BAB I PENDAHULUAN 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Pada era informasi, kebutuhan akan teknologi memberikan peranan yang sangat penting dalam mendukung aktivitas manusia. Salah satu contohnya adalah pengembangan teknologi yang dilakukan untuk meningkatkan kualitas layanan transportasi. Pengertian transportasi pada dasarnya merupakan suatu proses pergerakan pemindahan manusia atau barang dari suatu tempat ke tempat lain. Hal ini berkaitan dengan keinginan manusia untuk memenuhi kebutuhan hidupnya sehari-hari (Morlok, 1978). Namun kebutuhan akan transportasi pada penggunaan kendaraan bermotor dapat meningkatkan volume kendaraan arus lalu lintas dan dapat menyebabkan terjadinya kemacetan, kecelakaan dan permasalahan lingkungan yang saat ini sudah berada di atas ambang batas. Sehingga perlu adanya penyediaan layanan transportasi yang baik untuk mengurangi dampak permasalahan transportasi dan juga dapat bermanfaat untuk memperbaiki pemerataan pembangunan, melancarkan mobilitas distribusi barang dan jasa serta meningkatkan kesejahteraan masyarakat di wilayah pedalaman dan terpencil (Fitriati, 2010). Pengembangan teknologi diarahkan pada peningkatan kualitas layanan transportasi agar efisien, andal, berkualitas aman dan dengan harga yang terjangkau. Kemacetan sering terjadi di kota besar, biasanya timbul karena kebutuhan akan transportasi lebih besar daripada prasarana transportasi yang tersedia, atau prasarana tersebut tidak berfungsi sebagaimana mestinya (Yani, 2004). Langkahlangkah yang dilakukan dalam pembangunan angkutan cepat massal (Bus Rapid Transit) merupakan salah satu solusi alternatif dari pemerintah untuk mengurangi kemacetan arus lalu-lintas (Fitriati, 2010). Bus Rapid Transit (BRT) adalah moda transportasi publik berbasis sistem transit yang cepat, nyaman, dan biaya murah untuk mobilitas perkotaan. Moda transportasi ini menggunakan jaringan transit halte atau shelter khusus sebagai tempat pertemuan antara penumpang dan bus. Alat

2 2 pembayaran yang digunakan memanfaatkan Smart card Automated Fare Collection System (SCAFCS) atau sistem tiket berbasis teknologi smart card yang mempunyai rangkaian terintegrasi dan mampu memproses serta menyimpan data. Teknologi smart card yang digunakan sebagai e-ticketing fare atau alat pembayaran elektronik transportasi publik menjadikan pelayanan transportasi menjadi lebih cepat, mudah dan efisien. Dalam meningkatkan kualitas layanan transportasi, penyedia layanan transportasi sebaiknya mampu mengidentifikasi faktor-faktor yang mempengaruhi banyaknya penumpang melalui analisis pola perjalanan pengguna. Pada kasus ini, dataset terus bertambah dalam waktu yang relatif singkat sehingga dataset tersebut memiliki kemiripan karakteristik pada BigData. Secara umum, BigData adalah dataset yang tidak bisa diperoleh, dikelola dan diproses oleh software maupun hardware IT biasa dalam waktu yang singkat (Chen, 2014). Sedangkan Gantz dan Reinsel (2011) menyebut fenomena BigData dengan empat V yaitu Volume, Variety, Velocity dan Value. Definisi empat V tersebut secara luas telah diakui karena makna dan kebutuhan data yang besar sekaligus mengeksplorasi nilai-nilai tersembunyi dari suatu BigData. Nilai-nilai yang tersembunyi merupakan informasi yang dapat digunakan untuk kepentingan bisnis. Pada penelitian ini akan digunakan konsep data mining dalam memahami dan mempelajari pola transaksi penumpang berdasarkan waktu transaksi, transaksi yang berhasil dan tidak berhasil pada tiap jaringan transit halte atau shelter. Data mining adalah proses menemukan adanya keterhubungan data serta mendapatkan informasi yang bermanfaat. Salah satu teknik data mining yang digunakan yaitu metode clustering. Clustering melakukan pengelompokan data yang mirip di suatu kelompok atau klaster dan data yang tidak mirip dengan kelompok lainnya. Sehingga metode clustering dapat membantu mendapatkan informasi dari hasil pengelompokan jumlah penumpang di lokasi halte. Penentuan algoritme yang digunakan di dasari oleh karakteristik data yang memiliki jumlah dimensi yang relatif sedikit dan pengelompokan data yang dihasilkan dengan jumlah klaster yang sedikit. Pada penelitian ini akan digunakan salah satu algoritme clustering yaitu algoritme K-Means. Algoritme K-Means

3 3 memiliki pemrosesan yang cukup efektif ketika data yang diproses memiliki dimensi yang sedikit. Selain itu algoritme clustering ini umum digunakan karena relatif mudah di implementasikan, akan tetapi algoritme K-Means mempunyai kekurangan pada akurasi dan kemungkinan waktu proses yang lebih lama jika titiktitik data yang dikelompokan berjumlah sangat besar. Inisialisasi pemilihan awal titik pusat bersifat acak sehingga akurasi pengelompokan yang dihasilkan menjadi kurang optimal karena titik pusat yang berbeda mempunyai kemungkinan terpilih dalam satu klaster yang sama atau terjebak pada local optima (Berkhin, 2006). Kemudian pada skalabilitasnya masih tidak feasible untuk data dengan jumlah besar karena akan menyebabkan banyak iterasi pada multiple starting point. Inisialisasi titik pusat yang tepat pada algoritme K-Means merupakan hal yang penting untuk mendapatkan hasil akhir yang baik. Penelitian (Bahmani, 2012) mengembangkan Scalable K-Means++ dengan non-random atau careful seeding yang secara teoritis menghasilkan hasil yang cukup efektif untuk memecahkan masalah optimasi inisialisasi klaster pada algoritme K-Means dalam menghadapi pemrosesan data yang besar, yaitu dengan menyebarkan inisialisasi titik pusat secara merata dan tidak berdekatan dengan titik pusat lainya. Pada penelitian ini mengusulkan penerapan algoritme clustering yaitu K- Means dan Scalable K-Means++ pada platfrom Spark, platform ini sering digunakan untuk penerapan algoritme analisis pada penanganan skalabilitas dataset besar dan waktu pemrosesan yang cepat. Spark mewujudkan pemrosesan paralel yang cepat dan efisien. Data yang diuji merupakan data transaksi pada tahun 2015 dan model penyimpanannya menggunakan Hadoop Distributed File System (HDFS). Metode yang dipakai dalam pengujian hasil clustering adalah metode evaluasi Sum of Square Error dan Silhouette coefficient untuk penentuan jumlah k klaster yang paling sesuai serta digunakan sebagai evaluasi kualitas algoritme dalam melakukan clustering data, selanjutnya data hasil clustering akan divisualisasikan untuk menampilkan informasi jumlah pengguna Bus Rapid Transit berdasarkan pengelompokan dari segi waktu, lokasi, dan jumlah transaksi.

4 4 1.2 Rumusan Masalah Berdasarkan latar belakang yang dikemukakan diatas, maka dapat dirumuskan permasalahan pada penelitian ini, yaitu : 1. Bagaimana melakukan pengelompokan jumlah pengguna Bus Rapid Transit menggunakan metode clustering berdasarkan parameter waktu transaksi, lokasi dan jumlah transaksi? 2. Bagaimana algoritme clustering K-Means mengatasi skalabilitas dataset yang besar? 3. Apakah clustering pada algoritme Scalable K-Means++ dapat memiliki kinerja yang lebih baik dibandingkan dengan penggunaan algoritme K- Means? 1.3 Batasan Masalah Masalah dalam penelitian ini akan dibatasi oleh beberapa hal, yaitu: 1. Dataset yang diperoleh adalah data transaksi penumpang Bus Rapid Transit tahun 2015 dengan banyak record data transaksi yang didapatkan dari Direktorat Sistem dan Sumber Daya Informasi (DSSDI) Universitas Gadjah Mada dengan typefile data.csv. 2. Data bersifat anonym dan tidak ada data yang merujuk pada informasi individu pemegang kartu tersebut. 1.4 Tujuan Penelitian Penelitian ini dilakukan dengan beberapa tujuan, yaitu: 1. Menganalisis metode pengelompokan data dengan clustering pada dataset transaksi Bus Rapid Transit. 2. Mengimplementasikan algoritme K-Means dan Scalable K-Means++ di dalam pemrosesan paralel menggunakan Spark serta mengetahui kemampuan atau performa dari algoritme tersebut. 1.5 Manfaat Penelitian Setelah mendapatkan hasil dari penelitian ini, diharapkan hasil tersebut dapat memberikan manfaat sebagai berikut;

5 5 1. Memberikan penjelasan proses clustering dataset kepada penyedia layanan transportasi Bus Rapid Transit untuk analisis jumlah transaksi penumpang terhadap waktu di tiap haltenya. 2. Menjadi solusi dalam mengatasi persoalan pengolahan data besar ketika jumlah transaksi penumpang semakin bertambah 1.6 Metodologi Penelitian Metode penelitian yang digunakan pada penyusunan tugas akhir ini adalah: 1. Studi Literatur Perumusan metode dan teori tentang data mining berbasis pengolahan data besar dalam bidang transportasi Bus Rapid Transit. Sumber perumusan didapatkan dari buku, jurnal, karya ilmiah, atau penelitian lain 2. Analisis Data Dilakukan penyelidikan mengenai proses raw data collection dan karakteristik data. Analisis pada rangkaian alur data dilakukan untuk merancang proses filter data, pembersihan data maupun transformasi data. 3. Rancangan Algoritme Perancangan algoritme dilakukan berdasarkan data-data hasil analisis. Dari hasil analisis dan rancangan ini, dapat ditentukan tools dan metode yang cocok untuk digunakan dalam proses implementasi. 4. Implementasi Algoritme Implementasi untuk program data mining menggunakan metode clustering dalam Spark. Terdiri dari dua tahapan yaitu praproses dataset dan pengelompokan transaksi penumpang menggunakan metode clustering. 5. Pengujian Analisis hasil pengujian algoritme yang digunakan dan visualisasi pengelompokan data clustering.

6 6 1.7 Sistematika Penulisan Penelitian ini terdiri dari tujuh bab dengan sistematika masing-masing bab adalah sebagai berikut: 1. BAB I PENDAHULUAN Bab ini memuat latar belakang, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan metode penelitian. 2. BAB II TINJAUAN PUSTAKA Bab ini memuat uraian sistematis tentang informasi hasil penelitian yang disajikan dalam pustaka dan menghubungkannya dengan masalah penelitian yang sedang diteliti. 3. BAB III LANDASAN TEORI Bab ini memuat pengertian-pengertian dan sifat-sifat yang diperlukan untuk perumusan dan rancangan penelitian yang meliputi sistem pemrosesan paralel dan metode clustering yang digunakan. 4. BAB IV METODOLOGI PENELITIAN Bab ini menguraikan analisis sistem pengolahan data besar yang akan dibuat dan kebutuhan sistem lainnya yang meliputi kebutuhan fungsional dan kebutuhan non-fungsional sistem serta prosedur kerja. 5. BAB V IMPLEMENTASI Bab ini menguraikan tentang implementasi sistem secara detail sesuai dengan rancangan dan berdasarkan komponen-komponen yang digunakan. 6. BAB VI HASIL DAN PEMBAHASAN Bab ini berisi mengenai semua temuan ilmiah yang diperoleh sebagai data hasil penelitian. 7. BAB VII PENUTUP Bab ini berisi kesimpulan yang diambil dari hasil pembahasan serta saran saran untuk penelitian selanjutnya.