Perpustakaan Digital ITB

Terdapat berbagai jenis angkutan umum di Indonesia salah satunya adalah Angkot (Angkutan Kota) yang menjadi fokus dalam penelitian ini. Data angkot yang dipakai pada penelitian ini menggunakan data yang telah dikumpulkan dari aplikasi SEMUT dan GPS Tracker yang dipasang pada setiap angkot. Data sensor global positioning system (GPS) ini dapat digunakan untuk memudahkan dalam memonitor segala aktivitas dan perilaku angkot. Pada penelitian kali ini membangun model yang dapat mendeteksi perilaku anomali pada angkot. Anomali didefinisikan sebagai suatu kejadian atau keadaan perilaku yang menyimpang. Model tersebut dibangun agar dapat memberi informasi ketika terjadi perilaku anomali. Sebelum melakukan analisis pada data, data SEMUT melewati proses data cleaning terlebih dahulu seperti parsing, correction and standardization, enchacement, macthing, dan consolidating. Selanjutnya dilakukan praproses yaitu seleksi atribut, Exploratory Data Analysis (EDA), menentukan data training dan data testing. Setelah melakukan tahap EDA maka aktivitas dan perilaku angkot dapat diamati dan dapat mendefinisikan perilaku anomali pada angkot. Selanjutnya dilakukan pemisahan data angkot yang memiliki perilaku normal untuk pembangunan model deteksi perilaku anomali angkot dengan metode Autoencoder Long Short Term Memory (LSTM). Model Autoencoder Long Short Term Memory (LSTM) ini digunakan untuk melatih data normal tanpa label. Hasil dari evaluasi model tersebut memiliki nilai loss MAE yang nilainya semakin kecil selama pelatihan. Nilai loss MAE akhir pada pelatihan mendapat 0.0099. Adapun output dari hasil deteksi perilaku anomali angkot menggunakan Autoencoder Long Short Term Memory adalah label data. Data uji akan otomatis diberi label true atau false. Label true diberikan jika nilai loss MAE pada data uji lebih besar dari nilai threshold (0.1) maka dapat disimpulkan terdapat perilaku anomali angkot, sedangkan false diberikan ketika loss MAE pada data uji kurang dari nilai threshold 0.1 maka dapat disimpulkan angkot memiliki perilaku normal. Pengujian dilakukan dengan melakukan pengecekan dan membandingkan hasil keluaran dari model dengan hasil pengecekan secara manual, model Autoencoder Long Short Term Memory mendapat akurasi 89.6% . Selanjutnya dibangun model tipe perilaku anomali angkot dengan menggunakan metode Iterative Dichotomiser Three (ID3). Adapun ii tipe perilaku anomali angkot yang dilakukan angkot terdiri dari angkot keluar dari jalur trayek (Off Track), mengetem (Waiting) dan ngebut (Speeding). Pada proses pelatihan ini dilakukan eksperimen dengan melakukan normalisasi pada data dan tanpa normalisasi pada data. Teknik evaluasi training dan testing yang digunakan adalah 10-fold cross validation. Untuk mengetahui perbedaan kinerja model ID3 dengan normalisasi dan model ID3 tanpa normalisasi digunakan Uji T-Test. Berdasarkan pengujian tersebut, karena nilai sig ? ? yaitu sig. (p-value) 0.001 <0.05 maka H0 ditolak dan menerima H1 (ada perbedaan signifikan). Maka dapat disimpulkan terdapat perbedaan siginifikan kinerja model ID3 dengan menggunakan normalisasi dan model ID3 tanpa menggunakan normalisasi. Dimana untuk model ID3 dengan normalisasi mendapat akurasi, precision, recall dan fmeasure lebih tinggi dari model ID3 tanpa normalisasi. Model ID3 dengan normalisasi mendapat akurasi 98% dan akurasi model ID3 tanpa normalisasi mendapat akurasi 95%. Selanjutnya dilakukan pengujian dengan data baru yang tidak terpakai dan membandingkan keluaran model dengan hasil eksplorasi data berdasarkan waktu. Hasil pengecekan dan pengujian memiliki akurasi 91.2%. Keseluruhan hasil eksperimen EDA dan model ditampilkan dalam bentuk web dashboard.