Optimasi Algoritma Long Short-Term Memory dengan Adaptive Moment Estimation untuk Estimasi Jumlah Penumpang Bus Transjakarta

Abstract

Pandemi COVID-19 menyebabkan perubahan drastis dalam pola penggunaan transportasi umum di Jakarta, termasuk penurunan tajam dan lonjakan jumlah penumpang Bus Transjakarta. Fluktuasi ini menimbulkan tantangan dalam merancang estimasi kebutuhan layanan di masa depan. Penelitian ini bertujuan mengembangkan model prediksi jumlah penumpang Transjakarta yang akurat dengan mengoptimalkan algoritma Long Short-Term Memory (LSTM) menggunakan metode Adaptive Moment Estimation. Metode penelitian dilakukan dengan mengumpulkan data historis jumlah penumpang dari tahun 2017 hingga 2021, melakukan preprocessing data, membangun model LSTM, serta mengoptimasi parameter dengan Adam untuk mengurangi error prediksi. Hasil penelitian menunjukkan bahwa kombinasi LSTM dengan optimasi Adam mampu menurunkan nilai Mean Absolute Percentage Error (MAPE) secara signifikan, dari 0,38% menjadi 0,25%, menghasilkan prediksi jumlah penumpang yang lebih akurat di seluruh koridor Transjakarta. Implikasi dari penelitian ini memberikan kontribusi dalam pengembangan strategi operasional Transjakarta, seperti pengaturan armada dan perencanaan rute berbasis data prediktif, serta mendorong penerapan machine learning dalam pengelolaan transportasi publik yang lebih adaptif terhadap perubahan pola mobilitas masyarakat pasca-pandemi.