Pemanfaatan Predictive Big Data Analytics pada

Transportasi Online
Arsyan Syahir
Magister Manajemen Sistem Informasi
Program Magister Manajemen
Universitas Bina Nusantara
Jakarta, Indonesia
Yoshua Novaldy
Magister Manajemen Sistem Informasi
Program Magister Manajemen
Universitas Bina Nusantara
Jakarta, Indonesia
Romai Lidya
Magister Manajemen Sistem Informasi
Program Magister Manajemen
Universitas Bina Nusantara
Jakarta, Indonesia

Abstraksi—Proses algoritma yang digunakan untuk
mempertemukan driver online dengan penumpang merupakan
sebuah hal yang sangat penting dalam pembuatan sebuah
sistem transportasi online. Pada kenyataanya, keadaan
lingkunan dapat menyebabkan gangguan terhadap algoritma
yang ada dikarenakan, penumpang yang membutuhkan jasaa
transportasi jauh lebih banyak dari driver yang tersedia.
Penulis mencoba untuk menawarkan sebuah bidang ilmu yang
mungkin dapat bermanfaat untuk proses yang ada sekarang.
Predictive Big Data Analytic ini akan bermanfaat untuk
algoritma dalam mempertemukan driver dan penumpang
sehingga, walaupun keadaaan lingkungan yang ada, dapat
diantisipasi dengan adanya penanganan yang tepat terhadap
algoritma yang ada.
Kata-kata kunci—Big Data analytic, Predictive.Transportasi
Online.
I. PENDAHULUAN
Saat ini perkembangan di industri transportasi
berkembang dengan sangat pesat. Setiap tahun terjadi
peningkatan jumlah kendaraan baik kendaraan mobil
penumpang, mobil bis, mobil barang, maupun sepeda motor.
Dari keempat mode transportasi tersebut peningkatan
tertinggi terjadi pada sepeda motor dari tahun-ketahun. Data
yang bersumber dari Badan Pusat Statistik menerangkan
bahwa peningkatan jumlah sepeda motor dari tahun 2015 ke
2016 adalah sebesar 6.268.815 unit atau meningkat sebesar
6,34% (Badan Pusat Statistik, 2018).
Tabel 1 Jumlah Peningkatan Kendaraan di Indoensia
Jenis 2014 2015 2016
Mobil 12.599.038 13.480.973 14.580.666
Bis 2.398.846 2.420.917 2.486.898
Pick-Up 6.235.136 6.611.028 7.063433
Motor 92.976.240 98.882.267 105.150.082
Jumlah kendaraan yang semakin banyak ini menjadikan
transportasi online sebagai salah satu pilihan untama bagi
masyarakat untuk menghindari kemacetan yang terjadi. Di sisi
yang lain, ketidakseimbangan dapat terjadi jika lingkungan
seperti cuaca yang tidak diinginkan terjadi. Cuaca yang buruk
seperti hujan, dapat mengakibatkan menumpuknya jumlah
demand (Customer) dan berkurangnya jumlah supply
(Driver).
Pada saat kondisi tersebut seringkali yang terjadi adalah,
customer tidak mendapatkan driver yang mau mengantarkan
ke tempat tujuan, atau harga yang ditawarkan oleh applikasi
melonjak tinggi.
Predictive Big Data Analytic diharapkan dapat
memprediksi cuaca yang akan terjadi sehingga system dapat
memetakan dan mempreddiksi daerah mana yang akan
membutuhkan transportasi online yang lebih tinggi,
sehingga supply dan demand tetap seimbang.
II. STUDI LITERATUR
Teradapat beberapa penelitian dan studi ekstensif terkait
Big Data dan Predictive Analytic yang terkait dengan
perkiraan cuaca dan juga pada dunia Transportasi. Pada
dasarnya Big Data merupakan istilah yang berlaku untuk
informasi yang tidak dapat di proses atau dianalisis
menggunakan alat tradiosional [1]. Selain itu big data adalah
proses data yang melebihi proses kapasitas dari konvensi
system database yang ada. Data terlalu besar dan terlalu
cepat atau tidak sesuai dengan struktur arsitektur database
yang ada. Untuk mendapatkan nilai dari data, maka harus
memilih jalan altenatif untuk memprosesnya [2]. Teknologi
Big Data platform opensource, untuk menyimpan,
keamanan, akses, dan pengolahan data menggunakan
kerangka kerja sebagai contoh yang paling banyak
digunakan adalah Hadoop Open Source. Framework
menggunakan cluster untuk menangani data dalam skala
besar. Menggunakan system file terdistribusi (HDFS) untuk
menyimpan data dalam blok dan mereplikasi mereka di
beberapa mesin oleh server utama yang disebut master node,
yang mengelola replikasi dan pemisahan data dalam
pemrosesan lainnya [3].Salah satu fungsi big data adalah
sebagai analytic yang mana mengekstraksi data-data yang
sudah dikumpulkan, kemudian data tersebut
diolah,dimanipulasi dan ditampilkan dalam bentuk
dashboard dengan informasi yang ditampilkan dalam bentuk
Key Performance Indicator (KPI) yang sudah ditentukan.Hal
ini biasanya digunakan untuk pengambilan keputusan,
laporan organisasi dan juga membuat prediksi serta analisa
[3]. Pengguaan big data bisa dikatakan hampir di seluruh
industi khususnya dalam bidang perkiraan cuaca dan
transportasi. Selain itu, beberapa penelitian terkait big data
pada transportasi dengan memanfaatkan IoT dan Machine
Learning untuk mengatur Supply Chain Management,
pengaturan logistik untuk menentukan berapa sumber daya
yang dibutuhkan dan juga memperhitungkan mengatur jarak
pengiriman antara poin A ke poin B [3].
Salah satu output penggunaan big data adalah predictive
dan analytic untuk melihat prediksi dari pola-pola sebelunya
sehingga terjadinya proses analitik untuk melihat prediksi
kedepanya akan seperti apa. Predictive analytic sendiri
merupakan cabang dari advanced analytic yang proses
kerjanya menggunakan prediksi guna mengetahui kejadian di
masa yang akan datang.Predictive Analytic juga
menggunakan banyak teknik mulai dari data
mining,statistik,machine learning untuk menganalisis data
sekarang dan membuat prediksinya dimasa mendatang.

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

Dalam dunia bisnis, hal ini akan membantu untuk menemkan
pola transaksi terdahulu untuk mengidentifikasi resiko dan
peluang. Keuntungan penerapan dari predictive analytic
adalah bagi organisasi penggunaan predivtive analytic dapat
memabantu membentuk dan memperkirakan hasil bisnis
memungkinkan identifikasi peluang pertumbuhan yang
paling menguntungkan, serta beberapa pembeda untuk bisnis.
Selain itu penerapan predictive analytic dapat meningkatkan
kinerja bisnis dan sebagai pembuatan perencanaan strategis
sehingga organisasi dapat membuat keputusan yang baik dan
tepat [4].
Penelitian yang dilakukan oleh Septri dan Krinadi terkait
penggunaan big data di industri transportasi yaitu dimana
transportasi publik sudah banyak menggunakan RFID (Radio
Frequency Identification) dan GPS untuk mengetahui posisi
armada mereka dan mengambil data dari armada mereka
seperti jumlah penumpang, waktu tempuh Jurnal Manajemen
dan Bisnis ICT Universitas Mercu Buana, Jakarta Januari
2019 perjalanan untuk berbagai waktu, hingga permasalahan
apa saja yang dihadapi dari tiap rute armada tersebut [5].
Beberapa penelitian dan penggunaan big data pada bidang
transportasi di berbagai negara [6].
Tabel 2 Penerapan Big Data Pada Industri
Transportasi di Berbagai Negara
untuk menangkap kepadatan dan aliran lalu lintas; sensor
kapal untuk menangkap data kualitas air untuk saluran air
yang bisa dilayari,sensor cuaca untuk menangkap kondisi
cuaca saat ini; Sensor RFID untuk menangkap pergerakan
barang yang ditandai dengan RFID dalam bidang logistik; dan
berbagai teknologi perangkat lunak untuk diproses data yang
dikumpulkan.
Pemrosesan data biasanya menggunakan Hadoop dan
teknologi terkait: Hadoop File Terdistribusi Sistem (HDFS)
untuk penyimpanan data; Basis data terdistribusi HBase;
Hadoop MapReduce untuk memproses data; dan lain-lain.
pemrosesan data besar, dimulai dengan operasi peta hingga
mengurutkan / memfilter data input, lalu operasi acak (atau
grup) ke mendistribusikan kembali data yang dipetakan, dan
akhirnya kurangi operasi untuk meringkas data pada setiap
node. Memasukkan data termasuk arus lalu lintas jalan CCTV,
data GPS kendaraan yang bergeran, sensor lalu lintas dan
cuaca, dan lainnya. Hasil tergantung pada aplikasi transportasi
dan mungkin termasuk penilaian kemacetan lalu lintas, arus
lalu lintas, transportasi efisiensi, tingkat polusi, serta perkiraan
lalu lintas dan tren polusi [6]. Penjelasan tersebut
digambarkan pada gambari 1 dibawah :

Countr Big Data Purpose Technology

y System
India Real Time Improve GPS,GPRS,HD
Vehicle Operational FS
Monitoring Efficiency
System
Ireland Public Improve CCTV GPS
Transit Public Bus Traffic sensors
System Transportati
on, reduce
traffic Gambar 1 Pemrosesan Big Data
congestion Salah satu penerapan big data analytic predictice pada
Vietna Traffic Reduce Traffic sensors transportasi adalah pada uber di New york yang mana mereka
m Managemen traffic Ship sensors menganalisa banyaknya permintaan berdasarkan hari, waktu,
t System congestion dan jam yang mana mereka dari analisa didapatkan bahwa
and pollution pada hari jam kerja dan weekdays permintaan cenderung
meningkat namum pada weekend permintaan cenderung
UK Air Travel Understandi Smart phones menurun.
Customer ng clients’ Social media • Penelitian lain terkait penerapan big data umtuk peramalam
Analysis needs sites Call centre cuaca yang dilakukan oleh Simranjot Kaur dan Er. Sikander
System records Singh Cheema, mereka menggunakan teknik data mining
untuk meramalkan cuaca. Pendekatan dengan menggunakan
Swede Real-Time Predict GPS Traffic K-Means. Pada penelitianya mereka menggunakan data
n Intelligent future traffic data Weather molekul udara secara berkala selama satu jam.Peramalam bisa
Transportati conditions data dilakukan dengan melihat pola yang terjadi 2 tahun terakhir.
on System Database mengelompokan menjadi 4 bagian sesuai arah aliran
Tunisia Logistic Real-time IoT SaaS cloud angin yang pertama meliputi Desember, Januari, Februari;
Tracking cargo GPS RFID wilayah kedua meliputi Maret, April; di yang ketiga wilayah
System monitoring HBase Mei, Juni, Juli; dan di wilayah terakhir Agustus, September,
Oktober, November sudah termasuk. Wilayah pertama adalah
dianggap sebagai wilayah musim dingin. Kedua dan keempat
diketahuisebagai wilayah beriklim sedang. Ketiga disebut
Teknologi sumber yang digunakan pada big data bisa data wilayah musim panas. K-Means akan Dalam algoritma k-
structure dan unstructured. GPS sebagai pengambilan lokasi, mean mengorganisasikan data ke dalam kelompok sesuai
video surveillance dan teknologi pemrosesan gambar untuk dengan wilayah. Algoritma k-mean digunakan untuk
menangkap dan mengenali data plat mobil; sensor lalu lintas membuat data masuk ke dalam cluster yang tepat [7].
 Kemudian penelitian yang dilakukan oleh oleh Assistant
Professor dan Head, PG Department of Computer Science &
Computer Applications, Bharathidasan University
Constituent yang berjudul BIG-DATA ANALYSIS FOR
WEATHER FORECASTING AND PREDCITION FOR
SCALABILITY REPORTS parameter-parameter yang bisa
diambil untuk mempredisiki peramalan cuaca seperti data
suhu, intesitas hujan, perubahan iklim yang data tersebut bisa
didapatkan dari data citra satelit mapun instansi terkait [8].
Penelitian lain yang dilakukan oleh K.Anusha danK.Usha
Rani yang berjudul Big Data Techniques for Efficient Storage
and Processing of Weather Data yang mana menggunakan
data flowchart storing and data processing cuaca dengan
menggunakan Spark and Cassandra. Berikut penjelasan pada
gambar 2 dibawah [9]
Gambar 2 Peramalan Cuaca dengan Big Data
Pada gambar diatas menjelaskan bahwa data terkait
cuaca akan disimpan dalam sebuah database yang bernama
Cassandra. Cassandra merupakan sebuah database.Kemudian
data cuaca yang disimpan pada database tersebut akan diolah
menggunakan spark. Spark merupakan sebuah proses query.
Setelah proses query berlangsung makan data akan
ditampilkan dalam bentuk dashboard untuk dilihat
informasinya terkait prediksi cuaca. Data cuaca tersebut bisa
berupa data dalam bentuk teks mapun citra satellite yang
merupakan data unstructured.
Masih ada beberapa penelitian lagi pemanfaatan big data
khususnya dalam memprediksi cuaca yang sangat diperlukan
di berbagai industry khsusunya transportasi sebagai contoh
juga pada pelayaran apabila terjadi badai maka penjadwalan
bisa diatur kembali dan mencari alternative begitu juuga
dengan penerbangan, selain itu apabila terjadi hujan deras
biasanya jalanan akan mengalami kemacetan maka disini
pernana big data dan juga predictivenya untuk mencari
alternative dan merencanakan sesuatu lebih efesien [10].
III. POSITIONING DAN NOVELTY
Dari pemaparan pada bagian introduction dan beberapa
penjelasan dari studi literatur bahwa, penulisan jurnal ini
berfokuskan kepada pemanfaatan big data pada indsutri
transportasi khususnya transportasi online yang mana
permasalahan utamanya adalah pada kondisi hujan atau pada
keadaan cuaca yang tidak baik para konsumen transportasi
online sangat sulit mendapatkan pengemudi baik pengemudi
ojek maupun pegemudi taksi online karena banyaknya
permintaan pada daerah tertentu. Hal ini mengakibatkan
suatu daerah akan mengalami kesulitan dan kekurangan
untuk driver. Pada studi literature sudah dijealskan bahwa
penerapan big data dan predictive analytic sangat berguna
pada industry transportasi. Beberapa penelitian
menggunakan big data untuk peramalan khususnya untuk
membantu pertanian, penjadwalan kapal laut dan pesawat.
Pada penelitian ini penerapan big data dan predictive analytic
digunakan untuk mengatur penyebaran driver agar tidak
terkumpul pada suatu titik sehingga daerah lain tidak
mengalami kekurangan driver karena cuaca hujan. Selama ini
pihak provider dari transportasi online belum memiliki
system tersebut hanya ada penyebaran dari driver dan belum
dimanfaatkan untuk penyebaran driver karena cuaca hujan.
Masalah ini menjadi salah satu masalah utama yang
dikeluhkan oleh konsumen. Dengan memanfaatkan data
cuaca dari BMKG baik data terstuktur maupun tidak
terstruktur sehingga data tersebut bisa diolah menggunakan
big data dan akan dimapilkan pada tools BI predictive
analytic dashboard unutk melihat perkiraan dan preidiksi
cuaca serta penyebaran dari driver tersebut.
IV. METODE PENELITIAN
Dalam metode penulisan proceeding ini menggunakan
kerangka piker seperti gambar 3 dibawah.
Gambar 3 Kerangka Pikir
Pada kerangka pikir pada gambar diatas adalah yang mana
berawal dari latar belakang atau introduction terkait masalah
dari penelitian atau penulisan proceeding ini. Kemudian
dibuat rumusan masalah dari permaslaahan tersebut. Setelah
dibuat rumusan masalah maka mencari studi literatur
khususnya terkait penerapan big data dan predictive analytic
pada berbagai industri dan disni khususnya pada bidang
transportasi dan peramalan cuaca. Setelah studi literatur
dikumpulkan maka melakukan pengumpulan data,
pengumpulan data ini bisa bersifat realtime mapun data satu
jam sebelumnya. Dari berbagai penelitian yang didapatkan
dari studi literatur data history cuaca yang dikumpulkan dari 2
tahun terakhir dan pola musim dari berbagai daerah dan bulan.
Hal ini diperlukan untuk melakukan prediksi nantinya.Pada
penulisan proceeding ini data didapatkan dari BMKG.
Setelahdata terkumpul maka akan terjaid pengolahan data
dengan menggunakan teknologi big data. Pengolahan data
bisa berasal dari data terstrutur dan tidak terstruktur. Namun
agar data mudah diolah maka sebaiknya data menggunakan
data tersetruktur. Data yang sudah diolah dan sudah dilakukan
proses query maka data tersebut akan diintegrasikan dengan [1]
BI tools yaitu tools predictive analytic dengan menampilkan
informasi cuaca pada pada suatu daerah dan penyebaran
driver. Kemudian informasi tersebut dignakan untuk
pengambilan keputusan.
[2]
Metode untuk penelitian ini menggunakan model
konseptual. Berdasarkan model memiliki beberapa elemen
utama yaitu input, proses dan output. Ketiga elemen tersebut
merupakan gambaran umum dari penelitian mengenai [3]
Pemanfaatan Predictive Big Data Analytics pada Transportasi
Online sepeti gambar 4 [4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
Gambar 4 Kerangka Model Konseptual
[13]
V. KESIMPULAN
Penggunaan big data dan predictive analytic menjadikan
sebuah solusi di berbagai indsutri khususnya industry [14]
transportasi. Banyak manfaat dari big data pada indsutri
transportasi. Seperti berbagai studi literatur yang sudah
dijelaskan bahwa salah satu manfaat big data juga adalah
peramalan cuaca yang mana ini juga sangat bermanfaat bagi
dunia transportasi seperi penerbangan dan juga perjalanan
kapal laut yang membutuhkan prediksi cuaca. Dalam
penulisan proceeding ini pemanfaatan big data salah satunya
untuk melihat peramalan cuaca dan juga prediksi untuk
penyebaran driver pada point-point yang akan mengalami
cuaca hujan.Seperti yang sudah diketahui bahwa apabila
terjadi cuaca hujan sangat sulit bagi konsumen untuk mencari
driver karena banyaknnya permintaan dan kurangnya driver
pada poin-poin atau daerah terrtentu. Oleh karena itu,
penulisan proceeding ini tujuanya adalah untuk mengatasi
masalah tersebut.
VI. REFERENCES
P. Zikopoulus, C. Eaton, D. Deroos, T. Deutsch and
G. Lapis, Understanding Big Data Analytic For
Enterprise Class Hadoop And Streaming Data, IBM,
2011.
S. Kaur and . S. . S. Cheema, "BIG DATA AND
ANALYSIS OF WEATHER FORECASTING
SYSTEM," 2017.
T. Borgi, M. Abed and N. Zoghlami, "Big data for
transport and logistics: A review," 2017.
S. Fong and R. Biuk-Aghai, "Big data analytics for
transportation: Problems and prospects for its
application in China," 2016.
W. Septri and I. Krinadi, "PEMANFAATAN BIG
DATA DALAM PERKEMBANGAN EKONOMI
DAN BISNIS," 2019.
K. U. Rani and K. Anusha, "Big Data Techniques for
Efficient Storage and Processing of Weather Data,"
2017.
Assistant Professor & Head, PG Department of
Computer Science & Computer Applications,, "BIG-
DATA ANALYSIS FOR WEATHER
FORECASTING AND," 2018.
. H. Jain and R. Jain, "Big Data in Weather
forecasting: Applications and Challenges," 2017.
S. Iovan, "PREDICTIVE ANALYTICS FOR
TRANSPORTATION INDUSTRY," 2017.
A. A. Chandio, T. N. and C. Z. Xu, "Big-data
processing techniques and their challenges in transport
domain," 2015.
K. S. Ann, S. E. Koonin and S. Shipp, "Big data and
city living–what can it do for us Significance," 2012.
E. B. Abrahamsen, O. M. Brastein and B. Lie,
Machine Learning in Python for Weather Forecast
based on Freely Available Weather Data, 2018.
P. Chouksey and A. S. Chauhan, "A Review of
Weather Data Analytics using Big Data," vol. 6, no. 1,
2017.
D. Plannig For Big Data, Sebastopol: O’Reilly Radar
Team, 2012.