Estimasi waktu kedatangan pada sistem pelacakan bus berbasis Internet of Things dengan menggunakan algoritma k-nearest neighbor regression

Nurnaningsih, Nenti (2024) Estimasi waktu kedatangan pada sistem pelacakan bus berbasis Internet of Things dengan menggunakan algoritma k-nearest neighbor regression. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover (1).pdf Download (285kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak (1).pdf Download (300kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi (1).pdf Download (286kB) | Preview
Preview	Text (BAB I) 4_bab1 (1).pdf Download (341kB) | Preview
	Text (BAB II) 5_bab2 (1).pdf Restricted to Registered users only Download (561kB)
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (894kB)
	Text (BAB IV) 7_bab4 (1).pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (300kB)
	Text (DAFTAR PUSTAKA) 9_daftarpustaka (1).pdf Restricted to Registered users only Download (251kB)

Abstract

Peningkatkan minat masyarakat dalam menggunakan transportasi umum sangat penting untuk mengurangi dampak kemacetan dan polusi udara. Penelitian ini bertujuan untuk membangun sistem estimasi waktu kedatangan bus yang diharapkan dapat meningkatkan kenyamanan penumpang transportasi umum sehingga meningkatkan minat masyarakat untuk menggunakan tranportasi umum. metode yang digunakan pada penelitian ini yaitu metode prototype. Sistem dibangun berbasis internet of things dengan antarmuka web, sedangkan algoritmanya untuk estimasinya menggunakan K-Nearest Neighbor Regression. Hasil dari penelitian ini yaitu, algoritma K-NN Regression berhasil mencapai MAPE sebesar 18.99%, RMSE sebesar 41.2155, dan nilai R2 sebesar 0.9886. Pengujian dengan data aktual menunjukkan perbedaan signifikan antara hasil prediksi dan data aktual, dengan selisih waktu terkecil 41 detik dan terbesar 2 menit 59 detik, ini menunjukkan hasil estimasi sudah cukup mendekati, namun masih ada selisih yang cukup tinggi yang mungkin disebabkan oleh kondisi lalu lintas atau waktu berhenti bus saat penumpang naik dan turun yang tidak ikut dipertimbangkan oleh model. Sedangkan hasil perbandingan dengan prediksi Google Maps dan perhitungan matematis, model dapat memberikan hasil prediksi yang hampir mirip dengan hasil perhitungan matematis namun cukup berbeda hasil prediksi google maps, dikarenakan prediksi Google Maps yang kurang spesifik untuk satuan waktunya dan perbedaan preferensi dalam mengambil nilai kecepatan.

Actions (login required)

View Item