PENGEMBANGAN APLIKASI PERKIRAAN
KEDATANGAN BUS TRANSJAKARTA
MENGGUNAKAN GPS DAN WEB SERVICE
Alexander S.P. Prawira
1; Kenny Gotama
2; Andrew Ongko
3;
Franky Hadinata Marpaung
41,2,3,4Computer Science Department, School of Computer Science, BINUS University
Jl. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480.
1alexprawira93@gmail.com; 2kengotama@gmail.com;3
andrew.ongko@gmail.com
ABSTRAK
Bus TransJakarta merupakan pilihan masyarakat dalam hal transportasi umum berbasis bus. Namun, sampai saat ini, masih belum ada aplikasi yang dapat memberikan perkiraan waktu kedatangan bus TransJakarta. Penulisan ini bertujuan untuk mengembangkan aplikasi yang dapat memberikan perkiraan waktu kedatangan bus TransJakarta pada satu halte dalam sebuah koridor. Perkiraan waktu kedatangan tersebut dihasilkan dengan menggunakan Radial Basis Function Neural Network (RBFNN). Data pelatihan yang digunakan dalam RBFNN tersebut adalah data historis yang berasal dari PT TransJakarta. Data historis yang ada akan dibagi menjadi beberapa kelompok berdasarkan koridor, tipe hari, dan jam, sebelum dilakukan training pada RBFNN. Hasil yang ingin dicapai dari penulisan ini adalah sebuah aplikasi yang dapat membantu pengguna dalam memperkirakan waktu kedatangan bus TransJakarta serta memberikan beberapa informasi mendasar mengenai TransJakarta seperti jam operasional, harga, dan peraturan-peraturan. Simpulan yang dapat ditarik ialah pengguna dapat memanfaatkan aplikasi ini untuk mendapatkan informasi mengenai perkiraan waktu kedatangan serta informasi lain untuk mendukung fitur utama.
ABSTRACT
TransJakarta’s buses are the people’s choice in terms of public transportation based on bus. However, there has yet been an application that provide the time of arrival of TransJakarta’s buses. This essay is for developing an application that can provide an estimation about arrival time of TransJakarta’s buses in a specific bus stop in a corridor. The estimated time of arrival is computed using Radial Basis Function Neural Network (RBFNN). The training data used in the RBFNN is the historical data from TransJakarta company. Those historical data is then divided into some clusters based on the corridor, day type (weekdays or weekends), and time (hourly), before the RBFNN training process. The expected outcome of this essay is an application that can help users to predict arrival time of TransJakarta’s buses and to provide some basic information related to TransJakarta like operational hours, prices, dan some rules. The conclusion that could be made is that users can use this application to obtain information about bus arrival time and other basic informations that support the main feature.
Keywords: application, Neural Network, TransJakarta, GPS, web service
PENDAHULUAN
Tidak adanya informasi mengenai waktu kedatangan bus dapat membuat para pengguna bus TransJakarta menjadi tidak nyaman. Pada kasus yang terjadi di Halte Kampung Melayu, Jakarta Timur, ratusan armada bus TransJakarta tidak cukup untuk melayani penumpang bus TransJakarta. Berdasarkan data yang dihimpun, waktu yang dibutuhkan untuk menunggu sebuah bus adalah sekitar dua puluh menit hingga satu jam lima belas menit (SINDONEWS, 2014).
Dalam waktu menunggu yang relatif lama tersebut, penumpang hanya membuang waktu tanpa mengetahui waktu kedatangan bus pada halte tersebut. Hal ini dianggap tidak efisien karena waktu menunggu tersebut dapat digunakan untuk melakukan aktivitas lainnya yang relatif lebih penting. Sebagai contoh, waktu tersebut dapat digunakan untuk mengerjakan pekerjaan penting di rumah, di sekolah, ataupun di kantor.
Oleh karena itu, dibutuhkanlah sebuah aplikasi yang dapat menghasilkan perkiraan waktu kedatangan bus TransJakarta kepada para penumpang bus TransJakarta melalui smartphone Android. Aplikasi tersebut harus dapat memprediksi waktu kedatangan bus pada satu halte dalam sebuah koridor. Perkiraan waktu kedatangan tersebut dapat dihitung dengan menggunakan berbagai metode. Salah satu contohnya adalah dengan menggunakan Artificial Neural Network. Untuk data historis yang akan digunakan dalam ANN, penulis bekerja sama dengan pihak TransJakarta untuk memperoleh data GPS dari bus dengan GPS Tracker yang telah ada di bus TransJakarta.
Berdasarkan informasi tersebut, penulis harus menentukan informasi-informasi yang harus disediakan di dalam aplikasi guna membantu pengguna bus TransJakarta, cara kerja aplikasi dalam menyampaikan informasi tersebut, fitur-fitur yang diinginkan pengguna dalam aplikasi, algoritma yang akan digunakan dalam memprediksi waktu kedatangan bus, serta faktor-faktor yang dapat mempengaruhi hasil perhitungan dari algoritma terkait.
Penelitian terkait perkiraan waktu kedatangan bus sudah pernah dilakukan oleh berbagai peneliti dari berbagai negara. Metode yang dipakai pun beragam. Pada
penulisan ini, penulis hanya akan mencantumkan tiga contoh penelitian yang menggunakan metode Neural Network (NN) dengan variasinya.
Pertama, penelitian dilakukan oleh Zaki, Ashour, Zorkany, & Hesham (2013). Pada penelitian ini, perkiraan waktu kedatangan bus dilakukan dengan metode hybrid, dengan menggabungkan NN dengan Kalman Filter (KF). NN akan digunakan untuk menghasilkan waktu perkiraan secara offline (waktu tempuh antar halte) berdasarkan data historis dan KF akan digunakan melakukan perhitungan online untuk menghindari penyimpangan yang relatif lebar pada perkiraan offline.
Penelitian lainnya dilakukan oleh Lin, Yang, Zou, & Jia (2013). Hasil perkiraan waktu kedatangan bus diperoleh dengan menggunakan dua model ANN. Pertama-tama, ANN digunakan untuk memperkiraan waktu kedatangan bus secara real-time berdasarkan data GPS historis dan data sistem Automatic Fare Collection. Untuk mengatasi kesulitan dalam “menangkap” fluktuasi yang terjadi pada arus lalu lintas dalam suatu selang waktu, data penelitian dibagi ke dalam beberapa kelompok. Kemudian, sub-ANN dibuat untuk masing-masing kelompok tersebut dan diintegrasikan kembali menjadi model hierarki ANN. Dari hasil penelitian tersebut, ditunjukkan bahwa hanya dengan menggunakan model ANN saja dapat mengalahkan model Kalman Filter dalam menghasilkan perkiraan waktu kedatangan bus.
Wang, Zuo, & Fu (2014) juga melakukan penelitian serupa dan menawarkan sebuah pendekatan yang menggabungkan data historis dengan informasi situasi yang diperoleh secara real-time untuk memperkiraan waktu kedatangan bus. Pendekatan tersebut terdiri dari dua fase. Fase pertama, dengan model Radial Basis Function Neural
Network (RBFNN), berfungsi untuk mendapatkan hubungan nonlinear dari data historis,
Fase kedua, yang merupakan metode berorientas online, berguna untuk menyesuaikan hasil perkiraan waktu kedatangan fase pertama dengan situasi yang sebenarnya.
Tabel 1 Hasil Penelitian Sebelumnya
No Nama Judul Keterangan
1 Zaki, Ashour, Zorkany, & Hesham
Online Bus Arrival
Time Prediction
Using Hybrid
Neural Network
and Kalman filter Techniques
Penelitian ini menggunakan metode hybrid, yaitu: ANN dan Kalman Filter (KF). ANN digunakan untuk menghasilkan waktu perkiraan secara offline berdasarkan data historis, sedangkan KF digunakan untuk menghindari penyimpangan yang relatif lebar pada perkiraan offline
2 Lin, Yang, Zou, & Jia
Real-Time Bus
Arrival Time
Prediction: Case
Study for Jinan, China
Penelitian ini menggunakan dua model ANN, yaitu model untuk menghitung berdasarkan data historis secara real time dan sub model untuk menghitung fluktuasi data
3 Wang, Zuo, & Fu
Bus Arrival Time
Prediction Using
RBF Neural
Networks Adjusted by Online Data
Penelitian ini menggunakan pendekatan dua fase, yaitu: Basis Function Neural
Network (RBFNN) untuk menghitung data
secara nonlinear dari data historis dan fase berorientasi online untuk penyesuaian hasil perkiraan pada fase pertama.
Dari berbagai penelitian yang telah dilakukan sebelumnya, dapat dilihat bahwa ada berbagai metode yang dapat digunakan dalam memperkirakan waktu kedatangan bus. NN merupakan salah satu metode yang cukup bagus karena akurasinya dalam memperkirakan waktu kedatangan bus telah dibuktikan oleh peneliti dari berbagai negara. Oleh karena itu, penulis akan menggunakan model ANN sebagai dasar dalam memperkirakan waktu kedatangan bus TransJakarta.
Data yang akan dipakai dalam ANN merupakan data yang disediakan pihak TransJakarta. Berikut merupakan contoh data yang disediakan.
Tabel 2 Format Data Historis
Nama Tabel History
Nama Atribut Tipe Data Deskripsi
id Bigint ID data historis
device_id varchar(20) ID alat GPS (menandakan masing-masing bus)
koridor char(5) Koridor yang di dapat berdasarkan posisi dan arah bus
gpsdatetime Datetime Waktu pencatatan data
gpslon Double Posisi bus berdasarkan garis bujur gpslat Double Posisi bus berdasarkan garis lintang gpsspeed Float Kelajuan bus
gpsheading Float Arah bus
location varchar(25) Letak bus dalam satu koridor
disttodest Float Jarak relatif yang telah ditempuh bus dari satu halte ke halte berikutnya odometer Float Odometer dari bus terkait
Gambar 1 Contoh Data Historis
Selain data historis, data berjalan juga disediakan agar aplikasi dapat mencari bus terdekat dari halte yang dipilih pengguna bus untuk diperkirakan waktu kedatangannya. Data berjalan didapat dari alat GPS yang ada pada setiap bus TransJakarta setiap lima (5) detik.
Tabel 3 Format Data Berjalan Nama Tabel current_pos
Nama Atribut Tipe Data Deskripsi
id Bigint ID data historis
device_id varchar(20) ID alat GPS (menandakan masing-masing bus)
koridor char(5) Koridor yang di dapat berdasarkan posisi dan arah bus
gpsdatetime Datetime Waktu pencatatan data
gpslon Double Posisi bus berdasarkan garis bujur gpslat Double Posisi bus berdasarkan garis lintang gpsspeed Float Kelajuan bus
gpsheading Float Arah bus
location varchar(25) Letak bus dalam satu koridor
disttodest Float Jarak relatif yang telah ditempuh bus dari satu halte ke halte berikutnya odometer Double Odometer dari bus terkait
Gambar 2 Contoh Data Berjalan
Pihak TransJakarta juga menyediakan data berupa jarak antar halte. Data jarak tersebut sangat berguna dalam menentukan baik jarak tempuh maupun jarak sisa dari suatu bus yang berada di antara dua halte.
Gambar 3 Contoh Data Jarak
Dengan mempertimbangkan data yang disediakan pihak TransJakarta, maka model ANN yang digunakan adalah Multilayer-feedforward Network dengan Radial
Basis Function (fungsi Gaussian) sebagai fungsi aktivasi. Untuk mempercepat proses
pelatihan ANN, penulis membagi data historis berdasarkan koridor, jenis hari, dan suatu satuan waktu. Variabel input dari ANN yang dipakai adalah idjarak dan jarak_sisa.
Tujuan dari penulisan ini adalah mengembangkan aplikasi TransJakarta Transit yang dapat memprediksi waktu kedatangan bus TransJakarta serta memberikan informasi tentang rute TransJakarta kepada para pengguna Bus TransJakarta. Dengan mencapai tujuan tersebut, diharapkan penumpang dapat mendapatkan informasi yang jelas mengenai perkiraan waktu kedatangan bus TransJakarta pada satu halte pada satu koridor. Selain itu, informasi yang disampaikan diharapkan tepat sasaran. Dengan demikian, maka penumpang dapat dimudahkan dalam hal akses informasi sesuai kebutuhan. Pengguna juga dapat mengerjakan pekerjaan lain yang relatif lebih penting dengan tidak membuang waktu di halte untuk menunggu sebuah bus yang waktu tibanya masih lama.
Pada penelitian ini, penulis menggunakan metode analisis berupa studi pustaka dan kuesioner, dan metode perancangan berupa Extreme Programming.
METODE PENELITIAN
Gambar 4 Kerangka Berpikir
Penelitian ini diawali dengan tahap pendefinisian masalah dengan studi literatur dan penyebaran kuesioner untuk menganalisis kebutuhan-kebutuhan pengguna bus TransJakarta. Setelah itu, penulis mengumpulkan data-data yang dibutuhkan seperti data
historis dan informasi lainnya yang dibutuhkan pengguna bus TransJakarta. Data historis tersebut akan digunakan sebagai data pelatihan dalam ANN. Untuk pengembangan aplikasi TransJakarta Transit, penulis menentukan sebuah metode perancangan aplikasi yang akan digunakan, yaitu Extreme Programming (XP). Hal selanjutnya adalah membuat rancangan-rancangan aplikasi (UML Design, UI Design, dan System Architecture Design). Setelah tahap perancangan selesai, maka aplikasi akan dikembangkan sesuai dengan rancangan tersebut dan kemudian akan dilakukan tahap
testing terhadap aplikasi yang telah dibuat. Setelah aplikasi lolos proses testing, maka
aplikasi akan dievaluasi berdasarkan aplikasi sejenis.
Dalam penelitian ini, metode penelitian yang digunakan adalah metode analisis dan metode perancangan.
Metode Analisis
Dalam penulisan ini, metode penelitian yang digunakan ada dua, yaitu:
1. Studi Pustaka
Metode ini dilakukan dengan mengumpulkan data dan informasi secara bertahap. Data dikumpulkan dengan cara mencari informasi dari berbagai literatur tertulis seperti buku, laporan penelitian, jurnal, catatan konferensi, dan sumber resmi lainnya yang dapat dijadikan landasan ilmiah dalam penelitian.
2. Penyebaran Kuesioner
Metode ini merupakan cara pengumpulan data yang berupa fakta dan opini. Data yang dianalisis berdasarkan jawaban dari pertanyaan-pertanyaan yang diajukan kepada para pengguna bus TransJakarta.
Metode Perancangan
Menurut Pressman dan Maxim (2015:72-75), Extreme Programming adalah metode perancangan yang menggunakan pendekatan berorientasikan objek sebagai paradigma pengembangan yang dipakai dan seperangkat aturan dan pelaksanaan yang terjadi di dalam empat konteks kegiatan kerangka yang mencakup perencanaan, desain, pengkodean, dan pengujian. Metode ini terdiri dari empat aktivitas dasar dari, yaitu:
1. Planning
Kegiatan ini dilakukan dengan mendengarkan permasalahan yang dihadapi pelanggan, serta memberikan umpan balik sehingga masalah tersebut dapat diselesaikan dengan baik melalui diskusi bersama. Kegiatan ini akan menghasilkan suatu set cerita yang menjadi kebutuhan pada tahap perancangan aplikasi.
2. Designing
Kegiatan ini dilakukan dengan merancang struktur sistem yang menyusun alur logika pada sistem. Kegiatan ini dilakukan dengan mencari perangkat keras yang dibutuhkan, perangkat lunak pendukung, konsep, serta algoritma yang akan digunakan.
3. Coding
Kegiatan ini dilakukan dengan menerjemahkan rancangan sistem yang telah dibuat menjadi kode yang akan menghasilkan sebuah aplikasi.
4. Testing
Kegiatan ini dilakukan secara berkala dengan menguji aplikasi yang telah dibuat. Kegiatan ini bertujuan untuk memastikan aplikasi yang dibuat sudah sesuai dengan rancangan yang telah dibuat.
HASIL DAN BAHASAN
Fitur utama dari aplikasi TransJakarta Transit adalah perkiraan atas waktu kedatangan bus TransJakarta. Perkiraan tersebut akan dihasilkan dengan menggunakan
Artificial Neural Network (ANN). Langkah-langkah yang dilakukan dalam proses
pembuatan bobot (weight) pada ANN adalah sebagai berikut:
1. Mengambil seluruh data historis dengan menetapkan tanggal maksimal data yang akan diambil.
2. Membersihkan data historis dengan menghapus data-data yang tidak dapat digunakan seperti lokasi yang tidak terdeteksi.
3. Membagi data pelatihan berdasarkan koridor.
4. Membagi data pelatihan (data bersih) berdasarkan tipe hari. Contohnya hari biasa (Senin-Jumat) dan akhir pekan (Sabtu-Minggu)
5. Membagi data pelatihan berdasarkan suatu satuan waktu. Contohnya per jam. 6. Menjalankan algoritma ANN dengan data pelatihan yang sudah dikelompokkan. 7. Menyimpan bobot ANN yang siap dipakai untuk perkiraan waktu kedatangan bus.
Setelah mendapatkan bobot ANN, perkiraan waktu kedatangan dapat dilakukan dengan langkah-langkah sebagai berikut:
1. Permintaan pengguna melalui aplikasi TransJakarta Transit, dengan memilih halte. 2. Web server akan mencari bus terdekat ke halte yang dipilih pengguna.
3. Web server akan menjalankan algoritma Feedforward untuk mendapatkan hasil perkiraan waktu kedatangan bus sesuai dengan masukan (input) yang ada (koridor, halte tujuan, jarak antar halte, jarak bus dari halte tujuan).
4. Web server membalikkan data perkiraan ke aplikasi TransJakarta Transit.
5. Aplikasi TransJakarta Transit akan menampilkan hasil perkiraan waktu kedatangan bus TransJakarta.
6. Ulang ke langkah 2 dengan adanya input tambahan dari aplikasi berupa ID dari bus yang telah diberikan oleh web server ketika mengembalikkan data perkiraan waktu sampai bus tiba pada lokasi atau pengguna menutup aplikasi.
Berikut merupakan tampilan utama dari aplikasi TransJakarta Transit:
Setelah aplikasi selesai dikembangkan, maka dilakukan evaluasi terhadap aplikasi sejenis dan terhadap kuesioner yang telah disebarkan di halte TransJakarta. Berikut merupakan hasil dari evaluasi, yaitu:
a. Evaluasi aplikasi terhadap aplikasi sejenis
Ketiga aplikasi tersebut pada dasarnya memiliki fungsionalitas yang mirip, terlihat pada setiap aplikasi yang memiliki fitur-fitur utama seperti Map, Bus Stop
Position dan Route Information. Tetapi fitur-fitur yang ditawarkan tidak cukup
untuk memenuhi kebutuhan pengguna yang memerlukan informasi lebih. Seperti fitur Predict Bus Arrival Time, Bus Position dan Find Nearest Bus Stop yang dimiliki oleh TransJakarta Transit. Dilihat dari kegunaannya kelima fitur tersebut memang dibutuhkan. Fitur seperti Predict Bus Arrival Time memungkinkan pengguna untuk memperkirakan waktu kedatangan bus, sedangkan Bus Position untuk mengetahui jarak antara posisi bus dengan bus stop tujuan dan Find Nearest
Bus Stop untuk mengetahui letak bus stop terdekat dari posisi pengguna.
Untuk fitur tambahan seperti Information About, beberapa pengguna (khsususnya pemula) memerlukan fitur ini untuk mendapatkan informasi mengenai TransJakarta seperti harga, jadwal, peraturan, dll. Selain itu, fitur
Settings dapat digunakan untuk mengatur respon aplikasi terhadap setiap tindakan
yang dilakukan oleh pengguna.
Untuk fitur-fitur yang terdapat pada semua aplikasi seperti: Map, Bus Stop
Position dan Route Information termasuk fitur utama yang diperlukan aplikasi.
Fitur Map untuk memperlihatkan tempat Rapid Bus Transit dijalankan sedangkan
Route Information digunakan untuk memperlihatkan arah rute yang harus dilalui
untuk mencapai bus stop tujuan.
Berdasarkan hasil analisis perbandingan aplikasi sejenis dapat disimpulkan bahwa, fitur-fitur utama yang harus dimiliki aplikasi Rapid Bus Transit adalah
Predict Bus Arrival Time, Bus Position dan Find Nearest Bus Stop selain dari fitur-fitur umum yang dimiliki oleh aplikasi sejenis lain. Dari keseluruhan fitur yang terdapat pada aplikasi, hanya satu diantara tiga aplikasi (selain TransJakarta Transit) yang memiliki fitur Predict Bus Arrival Time untuk memberikan waktu kedatangan bus. Selain itu, fitur Bus Position dan Find Nearest Bus Stop tidak terdapat pada semua aplikasi sejenis (selain TransJakarta Transit).
Tabel 4 Evaluasi Aplikasi TransJakarta Transit Terhadap Aplikasi Sejenis
Fitur-Fitur BuSpot Dreamway London Bus Traveller TransJakarta Transit Interface Sederhana, menarik dan mudah digunakan Sederhana, tidak menarik tetapi mudah digunakan Sederhana, tidak menarik dan tidak mudah digunakan Sederhana, menarik dan mudah digunakan
Map Ada Ada Ada Ada
Bus Stop
Position Ada Ada Ada Ada
Bus
Position Tidak Ada Tidak Ada Tidak Ada Ada
Route
Information Ada Ada Ada Ada
Predict Bus Arrival
Time
Tidak Ada Tidak Ada Ada Ada
Find Nearest Bus
Stop
Tidak Ada Tidak Ada Tidak Ada Ada
Information
About Tidak Ada Tidak Ada Tidak Ada Ada
Settings Tidak Ada Tidak Ada Tidak Ada Ada
Keempat aplikasi diatas memiliki fitur-fitur utama yang mirip, yaitu: Map,
Bus Stop Position dan Route Information. Walau memiliki memiliki fitur utama
yang memiliki fungsi yang mirip, aplikasi TransJakarta Transit memberikan beberapa fitur-fitur tambahan yang jarang atau tidak terdapat pada ketiga aplikasi lainnya. Fitur lain yang ditawarkan yaitu: Predict Bus Arrival Time yang memprediksi waktu kedatangan bus menuju halte, Bus Position untuk mengetahui
posisi bus dan Find Nearest Bus Stop yang menawarkan fungsi pencarian halte bus terdekat. Hal ini menjadi poin penting karena fitur yang serupa hampir atau tidak ada sama sekali pada aplikasi sejenis.
b. Evaluasi aplikasi berdasarkan hasil kuesioner
Berdasarkan hasil kuesioner yang diperoleh dari 42 (empat puluh dua) responden, dapat disimpulkan bahwa aplikasi memiliki user interface yang baik dan mudah untuk dipelajari. Terdapat 66.67% responden berpendapat bahwa aplikasi mudah untuk digunakan dan dimengerti sedangkan 57.14% responden menyatakan bahwa user interface aplikasi sangat mudah untuk digunakan. Kedua, fungsi-fungsi yang diberikan sudah sangat membantu, hal ini terbukti dari 71.43% responden menjawab bahwa fitur-fitur yang disediakan sangat membantu. Ketiga, aplikasi ini telah memiliki guides yang membantu terjadinya kesalahan pada saat menggunakan aplikasi yang terbukti dari jumlah responden sebesar 97.61% yang menjawab fungsi guides “sangat membantu” dan “membantu” pada aplikasi TransJakarta Transit. Keempat, aplikasi ini mempunyai tampilan yang mudah diingat sehingga membantu daya ingat pengguna, hal ini dapat dibuktikan dengan jawaban responden sebesar 88.09% yang menjawab “sangat mudah” dan “mudah” untuk mempelajari dalam penggunaanya. Terakhir, maka disimpulkan bahwa tujuan dan manfaat dari aplikasi yang dikembangkan telah tercapai dengan baik.
SIMPULAN DAN SARAN
Berdasarkan keseluruhan proses pengembangan aplikasi TransJakarta Transit dan hasil evaluasinya, dapat disimpulkan bahwa:
1. Aplikasi TransJakarta Transit mempunyai tampilan sederhana yang mudah dimengerti sehingga membantu pengguna dalam menggunakan dan mempelajari fitur-fitur yang ada.
2. Aplikasi TransJakarta Transit sudah memiliki fitur-fitur yang lengkap serta fungsionalitas yang baik untuk membantu pengguna dalam menggunakan bus TransJakarta.
3. Aplikasi TransJakarta Transit memiliki kelebihan dibandingkan dengan aplikasi sejenis dengan adanya fitur Predict Bus Arrival Time, Bus Position dan Find
Nearest Bus Stop pada aplikasi.
4. Aplikasi TransJakarta Transit memungkinkan pengguna untuk memperkirakan waktu kedatangan bus TransJakarta pada halte tujuan.
5. Aplikasi TransJakarta Transit menggunakan metode Artificial Neural Network untuk menghasilkan perkiraan waktu kedatangan bus TransJakarta.
6. Faktor yang mempengaruhi perkiraan waktu kedatangan bus TransJakarta pada aplikasi TransJakarta Transit adalah jarak bus terhadap halte tujuan, jenis hari, dan waktu.
Berdasarkan hasil evaluasi, terdapat beberapa saran yang ditujukan untuk pengembangan aplikasi TransJakarta Transit sebagai berikut:
1. Perhitungan perkiraan waktu kedatangan bus sebaiknya tidak hanya menggunakan Neural Network saja melainkan menggunakan metode hybrid lainnya yang dapat menghasilkan performa dan akurasi perkiraan waktu kedatangan bus yang lebih bagus.
2. Melakukan perhitungan akurasi hasil perkiraan waktu kedatangan dengan membandingkan hasil prediksi dengan waktu kedatangan sebenarnya.
3. Aplikasi TransJakarta Transit sebaiknya dikembangan menjadi aplikasi
multiplatform agar dapat dijalankan pada sistem operasi selain Android, seperti
iOS, RIM dan Windows Phone.
4. Aplikasi TransJakarta Transit diharapkan untuk menambah help instruction yang muncul secara dinamis sesuai dengan urutan tindakan pengguna untuk memberikan informasi mengenai penggunaan aplikasi.
5. Aplikasi TransJakarta Transit diharapkan untuk menambah informasi mengenai keterlambatan bus seperti: macet, kecelakaan, gangguan perjalanan, dsb.
6. Aplikasi TransJakarta Transit sebaiknya juga dibuat dalam bahasa Indonesia, karena mayoritas pengguna yang menggunakan TransJakarta merupakan orang Indonesia.
REFERENSI
Lin, Y., Yang, X., Zou, N., & Jia, L. (2013). Real-Time Bus Arrival Time Prediction: Case Study for Jinan, China. Journal of Transportation Engineering, 1133-1140. Pressman, R., & Maxim, B. (2015). Software Engineering: A Practitioner's Approach
8th edition. New York: McGraw-Hill Science.
SINDONEWS. (2014, August 8). Butuh 20 Menit Menunggu Bus Transjakarta. Dipetik October 19, 2014, dari SINDONEWS.COM:
http://metro.sindonews.com/read/889251/31/butuh-20-menit-menunggu-bus-transjakarta
Wang, L., Zuo, Z., & Fu, J. (2014). Bus Arrival Time Prediction Using RBF Neural Networks Adjusted by Online Data. Procedia - Social and Behavioral Sciences,
138, 67-75.
Zaki, M., Ashour, I., Zorkany, M., & Hesham, B. (2013). Online Bus Arrival Time Prediction Using Hybrid Neural Network and Kalman Filter Techniques.
International Journal of Modern Engineering Research, 2035-2041.
RIWAYAT PENULIS
Alexander Soetopo Putra Prawira lahir di kota Jakarta pada 17 September 1993. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2015.
Kenny Gotama lahir di kota Jakarta pada 26 April 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2015.
Andrew Ongko lahir di kota Medan pada 7 Mei 1993. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2015. Saat ini bekerja sebagai System Analyst di IT Division Bina Nusantara.