Penelitian ini memberikan gambaran yang jelas tentang bagaimana teknologi pembelajaran mesin dapat meningkatkan prediksi permintaan penumpang transportasi publik. Dengan menggunakan arsitektur Sequential CNN-LSTM, operator transportasi publik dapat meraih akurasi yang lebih tinggi dalam memprediksi perubahan pola penumpang, mengurangi biaya operasional, serta meningkatkan efisiensi layanan. Keunggulan model ini terlihat dari MSE yang rendah, yang menegaskan efektivitas pendekatan tersebut dalam menangani data spasial-temporal.
Dalam menghadapi tantangan mobilitas perkotaan yang semakin kompleks, adopsi metode prediksi yang lebih canggih menjadi sangat penting. Penelitian ini telah menunjukkan bahwa penggabungan CNN dan LSTM adalah solusi inovatif yang dapat diadaptasi secara luas. Selain itu, memasukkan variabel eksogen seperti cuaca dan acara khusus, sebagaimana dicontohkan dalam model augmentasi, menambah dimensi baru yang menjanjikan bagi pengembangan lebih lanjut di bidang prediksi transportasi.
Secara keseluruhan, penerapan hasil penelitian ini tidak hanya akan memberikan manfaat bagi Amsterdam, tetapi juga menawarkan peluang bagi kota-kota besar lainnya untuk mengelola sistem transportasi publik mereka secara lebih efektif dan responsif terhadap permintaan yang terus berubah.
Referensi
Khalil, S., Amrit, C., Koch, T., & Dugundji, E. (2021). Forecasting public transport ridership: Management of information systems using CNN and LSTM architectures. Procedia Computer Science, 184, 283-290. https://doi.org/10.1016/j.procs.2021.03.037
Baca konten-konten menarik Kompasiana langsung dari smartphone kamu. Follow channel WhatsApp Kompasiana sekarang di sini: https://whatsapp.com/channel/0029VaYjYaL4Spk7WflFYJ2H
