EVALUASI KINERJA ALGORITMA

DIJKSTRA DALAM MEMPERKIRAKAN

JARAK DAN ESTIMATED TIME OF ARRIVAL
(ETA) PADA LAYANAN RIDE HAILING
BERDASARKAN MODE PENGEMUDI
(MOBIL DAN MOTOR) DAN WAKTU (HARI
DAN JAM)

Disusun Oleh:
Ahmad Reza Fachrizal (20/460945/SV/18026)

Dosen Pembimbing:
Erlyna Nour Arrofiqoh, S.T., M.Eng.

L O C A L LY R O O T E D ,
ugm.ac.id
G L O B A L LY R E S P E C T E D
Pendahuluan
Latar Belakang
Peran Transportasi:
1. Transportasi adalah proses krusial dalam memindahkan orang, barang, dan informasi.
2. Tujuan utama transportasi adalah menghubungkan komunitas, memfasilitasi
perdagangan, pertumbuhan ekonomi, dan interaksi sosial.
3. Transportasi juga berdampak positif pada pengembangan wilayah dan kemajuan
teknologi.

Peningkatan Kendaraan Bermotor:

1. Perkembangan transportasi pesat, terutama dalam jumlah kendaraan bermotor yang
meningkat.
2. Data dari Badan Pusat Statistik (BPS) menunjukkan peningkatan sebesar 6,26%
dalam jumlah kendaraan dari tahun 2019 hingga 2021.
Latar Belakang
Peran Layanan Ride Hailing dalam Mengatasi Tantangan Transportasi:
1. Layanan ride hailing dapat mengurangi jumlah kendaraan pribadi di jalan, dan
mengoptimalkan penggunaan kapasitas kendaraan.
2. Menawarkan promosi, kemudahan akses, keamanan, navigasi, pembayaran, dan
layanan lainnya.

Pentingnya Kepastian Jarak dan ETA dalam Layanan Ride Hailing:

1. Layanan ride hailing menawarkan kemudahan memesan kendaraan dengan perkiraan
jarak dan ETA yang akurat. Kemudahan dalam navigasi memiliki pengaruh terhadap
kepuasan pelanggan sebesar 13% (CfDS, 2019)
2. Algoritma Dijkstra umumnya digunakan untuk memperkirakan jarak dan ETA, tetapi
keakuratannya dalam konteks layanan ride hailing perlu dievaluasi lebih lanjut.
3. Penelitian ini akan berfokus pada evaluasi keakuratan dan kinerja algoritma Dijkstra
untuk memperkirakan jarak dan ETA dalam layanan ride hailing, dengan
mempertimbangkan berbagai mode mengemudi dan waktu.
Lingkup Kegiatan

1. Pengumpulan data lintasan (trajectory) GPS layanan ride hailing dan jaringan jalan DKI Jakarta.

2. Pengolahan data jarak dan durasi perjalana aktual yang dihasilkan oleh pengemudi ride hailing,
serta jarak terdekat dan estimated time of arrival (ETA) yang dihitung menggunakan algoritma Dijkstra
berdasarkan data asal-tujuan (AT).

3. Melakukan visualisasi perbedaan rute aktual dengan rute Dijkstra.

4. Menghitung metrik evaluasi Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error
(MAPE) untuk membandingkan jarak aktual dengan jarak Dijkstra dan durasi perjalanan aktual dengan ETA
Dijkstra.

5. Menganalisis keakuratan dan kinerja algoritma Dijkstra berdasarkan mode mengemudi (mobil dan motor)
dan berdasarkan waktu (jam dan hari).
Tujuan Penelitian

1. Menyajikan visualisasi perbandingan antara rute perjalanan aktual dengan rute estimasi yang dihasilkan oleh
algoritma Dijkstra.

2. Menyajikan perbandingan kinerja antara jarak dan durasi perjalanan aktual dengan jarak dan ETA yang
dihasilkan oleh algoritma Dijkstra.

3. Mengevaluasi tingkat kesesuaian estimasi jarak dan ETA yang dihasilkan oleh algoritma Dijkstra dengan
data jarak dan durasi perjalanan aktual pada layanan ride hailing berdasarkan moda pengemudi (mobil dan
motor) dan waktu (jam dan hari)
Manfaat Penelitian

1. Mengetahui keakuratan algoritma Dijkstra dalam memperkirakan jarak dan ETA berdasarkan moda
mengemudi (mobil dan motor) dan waktu (jam dan hari) untuk mengidentifikasi perbedaan estimasi
tergantung pada jenis kendaraan yang digunakan dan pada jam dan hari tertentu.

2. Memberikan kontribusi dalam bentuk literature yang untuk penelitian selanjutnya di bidang pemetaan,
penentuan rute, estimasi waktu kedatangan, dan layanan transportasi ride hailing.
Pelaksanaan
 Alat

Membersihkan, Visualisasi data rute aktual Pre-processing data, Menyusun laporan akhir,
transformasi, eksplorasi, dari layanan ride hailing seperti menggabungkan menyajikan temuan dan
dan menganalisis data. dan rute yang dihasilkan dan membersihkan data analisis, serta memberikan
menggunakan algoritma mentah, serta melakukan konteks naratif terkait
Library: pandas, Dijkstra. perhitungan sederhana. penelitian.
geopandas, numpy, osmnx,
network, seaborn, dan
matplotlib.
Bahan
Jaringan jalan DKI Jakarta: OpenStreetMap Data lintasan GPS pengemudi ride hailing

1. Trj_id : Tanda pengenal unik untuk setiap data lintasan.

2. Driving_mode : Mode transportasi yang digunakan.
3. Osname : Sistem operasi yang digunakan pada ponsel.
4. Timestamp : Format waktu dalam unix timestamp.
5. Rawlat : Koordinat lintang (latitude).
6. Rawlng : Koordinat bujur (longitude).
7. Accuracy : Akurasi data lokasi dengan radius lingkaran dalam meter.
8. Bearing : Derajat relatif terhadap arah utara.
9. Speed : Kecepatan kendaraan dalam meter per detik (m/s).
Diagram Alir
Hasil dan Pembahasan
 Hasil Pengolahan Data
distance duration
pickup pickup dropoff dropoff
trj_id mode os speed accuracy bearing hour day
lat lng lat lng actual dijkstra actual ETA

20350 -6.248 106.875 -6.267 107.148 36251.517 16533.694 129.133 57.481 car android 4.794 3.536 82.755 21 4
1352 -6.237 107.092 -6.302 106.876 36871.031 25676.695 119.517 80.936 car android 5.287 3.553 225.394 12 6
23227 -6.464 106.709 -6.189 106.672 37611.71 35634.317 114.567 108.672 car android 5.465 5.968 207.781 15 6
48543 -6.218 106.632 -6.28 106.797 41333.833 25129.978 140.2 68.899 motor android 6.079 3.97 125.502 16 4
3609 -6.173 106.834 -6.383 106.821 29806.193 24747.198 123.233 93.703 car android 4.402 6.412 160.451 16 4
35914 -6.245 106.557 -6.24 106.69 38289.684 16512.091 130.167 48.608 car android 5.662 4.209 140.369 9 5
18419 -6.147 106.826 -6.412 106.8 41511.633 28306.135 109.717 72.211 car android 6.533 5.752 177.844 17 5
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
14152 -6.299 106.859 -6.302 106.859 276.17 260.216 0.767 0.652 motor ios 6.656 5 142 19 3
72080 -6.186 106.891 -6.189 106.892 283.689 400.854 0.75 0.965 motor ios 6.925 10 180 22 7
14703 -6.222 106.823 -6.221 106.824 148.992 59.246 0.617 0.226 motor ios 4.372 10 170.5 19 5
25408 -6.258 107.011 -6.257 107.009 324.173 8342.918 0.467 12.223 motor ios 11.376 10 112.4 16 3
21386 -6.166 106.761 -6.167 106.760 156.633 174.547 0.383 0.439 motor ios 6.63 5 241.167 20 3
33203 -6.180 106.797 -6.465 106.662 40940.159 24571.918 107.9 59.668 car android 6.863 3.681 208.36 15 5
1196 -6.271 106.972 -6.507 106.800 41178.472 27841.433 130.033 66.897 car ios 6.936 6.549 247.394 9 6

Hasil pengolahan data mencakup informasi seperti yang disajikan yaitu: id trajektori (trj_id), cakupan geografis titik asal-tujuan (pickup-
dropoff), jarak (Dijkstra dan aktual), durasi perjalanan aktual, ETA (Dijkstra), mode mengemudi, serta waktu dalam bentuk jam dan hari
dengan total 30.894 rute.
Deskripsi Data
Jarak (meter) Durasi (menit)
Kecepatan Akurasi Rata-rata jarak Dijkstra (7017.716 meter) sedikit
(m/s) (meter) lebih rendah daripada rata-rata jarak aktual
Aktual Dijkstra Aktual ETA
(7077.297 meter).
count 30894 30894 30894 30894 30894 30894
mean 7077.297 7017.716 17.846 15.566 7.812 7.218 Hal ini menunjukkan bahwa algoritma Dijkstra
std 4253.935 3840.194 8.501 7.519 2.625 3.811 cenderung memberikan estimasi jarak yang lebih
min 148.992 52.958 0.383 0.207 0.164 1.520 pendek daripada jarak aktual yang ditempuh oleh
25% 4275.350 4425.435 12.433 10.045 6.125 4.762 pengemudi.
50% 6056.510 6175.594 17.083 14.704 7.602 5.997
75% 8446.028 8451.148 20.983 19.312 9.162 9.326
max 40158.746 36674.627 150.417 101.058 28.468 47.615

Analisis menggunakan metode deskriptif, yang menghasilkan

informasi seperti: jumlah sampel yang ada, nilai rata-rata, simpangan
baku, kuartil, serta nilai minimum dan maksimum dari setiap variabel
yang terdapat dalam data.
Korelasi data
Mengukur sejauh mana hubungan linier antara dua
variabel.

Memberikan gambaran tentang arah dan kekuatan

hubungan antara variabel-variabel tersebut.

Apakah? bergerak bersama-sama (korelasi positif) /

bergerak berlawanan (korelasi negatif)
 Visualisasi perbandingan rute perjalanan aktual dan estimasi
Jarak aktual: 31099.53 m
Jarak estimasi: 11500.03 m
Selisih jarak: 19599.5 m
Durasi aktual: 87.46 menit
ETA: 25.90 menit
Selisih waktu: 61.56 menit
Mode: Motor
Hari: Jumat
Jam: 5 Sore
Jarak aktual: 36286.71 m
Jarak estimasi: 14707.77 m
Selisih jarak: 21578.94 m
Durasi aktual: 73.26 menit
ETA: 25.80 menit
Selisih waktu: 47.46 menit
Mode: Mobil
Hari: Kamis
Jam: 8 Malam
 Jarak aktual: 8790.99 m
Jarak estimasi: 8195.93 m
Selisih jarak: 595.06 m
Durasi aktual: 19.5 menit
ETA: 13.77 menit
Selisih waktu: 5.73 menit
Mode: Mobil
Jarak aktual: 31432.73 m Hari: Selasa
Jarak estimasi: 14927.46 m Jam: 11 Malam
Selisih jarak: 16595.27 m
Durasi aktual: 73.26 menit
ETA: 31.56 menit
Selisih waktu: 41.70 menit
Mode: Motor
Hari: Minggu
Jam: 9 Pagi
 Jarak aktual: 6113.134 m
Jarak estimasi: 6113.136 m
Selisih jarak: 0.002 m
Durasi aktual: 16.73 menit
ETA: 15.66 menit
Selisih waktu: 1.07 menit
Mode: Motor
Hari: Selasa
Jam: 12 Siang
Jarak aktual: 8200.71 m
Jarak estimasi: 6700.54 m
Selisih jarak: 1500.17 m
Durasi aktual: 17.20 menit
ETA: 12.83 menit
Selisih waktu: 4.37 menit
Mode: Motor
Hari: Sabtu
Jam: 11 Pagi
 Dari contoh-contoh visualisasi perbandingan, terlihat
bahwa terdapat variasi antara rute perjalanan aktual
dengan rute estimasi yang dihasilkan oleh algoritma
Dijkstra. Beberapa contoh menggambarkan perbedaan
yang cukup besar, sementara yang lain menunjukkan
konsistensi antara estimasi Dijkstra dengan data aktual.
Jarak aktual: 4131.00 m
Jarak estimasi: 5154.49 m
Selisih jarak: 1023.49 m
Durasi aktual: 16.68 menit
ETA: 11.76 menit
Selisih waktu: 4.92 menit
Mode: Motor
Hari: Selasa
Jam: 10 Pagi
 Evaluasi Metrik
Keterangan MAD MAPE (%)
Jarak (meter) 787.724 12.034
ETA (menit) 3.425 18.809

Histogram menunjukkan bagaimana data diorganisasi dalam interval tertentu dan

frekuensi data muncul dalam masing-masing interval tersebut sehingga dapat
membantu memahami distribusi data secara keseluruhan dan memberikan
informasi lebih rinci tentang kualitas data.
Berdasar Mode Pengemudi

Kesamaan distribusi pada histogram menunjukkan

bahwa dalam penelitian ini, tidak ada perbedaan yang
mencolok antara jumlah penggunaan mode mobil dan
motor.

Jarak ETA
Mode MAD (meter) MAPE (%) Mode MAD (menit) MAPE (%)
Mobil 860.471 12.185 Mobil 4.001 20.966
Motor 710.862 11.874 Motor 2.815 16.528
Berdasar Hari

Distribusi perjalanan berdasarkan hari

menggambarkan pola kegiatan
perjalanan dalam jangka waktu selama
satu minggu. Ini adalah representasi
visual tentang seberapa banyak aktivitas
perjalanan yang terjadi pada setiap hari
dalam seminggu.
MAD & MAPE Berdasar Hari
Berdasar Jam

Distribusi perjalanan berdasarkan jam

menggambarkan pola waktu kapan perjalanan
sering terjadi atau berapa banyak perjalanan
yang dilakukan pada setiap jam.

Pola ini memberikan gambaran tentang

bagaimana mobilitas masyarakat berfluktuasi
sepanjang hari.
Berdasar Jam
Kesimpulan dan Saran
Kesimpulan
1. Berdasarkan visualisasi perbandingan antara rute perjalanan aktual dengan rute estimasi yang dihasilkan oleh algoritma
Dijkstra, terlihat bahwa terdapat berbagai variasi. Beberapa contoh menggambarkan perbedaan yang cukup besar,
sementara yang lain menunjukkan konsistensi antara estimasi Dijkstra dengan data aktual.

2. Hasil evaluasi menunjukkan bahwa algoritma Dijkstra memiliki kinerja yang baik atau dapat diterima (merujuk pada Tabel
I.1) dalam memperkirakan jarak dan ETA dalam layanan ride hailing, dengan tingkat kesalahan yang relatif rendah.

3. Perbedaan kinerja algoritma Dijkstra dalam memperkirakan jarak dan ETA berdasarkan mode pengemudi (mobil dan
motor) dan waktu (hari dan jam) tidak terlalu besar atau signifikan. Meskipun terdapat beberapa variasi nilai MAD dan
MAPE antara keduanya, namun perbedaan tersebut relatif kecil atau bisa ditoleransi. Hal ini menunjukkan bahwa
algoritma Dijkstra memiliki kemampuan yang serupa dalam memberikan estimasi jarak dan ETA berdasarkan mode
pengemudi dan waktu.
Saran
1. Hasil penelitian ini menunjukkan bahwa algoritma Dijkstra memiliki kinerja yang cukup baik dalam memperkirakan jarak
dan ETA dalam layanan ride hailing. Namun, terdapat potensi untuk meningkatkan akurasi estimasi dengan melakukan
optimasi algoritma, penggunaan data tambahan, dan pengembangan model prediktif.

2. Menggali lebih dalam faktor-faktor yang mempengaruhi performa algoritma Dijkstra dalam estimasi perjalanan.
Penggunaan teknik analisis lebih lanjut seperti machine learning dapat membantu meningkatkan akurasi estimasi.

3. Pengembangan aplikasi berbasis hasil penelitian ini sehingga dapat memberikan manfaat praktis bagi pengguna layanan
ride hailing dan membantu meningkatkan efisiensi mobilitas perkotaan.
“Terima Kasih”

L O C A L LY R O O T E D , G L O B A L LY R E S P E C T E D ugm.ac.id