Al Islamy, Irshad (2019) Peramalan Jumlah Penumpang KRL Commuter Line Menggunakan Metode Deep Neural Network (DNN). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000049-Undergraduate_Theses.pdf Download (4MB) | Preview |
Abstract
KRL Commuter Line merupakan salah satu transportasi yang diminati oleh masyarakat DKI Jakarta. Hal ini ditunjukkan oleh peningkatan jumlah pengguna KRL Commuter Line dari Januari 2013 hingga Juli 2018 dimana pada Januari 2013, jumlah penumpang KRL Commuter Line mencapai 10.089.000 penumpang dan meningkat hingga 29.086.000 penumpang pada Juli 2018. Tingginya minat masyarakat DKI Jakarta terhadap KRL Commuter Line menjadikan PT.KAI Commuter Jakarta seyogyanya mampu mengantisipasi kenaikan jumlah penumpang di masa yang akan datang. Karena itu, diperlukan peramalan jumlah penumpang KRL Commuter Line yang bertujuan untuk mengetahui perkiraan jumlah penumpang KRL Commuter Line pada masa depan. Dalam menyelesaikan permasalahan meramalkan jumlah penumpang KRL Commuter Line di masa yang akan datang, dilakukan dengan menggunakan metode DNN (Deep Neural Network) dengan menggunakan enam variabel, yaitu; variabel waktu keberangkatan penumpang (hari, tanggal, dan bulan), variabel hari libur, variabel stasiun, dan variabel jumlah penumpang pada waktu dan stasiun tersebut. Hasil yang didapatkan dari peramalan menggunakan model yang didapatkan dari metode DNN (Deep Neural Network) menunjukkan nilai akurasi yang sangat baik untuk setiap stasiun yang dilalui KRL Commuter Line yaitu dengan MAPE < 10% dimana stasiun dengan MAPE terkecil dimiliki oleh Stasiun Depok Baru dengan nilai 0.706% dan MAPE terbesar dimiliki oleh Stasiun Cawang dengan nilai 9.964% serta rata-rata MAPE seluruh stasiun yaitu 3.423%. Hal ini berarti model yang diperoleh mempunyai hasil peramalan yang sangat baik. Harapan yang diharapkan dari penelitian peramalan dalam tugas akhir ini yaitu kebermanfataan hasil peramalan sebagai bahan pertimbangan dalam memutuskan kebijakan dalam mengantisipasi kenaikan jumlah penumpang KRL Commuter Line di masa depan.
=================================================================================================================================
KRL Commuter Line is one of the most favourable transportation for people in DKI Jakarta. This is indicated by the increasing of the number of Commuter Line KRL passengers from January 2013 to July 2018 which in January 2013, the number of KRL Commuter Line passengers reached 10,089,000 passengers and increased to 29,086,000 passengers in July 2018. The high interest of the DKI Jakarta people towards KRL Commuter Line makes PT. KAI Jakarta Commuter should be able to anticipate the increasing of the number of passengers in the future. Therefore, it is necessary to forecast the number of KRL Commuter Line passengers which aims to determine the estimated number of KRL Commuter Line passengers in the future. In solving the problem of predicting the number of KRL Commuter Line passengers in the future, DNN (Deep Neural Network) method used with six variables, that are; departure time (day, month, year) variable, holiday variable, final destination station variable, and the number of passengers at that time and station. The obtained forecasting results from the obtained model from the DNN (Deep Neural Network) method show very good accuracy rate for each station of KRL Commuter Line with MAPE < 10% which the station with the xii smallest MAPE is Depok Baru Station with 0.706 % and the biggest MAPE is Cawang Station with 9.964% and the average MAPE of all stations is 3.423%. This means that the obtained model has very good forecasting results. The expectations of this study is the usefulness of this study as a consideration in deciding policies for anticipation of the increasing number of Commuter Line KRL passengers in the future.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 519.55 Ali p-1 2019 |
| Uncontrolled Keywords: | Data Deret Waktu, DNN (Deep Neural Network, MAPE, Penumpang KRL Commuter Line, Peramalan |
| Subjects: | H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Irshad Al Islamy |
| Date Deposited: | 31 May 2024 01:55 |
| Last Modified: | 31 May 2024 01:55 |
| URI: | http://repository.its.ac.id/id/eprint/64545 |
Actions (login required)
 |
View Item |