PREDIKSI KEPADATAN PENUMPANG PADA HALTE LAYANAN BUS RAPID TRANSIT (BRT) TRANSJAKARTA MENGGUNAKAN MULTI-GRAPH CONVOLUTIONAL NETWORK

Abstract

Penelitian ini bertujuan untuk memodelkan dan mengeksplorasi kepadatan penumpang di halte-halte layanan Bus Rapid Transit (BRT) Transjakarta dengan menggunakan model Multi-Graph Convolutional Network. Model ini merupakan kombinasi dari Graph Convolutional Network (GCN) dengan Three-Dimensional Convolutional Neural Network (3D CNN). Data penumpang BRT Transjakarta diperoleh dari Direktorat Sistem Teknologi Informasi dan Pelayanan Transjakarta. Data yang digunakan adalah sebanyak 225 halte yang terdiri dari 14 koridor BRT Transjakarta. Selain itu, data juga dibagi menjadi tiga interval waktu jangka pendek yaitu 10, 15, dan 30 menit. Optimasi hyperparameter dan evaluasi performa model menggunakan R^2, WMAPE, dan RMSE dilakukan melalui custom split cross-validation dengan skema expanding window. Hasil pengujian menunjukkan bahwa model menghasilkan performa yang sangat baik dalam memprediksi kepadatan penumpang BRT Transjakarta. Hal ini dibuktikan dengan nilai R^2 mencapai angka 0,801, WMAPE mencapai 0,151, dan RMSE mencapai 14,490 pada hasil interval waktu terbaik yaitu 30 menit. Selanjutnya, hasil prediksi selama dua hari ke depan pada sepuluh halte tersibuk menunjukkan prediksi yang konsisten dengan pola tren yang naik ketika jam sibuk serta menurun ketika jam tidak sibuk sesuai dengan data historis pada kepadatan halte BRT.

This study aims to model and explore passenger density at Transjakarta Bus Rapid Transit (BRT) stations using Multi-Graph Convolutional Network model. The proposed model integrates a Graph Convolutional Network (GCN) with a Three-Dimensional Convolutional Neural Network (3D CNN). Transjakarta BRT passenger data were obtained from the Directorate of Information Technology System and Services of Transjakarta. The data utilized encompass 225 stations distributed across 14 BRT corridors. Furthermore, the data were divided into three short-term time intervals, 10, 15, and 30 minutes. Hyperparameter optimization and model performance evaluation using R^2, WMAPE, and RMSE were conducted through a custom split cross-validation method utilizing an expanding window scheme. The experimental results demonstrate that the model achieves excellent performance in predicting Transjakarta BRT passenger density. This is evidenced by an R^2 value of 0,801, a WMAPE of 0,151, and an RMSE of 14,490 for the best time interval result, 30 minutes. Furthermore, the two-day forecasting results for the ten busiest stations exhibit predictions that are consistent with historical data trends, accurately reflecting passenger surges during peak hours and declines during off-peak hours.