, di rubah ke file ektensi .arff untuk meringankan beban memory, kemudian dilakukan training set data untuk mengevalusi modelling cluster k-means Euclidean dan Manhattan. Mengunakan Rumus Persamaan (2.1).
Gambar 5. Training Set Clustering Euclidean dan Manhattan
Dengan 4 iterasi menghasilkan clustered instance jenis penumpang True sejumlah 87% untuk clustering K-means Euclidean dan 88% untuk k-means Manhattan.
Dengan Weka Explorer dan diketahui visualisasi demografi jumlah transaksi jenis pengguna dan jenis kartu sebagai berikut :
Gambar 4. Grafik Demografi Jenis Penumpang dan Jenis Kartu
Selanjutnya dilakukan pemetaan pola spatio-temporal penumpang mengunakan data peak transaksi harian dan menghasilkan grafik sebagai berikut :
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 383
Gambar 7. Data Pola Jumlah Penumpang Berdasarkan Jam
Dari data tersebut diketahui dominasi jumlah jenis transaksi oleh kartu singletrip sebanyak 456.938 transaksi dan kartu reguler dengan rincian jenis pengguna umum sebanyak 4.99.838 dan jenis pengguna pelajar sebanyak 29.502, kemudian jenis kartu berlanganan reguler kurang dari 60 ribu transaksi, dan kartu bank kurang dari 10 ribu transaksi. Dari grafik selanjutnya menunjukan bahwa peak transaksi di halte boarding keberangkatan terminal bus antar provinsi ke objek wisata mempunyai prosentase jumlah penumpang terbanyak, dengan peak transaksi rentan waktu antara jam 9 dan jam 11 pagi yang di dominasi oleh jenis kartu single trip umum.
4. KESIMPULAN
Dari Hasil di atas dapat di jadikan dasar pengetahuan dalam hal ini memahami pola spatio- temporal atau perilaku perjalanan penumpang di transportasi massal transjogja berdasarkan halte boarding keberangkatan dan data pola jumlah penumpang berdasarkan waktu. Untuk selanjutnya diharapkan dapat diterapkan untuk operasi bisnis transportasi masal, misalnya prediksi penumpang transportasi publik berdasarkan kurun waktu, segmentasi dan klasifikasi berdasarkan jenis penumpang, dan penelitian salanjutnya dilakukan penambahan visualisasi geospatial untuk data GPS untuk mengukur performa perjalanan bus di tiap halte sehingga dengan penyesuaian yang benar dapat mengurangi biaya operasional, dan membantu mengoptimalkan penggunaan moda transportasi umum massal transjogja. Akan tetapi Model ini perlu dipantau untuk perubahan kondisi operasi di masa akan datang, karena apa yang mungkin benar hari ini mungkin tidak benar di bulan atau tahun berikutnya. Jika perubahan signifikan terjadi, model harus diulang. Tujuannya untuk mencatat hasil proyek data mining sehingga bukti, sehingga tersedia dokumentasi untuk studi lebih lanjut di masa depan atau penelitian selanjutnya.
5. DAFTAR PUSTAKA
[1] PT. AINO Indonesia, ―e-Ticketing Transjogja.‖ [Online]. Available: http://ainosi.co.id/read/studi/1/1/transjogja.html. [Accessed: 01-Apr-2015].
[2] I. H. Witten, F. Eibe, and A. H. Mark, in Data Mining Practical Machine Learning Tools and Technique, Third Edition., Morgan Kaufmann, 2011, pp. 101–110.
[3] H. Markus and Ralf Klinkenber, in RapidMiner: Data Mining Use Cases and Business Analytics Applications (Chapman & Hall/CRC Data Mining and Knowledge Discovery Series, CRC Press, 2013, pp. 20–25.
[4] R. Wirth, ―CRISP-DM: Towards a standard process model for data mining,‖ in Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining, 2000, pp. 29–39.
[5] S. Russel and P. Norvig, ―Artificial Intelligence A Modern Approach,‖ in Artificial Intelligence A Modern Approach, Third., Upper Saddle River.
Seminar Nasional Matematika, Sains dan Informatika 2015 385