Analisis Data Automatic Fare Collection Light Rail Transit Jakarta

menggunakan Metode Cluster

PROPOSAL PENELITIAN
Diajukan guna melakukan penelitian skripsi

Penulis :
Mario Hagi
191420047

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS BINA DARMA
PALEMBANG
2023

i
 Analisis Data Automatic Fare Collection Light Rail Transit Jakarta
menggunakan Metode Cluster

Penulis :
Mario Hagi
191420047

PROPOSAL PENELITIAN
Disusun sebagai salah satu syarat untuk melakukan penelitian

Disetujui,
Program Studi Teknik Informatika
Universitas Bina Darma Palembang

Dosen Pembimbing Ketua Grup Riset NCIERG

Heri Suroyo, S.SI., M.Kom. Fatoni, M.M., M.Kom.

Ketua Program Studi

Alex Wijaya, S.Kom., M.I.T.

ii
 DAFTAR ISI

Halaman Judul ................................................................................................................ i

Halaman Pengesahan .................................................................................................ii

Daftar Isi ........................................................................................................................ iii

Daftar Gambar .............................................................................................................. iv

1 Abstrak.................................................................................................................................. 1

2 Tujuan Penelitian.............................................................................................................. 1

3 Latar Belakang ............................................................................................................... 1-2

4 Manfaat Penelitian ........................................................................................................... 2

5 Tinjauan Pustaka .............................................................................................................. 3

5.1 LRT Jakarta ................................................................................................................. 3

5.2 E-Ticketing AFC (Automatic Fare Collection) ............................................ 4-5

5.3 Analisis Data ............................................................................................................... 5

5.4 Visualisasi Data ......................................................................................................... 5

5.5 Tableau Desktop ....................................................................................................... 6

6 Metodologi Penelitian ................................................................................................. 6-7

7 Jadwal Penelitian .............................................................................................................. 8

Daftar Pustaka ........................................................................................................ 9-10

Lampiran ................................................................................................................11-12

iii
 DAFTAR GAMBAR

Gambar 5.1 LRT Jakarta ......................................................................................................... 3

Gambar 5.2 AFC LRT Jakarta ................................................................................................ 3

iv
1 Abstrak

Tingkat kemacetan di DKI Jakarta pada jam kerja bisa mencapai lebih dari
60%, dengan adanya moda transportasi LRT Jakarta masyarakat diharapkan
dapat memanfaatkannya sehingga kemacetan dapat berkurang. Untuk
mendukung hal tersebut, perlunya peningkatan kualitas pelayanan dan
promosi yang tepat di LRT Jakarta supaya masyarakat menjadi lebih tertarik
untuk menggunakannya. Peningkatan pelayanan dapat ditentukan dengan
cara mengidentifikasi preferensi umum penumpang. Maka dari itu penulis
akan memanfaatkan data yang dikumpulkan oleh AFC yang
diimplementasikan di LRT Jakarta sebagai bahan analisis dengan teknik
cluster untuk mengidentifikasi dan mengelompokkan preferensi umum
penumpang. Setelah itu, hasil analisis tersebut akan penulis visualisasikan
menggunakan software Tableau agar dapat lebih mudah dipahami oleh
pembaca.
Kata Kunci : LRT Jakarta, AFC, Preferensi umum penumpang, Tableau

2 Tujuan Penelitian

Data-data yang dikumpulkan oleh AFC yaitu METODE PEMBAYARAN,

TANGGAL, TIME OUT, RANGE per-jam, RANGE per 15 menit, STASIUN IN, dan
STASIUN OUT. Dari data-data tersebut penulis bertujuan untuk:

1. Melakukan analisis deskriptif dan visualisasi menggunakan Tableau

pada data AFC untuk mengidentifikasi preferensi umum penumpang
dalam menggunakan moda transportasi LRT Jakarta.
2. Melakukan analisis cluster dan visualisasi pada data AFC untuk
mengelompokkan preferensi umum penumpang dalam menggunakan
moda transportasi LRT Jakarta.
3 Latar Belakang
DKI Jakarta, sebagai Ibu Kota Negara Republik Indonesia, tidak hanya
memiliki julukan sebagai New York-nya Indonesia, tetapi juga menarik
banyak pendatang yang rela merantau jauh ke kota ini demi mencari
peruntungan. Tingginya jumlah penduduk yang datang ke kota ini telah
menyebabkan kepadatan penduduk yang luar biasa tinggi. Pada tahun 2019,
kepadatan penduduk DKI Jakarta mencapai 15.900 jiwa per kilometer
persegi, dan meningkat menjadi 15.978 jiwa per kilometer persegi pada
tahun 2021. Angka ini jauh melebihi rata-rata kepadatan penduduk di
Indonesia, yang hanya sekitar 140 jiwa per kilometer persegi pada tahun
2019 dan 142 jiwa per kilometer persegi pada tahun 2021, menurut data dari
Badan Pusat Statistik.

Dampak dari tingkat kepadatan penduduk yang tinggi ini adalah

seringnya terjadi kemacetan di jalan-jalan DKI Jakarta, terutama pada jam

1
kerja sekitar pukul 8 pagi dan 5 sore. Sebelum adanya Covid-19 dan
kebijakan kerja dari rumah (WFH), pada tahun 2019, data dari situs TomTom
menunjukkan tingkat kemacetan di DKI Jakarta mencapai sekitar 55%,
bahkan bisa mencapai lebih dari 60% pada jam kerja. Hal ini berarti
perjalanan di jalan DKI Jakarta membutuhkan waktu 60% lebih lama
dibandingkan dengan perjalanan di jalan yang tidak macet. Sebagai contoh,
perjalanan yang biasanya memakan waktu 1 jam di jalan yang tidak macet
dapat memakan waktu sekitar 1 jam 36 menit di jalan DKI Jakarta pada jam
kerja.
Untuk mengatasi masalah kemacetan tersebut, pemerintah telah
membangun berbagai moda transportasi umum, salah satunya adalah LRT
Jakarta yang dibangun secara bertahap. Namun, agar masyarakat mau beralih
menggunakan LRT Jakarta dari kendaraan pribadi, diperlukan perhatian
terhadap beberapa hal, di antaranya adalah kualitas layanan dan promosi.
Penelitian oleh Faiesal G. & Rina M. (2022) menunjukkan bahwa promosi dan
kualitas layanan memiliki pengaruh simultan terhadap keputusan pembelian
jasa transportasi kereta api. Selain itu, penelitian oleh Shelly A.U. (2019) juga
mengungkapkan bahwa kualitas pelayanan berpengaruh signifikan terhadap
loyalitas penumpang di PT Kereta Api Indonesia.
Untuk memastikan kualitas layanan dan promosi yang tepat, pihak
LRT Jakarta perlu mengevaluasi, meningkatkan, dan menghilangkan elemen-
elemen dalam kegiatan operasionalnya. Langkah ini dapat dicapai dengan
mengumpulkan informasi tentang preferensi umum penumpang melalui
analisis data perjalanan penumpang yang tersedia. AFC menjadi sumber data
yang berharga untuk analisis ini. Oleh karena itu, penulis akan melakukan
penelitian dengan cara menganalisis data AFC menggunakan metode cluster.
Dengan memperhatikan permasalahan kemacetan yang diakibatkan
oleh tingkat kepadatan penduduk yang tinggi, serta dengan meningkatkan
kualitas layanan dan promosi yang sesuai, diharapkan LRT Jakarta dapat
menjadi alternatif transportasi yang diminati oleh masyarakat. Dengan
pemahaman yang mendalam terhadap kebutuhan penumpang dan
implementasi strategi yang efektif, LRT Jakarta memiliki potensi untuk
mendapatkan kepercayaan dan loyalitas penumpang yang lebih kuat dalam
jangka panjang.

4 Manfaat Penelitian

Hasil analisis deskriptif dan analisis cluster yang dilengkapi dengan

berbagai macam visualisasi beserta dashboard bisa digunakan sebagai bahan
untuk membantu dalam memahami preferensi umum penumpang dan
menemukan area-area yang perlu ditingkatkan. Dengan demikian, penelitian
ini membantu LRT Jakarta untuk memenuhi kebutuhan penumpang,
meningkatkan citra positif, dan menarik masyarakat untuk menggunakan
LRT Jakarta sebagai alternatif transportasi yang lebih baik.

2
5 Tinjauan Pustaka

5.1 LRT Jakarta

Gambar 5.1 LRT Jakarta

Sumber: https://www.lrtjakarta.co.id/
Light Rail Transit adalah sistem jalur kereta listrik metropolitan yang
dikarakteristikkan atas kemampuannya menjalankan gerbong atau kereta
pendek satu per satu sepanjang jalur-jalur khusus eksklusif pada lahan
bertingkat, struktur menggantung, subway, atau biasanya di jalan, serta
menaikkan dan menurunkan penumpang pada lintasan atau tempat parkir
mobil (Kittelson & Associates, 1999 dalam Muhammad Afif & Sofyan Triana,
2017). Dikutip dari situs Wikipedia, LRT Jakarta adalah sistem lintas rel
terpadu yang beroperasi di DKI Jakarta. Saat ini, LRT Jakarta memiliki jalur
sepanjang 5,8 km (3,6 mi) yang melayani enam stasiun. LRT Jakarta dimiliki
dan dikembangkan oleh Pemerintah Provinsi DKI Jakarta. Layanannya
sendiri dioperasikan oleh PT LRT Jakarta yang merupakan anak usaha dari
PT Jakarta Propertindo, sebuah badan usaha milik daerah DKI Jakarta.
Pembangunan sistem LRT dimulai pada bulan Juni 2016 dan beroperasi
penuh tanggal 1 Desember 2019. Saat ini, jalur LRT Jakarta yang telah
beroperasi terdiri atas satu lintas pelayanan, yaitu Lin/Koridor 1, dengan
panjang 5,8 km (3,6 mi). Jalur ini menghubungkan Stasiun Pegangsaan Dua di
daerah Kelapa Gading dengan Stasiun Velodrome di Pulo Gadung. Jalur LRT
ini sepenuhnya berbentuk layang yang melayani 6 stasiun. Stasiun
Pegangsaan Dua selain menjadi terminus jalur ini, juga menjadi depo
penyimpanan rangkaian LRV.

3
5.2 E-Ticketing AFC (Automatic Fare Collection)

Gambar 5.2 AFC LRT Jakarta

Fabian Cevallos et al (2021) menyatakan bahwa,” Banyak penelitian
telah memanfaatkan data AFC dan melakukan penelitian dari beberapa
perspektif, termasuk statistik penumpang dan indikator kinerja, untuk
mendukung analisis operasional, identifikasi pola perjalanan, dan analisis
jaringan untuk perencanaan layanan dan analisis perilaku untuk
memfasilitasi perencanaan jangka panjang transportasi umum.”.

Gambar 5.2 Cara Kerja AFC LRT Jakarta

Sumber: Bieler et al, 2022

Pengumpulan data smart card AFC dilakukan secara pasif setiap kali
pengguna tap atau tap off di bus, halte bus, stasiun metro atau stasiun bus
rapid transit. Setelah setiap perangkat mengumpulkan data, mereka
disimpan di server pusat untuk diakses untuk manipulasi dan analisis
selanjutnya. Kami dapat menganalisis data AFC kartu pintar dengan berbagai
cara (Pelletier et al, 2011 dalam Otero Niño & Julián Darío, 2022).

Berdasarkan yang terakhir, sejak akhir 1990-an, ketika kartu pintar

diperkenalkan di Seoul untuk angkutan umum, itu tidak hanya
memungkinkan cara yang lebih mudah dan lebih aman untuk membayar tarif
sistem, tetapi juga telah menjadi sumber signifikan dari pendapatan yang
berlimpah dan biaya murah. Dengan data yang dikumpulkan ini, kami dapat

4
menghasilkan indikator dan mendukung perencanaan dan pengoperasian
sistem transportasi umum. Meskipun ada banyak penelitian berdasarkan
data AFC smart card, masih akan ada beberapa tantangan di masa depan,
antara lain kualitas data, manipulasi data besar, distorsi perilaku pengguna
karena kebijakan tarif, harga, dan jaringan sistem (Otero Niño & Julián Darío,
2022).

5.3 Analisis Data

Analisis data merupakan upaya mencari dan menata secara sistematis
catatan hasil observasi, wawancara dan lainnya, untuk meningkatkan
pemahaman peneliti tentang kasus yang diteliti dengan menyajikannya
sebagai temuan bagi orang lain. Langkah-langkah analisis selama dilapangan
menurut Bogdan antara lain adalah sebagai berikut: Pertama, usahakan
mempersempit fokus studi; kedua, tetapkan tipe studi anda; ketiga,
megembangkan secara terus-menerus pertanyaan analitik; keempat, tuliskan
komentar peneliti sendiri (catatan reflektif); kelima, upaya penjajagan ide
dan tema penelitian pada subyek responden sebagai analisis penjajagan;
keenam, membaca kembali kepustakaanyang relevan selama dilapangan;
ketujuh adalah gunakan metaphora, analogi dan konsep-konsep. (Noeng
Muhadjir, 1998)

5.4 Visualisasi Data

Visualisasi data berarti menggambar tampilan grafik untuk

menampilkan data. Terkadang setiap titik data diambil, seperti dalam sebar,
terkadang ringkasan statistik dapat ditampilkan, seperti dalam histogram.
Menampilkan adalah terutama deskriptif, berkonsentrasi pada data 'mentah'
dan ringkasan sederhana. Mereka dapat menyertakan pajangan dari
mengubah data, terkadang berdasarkan transformasi yang rumit. Statistik
satu orang mungkin data mentah orang lain. Seperti halnya aspek lain dalam
bekerja dengan grafik, akan berguna untuk memilikinya dasar konsep dan
terminologi yang disepakati untuk dibangun. Tujuan utamanya adalah untuk
memvisualisasikan data dan statistik, menafsirkan tampilan untuk
mendapatkan informasi. (Antony Unwin, 2020)

Marastats (2019, dalam Antony Unwin 2020) mengemukakan bahwa,

“Visualisasi data berguna untuk pembersihan data, menjelajahi struktur data,
mendeteksi outlier dan grup yang tidak biasa, mengidentifikasi tren dan
kluster, menemukan pola lokal, mengevaluasi hasil pemodelan, dan
menyajikan hasil. Sangat penting untuk analisis data eksplorasi dan
penambangan data untuk memeriksa kualitas data dan untuk membantu
analis menjadi terbiasa dengan struktur dan fitur data sebelum mereka. Ini
adalah bagian dari analisis data yang diremehkan dalam buku teks, namun
selalu ada dalam investigasi aktual. Lihat, misalnya, pada puncak satu sisi
dalam distribusi waktu penyelesaian maraton”.

5
5.5 Tableau Desktop

Tableau adalah alat visualisasi data yang dapat digunakan untuk

membantu perpustakaan menganalisis data. Ini juga dapat menjadi alat
penting bagi peneliti yang ingin melengkapi teks mereka dengan elemen
visual yang menarik untuk membuat data dan analisis mereka mudah
dipahami, tidak hanya di departemen mereka, tetapi juga oleh investor,
penyandang dana hibah, khalayak akademis lainnya, dan masyarakat umum. .
Ini adalah update dari review Tableau versi 9.1 tahun 2016 oleh Ariel
Deardorff . Edisi baru, Tableau 2020.3, telah dirilis dengan fitur-fitur baru
untuk membantu pengguna membuat visualisasi yang lebih canggih dengan
lebih mudah.
Tableau berjalan pada platform Mac dan Windows. Persyaratan
minimum untuk menggunakan perangkat lunak kemungkinan besar akan
dipenuhi dengan sebagian besar perangkat yang juga menjalankan perangkat
lunak seperti rangkaian alat Microsoft. Tableau mencantumkan spesifikasi
teknis terperinci yang diperlukan untuk menjalankan perangkat lunak di
situs web mereka. Meskipun Tableau tidak memerlukan pemrograman atau
pelatihan teknis apa pun, latihan sangat penting. (Lynly Beard et al, 2021).

6 Metodologi Penelitian

Menurut Arikunto (2019:136) dan Sukandarrumidi (2012:111)

metode penelitian adalah cara utama yang digunakan peneliti untuk
mencapai tujuan dan menentukan jawaban atas masalah yang diajukan.
Penelitian akan menggunakan metode kuantitatif, menurut Sujarweni &
Wiratna (2014:39) penelitian kuantitatif adalah jenis penelitian yang
menghasilkan penemuan-penemuan yang dapat dicapai (diperoleh) dengan
menggunakan prosedur-prosedur statistik atau cara lain dari kuantifikasi
(pengukuran). Metode kuantitatif dipilih karena data utama yang akan
dianalisis merupakan data numerik. Menurut Sugiyono (2018:13) data
kuantitatif merupakan metode penelitian yang berlandaskan positivistic
(data konkrit), data penelitian berupa angka-angka yang akan diukur
menggunakan statistik sebagai alat uji penghitungan, berkaitan dengan
masalah yang diteliti untuk menghasilkan suatu kesimpulan. Filsafat
positivistic digunakan pada populasi atau sampel tertentu.
Menurut Sugiyono (2018:117) Populasi adalah wilayah generalisasi
yang terdiri atas obyek atau subyek yang mempunyai kualitas dan
karakteristik tertentu yang ditetapkan oleh peneliti untuk mempelajari dan
kemudian ditarik kesimpulan. Populasi dalam penelitian ini yaitu data-data
perjalanan penumpang yang dikumpulkan oleh sistem e-ticketing AFC LRT
Jakarta. Menurut Sugiyono (2018:118) sampel adalah bagian dari jumlah dan
karakteristik yang dimiliki oleh populasi tersebut. Sedangkan ukuran sampel
merupakan suatu langkah untuk menentukan besarnya sampel yang diambil
dalam melaksanakan suatu penelitian. Peneliti akan menggunakan sampel

6
data-data perjalanan penumpang yang dikumpulkan oleh sistem e-ticketing
AFC LRT Jakarta selama 15 hari yaitu dari 1 Januari 2023 sampai dengan 15
Januari 2023.

Menurut Sukmadinata (2017:72) analisis deskriptif adalah jenis

penelitian yang bertujuan untuk mendeskripsikan atau menjabarkan
fenomena yang ada, baik fenomena alami maupun fenomena buatan manusia
bisa mencakup aktivitas, karakteristik, perubahan, hubungan, kesamaan, dan
perbedaan antara fenomena satu dengan fenomena lain. Analisis deskriptif
akan dimanfaatkan untuk mengidentifikasi dan mendeskripsikan berbagai
macam preferensi umum penumpang LRT Jakarta.

Menurut Mozart W. Talakua et al (2017) analisis cluster atau analisis

kelompok merupakan teknik analisa data yang bertujuan untuk
mengelompokan individu atau objek ke dalam beberapa kelompok yang
memiliki sifat berbeda antar kelompok, sehingga individu atau objek yang
terletak di dalam satu kelompok akan mempunyai sifat relatif homogen.
Tujuan analisis cluster adalah mengelompokan objek-objek tersebut. Analisis
cluster akan dimanfaatkan penulis untuk mengelompokkan stasiun awal –
stasiun tujuan berdasarkan jumlah penumpang harian.
Penelitian ini dapat membantu memahami tren penumpang LRT dan
faktor-faktor yang mempengaruhi jumlah penumpang, seperti hari libur, jam
kerja, dan lokasi stasiun. Selain mengambil data dari sistem AFC, peneliti juga
akan melakukan observasi. Menurut Sugiyono (2018:229) observasi
merupakan teknik pengumpulan data yang mempunyai ciri yang spesifik bila
dibandingkan dengan teknik yang lain. Observasi juga tidak terbatas pada
orang, tetapi juga objek-objek alam yang lain. Melalui kegiatan observasi
peneliti dapat belajar tentang perilaku dan makna dari perilaku tersebut.
Observasi dalam penelitian akan dilakukan sebagai upaya untuk validasi
hasil dari analisis deskriptif dengan melakukan observasi pada beberapa
stasiun pada jam-jam tertentu beserta hal-hal yang ada disekitar stasiun yang
dapat menjadi faktor penyebab ramai atau tidaknya penumpang yang naik
dan turun disitu.

7
7 Jadwal Penelitian

No Kegiatan Jadwal

Januari Februari Maret April

1 Ask Observasi
(Menentukan Judul Diskusi
Riset)
2 Prepare Data AFC Observasi Observasi
(Mengumpulkan data) Validasi Validasi

3 Process Data Data Data

(Mengelola Data) cleansing, cleansing, cleansing,
Manage Manage data Manage data
data

4 Analyze Menentukan Mencari

(Menganalisis Data) variabel korelasi
antar
variabel

5 Share Setup Visualize

(Memvisualisasikan Tableau data
Data) Visualize
data

6 Act Summary
(Membuat
Kesimpulan)

8
 DAFTAR PUSTAKA

Cevallos, F. Turino, L. Jin, X. (2021). A Synthesis on Data Mining Methods and

Applications for Automated Fare Collection (AFC) Data. Florida
Department of Transportation.
(https://rosap.ntl.bts.gov/view/dot/61846, diakses pada 19
Februari 2023)

Beard, L. Aghassibake, N. (2021). Tableau (version 2020.3). Journal of the

Medical Library Association. Vol. 109 No. 1.
Unwin, A. (2020). Why is data visualization important? what is important in
data visualization?. Harvard Data Science Review. Vol 2(1).No 1.
Muhadjir, Noeng. (1998). Metodologi Penelitian Kualitatif : pendekatan
positivistik, rasionalistik, phenomenologik dan realisme metaphisik
telaah studi teks dan penelitian agama (Ed. III). YOGYAKARTA: Bayu
Indra Grafika.

Muhammad, A. N., & Triana, S. (2017). Analisis Teknis Operasional Light Rail
Transit Kota Bandung. RekaRacana: Jurnal Teknil Sipil, 3(4), 36.
Bieler, Malte & Skretting, Anders & Budinger, Philippe & Grønli, Tor-Morten.
(2022). Survey of Automated Fare Collection Solutions in Public
Transportation. IEEE Transactions on Intelligent Transportation
Systems. 23. 1-19. 10.1109/TITS.2022.3161606.

Otero Niño, Julián Darío. (2022). Using automatic fare collection data to
reveal travel behaviour patterns: The case of Bogotá's transit
system.

Talakua, M., Leleury, Z., & Taluta, A. (2017). ANALISIS CLUSTER DENGAN
MENGGUNAKAN METODE K-MEANS UNTUK PENGELOMPOKKAN
KABUPATEN/KOTA DI PROVINSI MALUKU BERDASARKAN
INDIKATOR INDEKS PEMBANGUNAN MANUSIA TAHUN 2014.
BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 11(2), 119-128.
Utari, S. A. (2019). PENGARUH KUALITAS PELAYANAN DAN KEPUASAN
KONSUMEN TERHADAP LOYALITAS PENUMPANG PENGGUNA
JASA KERETA API BISNIS PADA PT. KERETA API INDONESIA
(PERSERO).
Gumaeri, F., & Maria, R. (2022). Pengaruh Promosi Dan Kualitas Layanan
Terhadap Keputusan Pembelian Pada Jasa Transportasi Kreta Api
Di Tengah Pamdemi Studi Kasus Penumpang Kreta Api Statiun
Cikampek. Journal of Management. Volume 5 Issue 3 Pages 64-75.

9
Arikunto, Suharsimi. (2019). Prosedur Penelitian Suatu Pendekatan Praktik.
Jakarta: Rineka Cipta.

Sukandarrumidi. (2012). Metodologi Penelitian: Petunjuk Praktis untuk

Peneliti Pemula. Yogyakarta: Gajah Mada University Press.

Sujarweni, V. Wiratna. (2014). Metode Penelitian: Lengkap, Praktis, dan

Mudah Dipahami. Yogyakarta: Pustaka Baru Press.
Sugiyono. (2018). Metode Penelitian Kuantitatif, Kualitatif, dan R&D.
Bandung: Alfabeta.
Sukmadinata, Nana Syaodih. (2017). Metode Penelitian Pendidikan. Bandung
: PT Remaja Rosdakarya.

https://www.bps.go.id/indicator/12/141/1/kepadatan-penduduk-menurut-
provinsi.html diakses pada 08 Februari 2023 Pukul 17:00.

https://www.tomtom.com/traffic-index/jakarta-traffic/ diakses pada 08

Februari 2023 Pukul 17:42.

https://www.lrtjakarta.co.id/visi-misi.html diakses pada 07 Maret 2023

Pukul 16:65.
https://id.wikipedia.org/wiki/LRT_Jakarta diakses pada 14 Maret 2023
Pukul 01:35.

10
 LAMPIRAN

1. Format Data AFC

2. Tampilan aplikasi Tableau Desktop

11
12