Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemacetan lalu lintas di Jakarta diakibatkan tingginya mobilitas kendaraan mulai dari transportasi umum hingga transportasi barang yang juga kerap melakukan pelanggaran-pelanggaran seperti Over Dimension and Over Loading (ODOL). Maka dari itu, perlu diadakan perencanaan yang matang terhadap pergerakan angkutan barang di Indonesia khususnya DKI Jakarta. Estimasi bangkitan perjalanan di DKI Jakarta untuk berbagai jenis komoditas menjadi penting dikarenakan setiap komoditas memiliki karakteristiknya masing-masing. Salah satu komoditas utama yang merupakan kebutuhan dasar manusia ialah bahan pangan, seperti sayur dan buah-buahan. Dengan demikian, diperlukan suatu kajian untuk memprediksi bangkitan perjalanan angkutan barang bahan pangan di DKI Jakarta. Penelitian ini dilakukan untuk mengetahui model bangkitan perjalanan angkutan barang dengan mengetahui jumlah volume yang ditarik dan diproduksi pada satu waktu di satu daerah dan juga faktor-faktor yang memengaruhi jumlah tersebut. Maka metode penelitian yang dipilih ialah Cross Sectional Studies, dimana dilakukan pengumpulan data sekaligus pada satu saat tertentu saja untuk mempelajari korelasi antara faktor-faktor tersebut. Penelitian ini menggunakan dua variabel independen yaitu luas toko dan jumlah karyawan, sedangkan untuk variabel dependen terdapat dua juga yang merupakan volume barang yang diatraksi dan diproduksi. Hasil prediksi dari model-model kedua variabel Y menunjukan bahwa estimasi yang didapatkan oleh model sudah cukup akurat, dimana perbedaan antara nilai Yaktual dengan nilai Ymodel tidak memiliki nilai yang ekstrim. Dari nilai ini maka dapat diestimasikan apabila terdapat 1000 toko yang menjual bahan pangan pada pasar induk kramat jati, maka perharinya ada kurang lebih 4050 ton barang yang masuk dan 2921 ton barang yang keluar pada Pasar Induk Kramat Jati. Hasil dari penelitian ini dapat digunakan oleh pihak perencanaan transportasi kota sebagai referensi untuk estimasi volume barang yang akan diatraksi dan diproduksi pada suatu daerah berdasarkan faktor-faktor yang sudah ditentukan sebelumnya......Traffic congestion in Jakarta is caused by the high mobility of vehicles ranging from public transportation to goods transportation which also often commits violations such as Over Dimension and Over Loading (ODOL). Therefore, it is necessary to carry out careful planning for the movement of goods transport in Indonesia, especially DKI Jakarta. The estimation of trip generation in DKI Jakarta for various types of commodities is important because each commodity has its own characteristics. One of the main commodities which is a basic human need is food, such as vegetables and fruits. Thus, a study is needed to predict the trip generation of food goods transportation in DKI Jakarta. This research was conducted to determine the freight transport trip generation model by knowing the amount of volume attracted and produced at one time in one area and also the factors that influence this amount. So the research method chosen is Cross Sectional Studies, where data collection is carried out at one time only to study the correlation between these factors. This study uses two independent variables, namely the size of the store and the number of employees, while for the dependent variable there are also two which are the volume of goods attracted and produced. The prediction results from the models of the two Y variables show that the estimates obtained by the model are quite accurate, where the difference between the actual value and the Ymodel value does not have an extreme value. From this value, it can be estimated that if there are 1,000 shops selling food at the Kramat Jati main market, then approximately 4,050 tons of goods come in per day and 2,921 tons of goods come out at the Kramat Jati Main Market. The results of this study can be used by urban transportation planning parties as a reference for estimating the volume of goods to be attracted and produced in an area based on predetermined factors."

"Tingkat kemacetan di Jakarta saat ini tergolong tinggi dan memiliki tren yang meningkat setiap tahu. Terdapat berbagai upaya yang dilakukan oleh pihak manajemen kemacetan untuk mengurangi kemacetan. Salah satu komponen yang perlu diperhatikan pada perencanaan upaya dalam mengurangi kemacetan adalah penemuan atribut yang memiliki pengaruh kepada tingkat kemacetan. Pendekatan machine learning (ML) pada beberapa tahun terakhir memberi hasil yang baik berdasarkan nilai metrik performa model. Maka, penelitian ini menggunakan algoritma ML, yaitu support vector machine (SVM), k-nearest neighbors (KNN), dan random forest (RF) untuk membangun model dalam memprediksi kemacetan serta menemukan faktor yang memiliki pengaruh terhadap kemacetan di ruas jalan. Variabel independen yang digunakan pada penelitian ini adalah jam, hari kerja, tanggal merah, curah hujan, ada tidaknya event, jam ganjil genap, volume motor, volume mobil, serta volume bus dan truk. Variabel dependen yang digunakan adalah tingkat kemacetan yang mewakili kecepatan rata-rata kendaraan di ruas jalan. Model dijalankan pada dua data, yakni pada data dengan variabel volume kendaraan dan data tanpa variabel kendaraan. Hasil penelitian menunjukkan model SVM, KNN, dan RF memberikan nilai akurasi, precision, recall, dan F1 score di atas 80% pada kedua data. Adapun faktor yang memiliki pengaruh kuat terhadap tingkat kemacetan terdiri dari jam dan jam ganjil genap pada data tanpa volume kendaraan serta volume motor, volume mobil, volume bus dan truk, jam, dan jam ganjil genap pada data dengan volume kendaraan.......The level of congestion in Jakarta is currently high and has an increasing trend every year. There are various efforts made by congestion management to reduce congestion. One component that needs to be considered in planning efforts to reduce congestion is the discovery of attributes that have an influence on the level of congestion. Machine learning (ML) approaches in recent years have provided good results based on the value of model performance metrics. So, this study uses ML algorithms, namely support vector machine (SVM), k-nearest neighbors (KNN), and random forest (RF) to build a model to predict congestion and find factors that have an influence on congestion on road sections. The independent variables used in this study are hours, weekdays, red dates, rainfall, presence or absence of events, even odd hours, motorcycle volume, car volume, and bus and truck volume. The dependent variable used is the level of congestion, which represents the average speed of vehicles on the road. The model was run on two data, namely on data with vehicle volume variables and data without vehicle variables. The results showed that the SVM, KNN, and RF models provided accuracy, precision, recall, and f1 score values above 80% on both data. The factors that have a strong influence on the level of congestion consist of hours and even odd hours on data without vehicle volume and motorcycle volume, car volume, bus and truck volume, hours, and even odd hours on data with vehicle volume."