Penerapan GMM dan ARM untuk Analisis Mobilitas Penumpang TransJakarta

Abstrak

Mobilitas penumpang TransJakarta memiliki pola yang dinamis karena dipengaruhi oleh waktu perjalanan, durasi, intensitas penggunaan layanan, dan keterhubungan rute. Penelitian ini bertujuan membentuk segmentasi mobilitas penumpang secara probabilistik dan menganalisis keterkaitan perjalanan antar koridor pada setiap segmen. Data yang digunakan berupa transaksi tap-in dan tap-out TransJakarta yang diproses melalui evaluasi kualitas data, transformasi waktu, filtering, feature engineering, imputasi, pembersihan data, dan normalisasi variabel. Segmentasi dilakukan menggunakan Gaussian Mixture Model dengan pemilihan model berdasarkan Bayesian Information Criterion, sedangkan pola keterkaitan perjalanan dianalisis menggunakan Association Rule Mining. Hasil penelitian menunjukkan bahwa dataset akhir berjumlah 168.132 observasi dan model GMM terbaik membentuk lima klaster mobilitas. Hasil ARM menunjukkan aturan asosiasi paling banyak dan stabil muncul pada segmen commuter, terutama Commuter Sore dan Commuter Pagi Dini. Temuan ini memperlihatkan bahwa kombinasi GMM dan ARM dapat memberikan pemahaman yang lebih terstruktur terhadap segmentasi perilaku penumpang dan keterkaitan perjalanan antar koridor.