Perbandingan Algoritma Naive Bayes dan K-Nearest Neighbors dalam menentukan lokasi dan waktu optimal penarikan pesanan driver ojek online

Syihab, Muhammad Habibie (2026) Perbandingan Algoritma Naive Bayes dan K-Nearest Neighbors dalam menentukan lokasi dan waktu optimal penarikan pesanan driver ojek online. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

	Text 1_cover.pdf Download (536kB)
	Text 2_abstrak.pdf Download (130kB)
	Text 3_skbebasplagiarism.pdf Download (735kB)
	Text 4_daftarisi.pdf Download (112kB)
	Text 5_bab1.pdf Download (249kB)
	Text 6_bab2.pdf Restricted to Registered users only Download (425kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (681kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (750kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (102kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (115kB) | Request a copy

Abstract

Transportasi ojek online telah berkembang pesat di Indonesia sebagai bagian dari transformasi digital ekonomi. Status penyedia layanan ojek online dengan driver ojek online merupakan mitra sebagaimana diatur dalam Pasal 26 (huruf F) Undang-Undang Nomor 20 Tahun 2008 tentang Usaha Mikro, Kecil dan Menengah. Data tahun 2017 menunjukkan tingkat adopsi layanan ojek online melampaui 70%, dengan perkiraan 17.000 hingga 22.000 mitra aktif di ibu kota. Akibat perkembangannya yang begitu cepat, jumlah mitra yang membludak menimbulkan masalah persaingan ketat antar mitra untuk mendapatkan pesanan. Penelitian ini bertujuan untuk membandingkan performa algoritma Naïve Bayes dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan lokasi penarikan pesanan yang optimal berdasarkan pola waktu. Penelitian ini menggunakan dataset “Online Taxis Pontianak Indonesia” dari Kaggle dengan fokus pada pengolahan fitur temporal untuk menghindari kebocoran data dari fitur koordinat. Berdasarkan hasil pengujian, KNN terbukti lebih unggul dengan akurasi tertinggi sebesar 27,45% pada skenario pembagian data 90:10 dengan nilai k=3. Hal ini menunjukkan bahwa KNN lebih efektif dalam menangkap pola lokal hubungan antara waktu dan lokasi jika didukung data latih yang besar. Sebaliknya, Naïve Bayes menunjukkan performa yang stagnan dengan akurasi 25% pada seluruh skenario akibat bias terhadap kelas mayoritas. Penelitian ini menyimpulkan bahwa model KNN lebih direkomendasikan sebagai landasan sistem rekomendasi bagi mitra ojek online dibandingkan probabilitas acak yang hanya sebesar 16,6% karena mampu memberikan prediksi yang lebih presisi.

Actions (login required)

View Item