Jawaban Cerdas untuk Prediksi Penumpang Transportasi PerkotaanÂ
Dalam dunia yang semakin padat, mobilitas menjadi aspek penting dalam kehidupan perkotaan. Sistem transportasi publik memainkan peran kunci dalam mengurangi kemacetan, menurunkan emisi karbon, dan memberikan solusi mobilitas yang lebih ekonomis. Namun, tantangan terbesar yang dihadapi operator transportasi publik adalah memprediksi permintaan penumpang secara akurat. Artikel yang ditulis oleh Sergey Khalil, Chintan Amrit, Thomas Koch, dan Elenna Dugundji (2021), berjudul Forecasting Public Transport Ridership: Management of Information Systems using CNN and LSTM Architectures, mengeksplorasi pendekatan baru dalam memprediksi jumlah penumpang transportasi publik dengan menggunakan jaringan saraf konvolusional (CNN) dan jaringan memori jangka pendek (LSTM).
Di Amsterdam, misalnya, data historis penumpang transportasi publik diolah menjadi matriks gambar spatio-temporal untuk mengidentifikasi pola perjalanan. Hasil penelitian menunjukkan bahwa arsitektur Sequential CNN-LSTM memberikan hasil prediksi yang paling akurat. Hal ini tidak hanya menguntungkan bagi operator transportasi publik yang dapat meningkatkan efisiensi layanan mereka, tetapi juga membantu dalam perencanaan masa depan, seperti pengenalan jalur baru dan penyesuaian jadwal. Pada skala global, permintaan penumpang transportasi publik sering kali fluktuatif, dipengaruhi oleh berbagai faktor, termasuk pembukaan jalur baru seperti North-South Metro Line di Amsterdam pada 2019. Oleh karena itu, sistem prediksi yang lebih baik sangat dibutuhkan untuk memastikan operasi yang optimal.
Dengan memanfaatkan metode pembelajaran mesin yang canggih, penelitian ini memperkenalkan solusi baru untuk mengatasi masalah klasik dalam perencanaan transportasi, sekaligus menjanjikan efisiensi yang lebih besar dan prediksi yang lebih akurat. Dengan prediksi permintaan yang lebih baik, pengurangan biaya operasional dan peningkatan layanan dapat diharapkan terjadi dalam skala besar.
***
Pendekatan CNN dan LSTM yang digunakan dalam penelitian ini menawarkan inovasi dalam prediksi jumlah penumpang transportasi publik. Dengan memanfaatkan data historis dari tahun 2017 hingga 2019, yang mencakup lebih dari 60.000 pasangan asal-tujuan (origin-destination pairs), model ini mampu memprediksi perubahan pola perjalanan. Hasilnya menunjukkan bahwa arsitektur Sequential CNN-LSTM, yang menggabungkan kekuatan CNN dalam mengidentifikasi pola spasial dan LSTM dalam memahami pola temporal, memberikan akurasi prediksi yang jauh lebih tinggi dibandingkan model lainnya, dengan Mean Squared Error (MSE) pada set pelatihan mencapai 0,000294. Ini merupakan pencapaian signifikan dibandingkan model CNN atau LSTM murni yang memiliki MSE lebih tinggi.
Dalam konteks Amsterdam, penurunan prediksi kesalahan ini sangat penting, terutama setelah pembukaan Jalur Metro Utara-Selatan pada 2019, yang diperkirakan mempengaruhi permintaan transportasi publik secara drastis. Penggunaan data kuartalan juga menunjukkan bahwa model ini mampu menyesuaikan dengan variasi musiman dalam perjalanan penumpang, seperti peningkatan permintaan selama musim panas dan penurunan selama musim dingin.
Selain itu, metode augmentasi yang diterapkan dalam arsitektur Augmented Sequential CNN-LSTM menunjukkan potensi untuk meningkatkan performa prediksi dengan memasukkan variabel eksogen, seperti kondisi cuaca atau hari-hari khusus. Hal ini membuat model lebih fleksibel dan mampu menangani berbagai situasi tak terduga yang mungkin mempengaruhi permintaan penumpang. Meskipun model ini sedikit lebih kompleks dalam hal arsitektur, manfaat yang dihasilkan dalam meningkatkan keakuratan prediksi dapat memberikan keuntungan besar dalam pengambilan keputusan operasional. Model augmented ini, dengan MSE sebesar 0,001089 pada set pengujian, masih menunjukkan performa yang baik dan berpotensi digunakan dalam aplikasi prediksi lainnya.
Yang menarik adalah model CNN murni yang awalnya diprediksi bisa memberikan hasil baik ternyata menunjukkan kelemahan. MSE CNN yang mencapai 0,018105 pada pelatihan menunjukkan bahwa model ini lebih cocok untuk pengenalan pola spasial, tetapi tidak efektif dalam memprediksi tren temporal. Ini mengindikasikan bahwa meskipun CNN dapat mengenali pola distribusi penumpang secara geografis, ia gagal dalam memprediksi perubahan pola waktu, seperti yang terjadi pada transportasi publik yang dinamis.
Penelitian ini menunjukkan bahwa dengan penggunaan data yang tepat dan kombinasi arsitektur model yang optimal, akurasi prediksi dapat meningkat secara signifikan. Penghematan biaya operasional, pengurangan waktu tunggu penumpang, dan peningkatan kualitas layanan transportasi publik adalah beberapa implikasi dari penelitian ini, yang tidak hanya relevan di Amsterdam, tetapi juga dapat diterapkan di kota-kota besar lainnya di dunia yang mengalami masalah serupa dalam manajemen transportasi publik.
***
