Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Ridesharing merupakan salah satu upaya untuk mengurangi masalah kemacetan akibat tingginya penggunaan kendaraan pribadi dengan okupansi yang rendah. Masalah yang dihadapi pada ridesharing adalah mendapatkan pasangan driver dan rider yang optimal, dimana jumlah partisipan yang terlibat sangat banyak dan harus dilakukan optimasi dalam waktu yang singkat. Pada skripsi ini akan digunakan DBSCAN clustering sebagai langkah awal untuk mengoptimalkan matching problem pada ridesharing dengan fungsi objektif memaksimumkan indeks dari total jarak proksimiti (Total Distance Proximity Index/ DP index) antara driver dan rider. Ide dasar dari DP Index ini yaitu “driver dan rider yang melakukan perjalanan bersama dengan jarak yang similar merupakan pasangan yang cocok bila lokasi asal dan tujuan mereka berada dalam letak yang berdekatan”. DBSCAN clustering merupakan salah satu metode clustering atau pengelompokkan data berdasarkan kerapatan suatu data. Pada tahap awal, DBSCAN clustering digunakan untuk mengelompokkan lokasi asal dan tujuan dari driver dan rider. Setelah didapatkan cluster, pasangan driver-rider akan dicocokkan berdasarkan bobot DP Index maksimum dengan algoritma Hungarian. Sehingga berdasarkan clustering tersebut, mampu mereduksi kombinasi pasangan driver-rider yang akan dioptimasi sehingga berpengaruh pada running time proses optimasi. Berdasarkan hasil, didapatkan proses dengan clustering 2 kali lebih cepat diselesaikan bila menggunakan proses tanpa clustering. ......Ridesharing is one of models that attempt to reduce congestion problems due to increased use of private vehicles with low occupancy. The problem related to ridesharing is to get an optimal pair of drivers and riders, while the number of participants involved is very large and optimization must be done in a short amount of time. In this thesis, DBSCAN clustering will be used as the first step to optimize the matching problem in ridesharing with the objective function of maximizing the total distance proximity index (DP index) between the driver and passengers. The basic idea of ​​this DP index is that driver and rider trips with similar distance will be good match if their origin and destinations are in close vicinity. DBSCAN clustering is one of the methods of clustering or grouping spatial data based on the density of a dataset. In the initial stage, the DBSCAN clustering method is used to cluster the origin and destination locations of the drivers and riders. After obtaining the cluster(s), the driver-rider pair will be matched based on the maximum DP Index with the Hungarian algorithm. Regarding to this clustering method, it can reduce the combination of driver-rider pairs that will be optimized so that it affects the running time of the optimization process. Based on experimental result, we can conclude that the process with clustering method can be completed 2 times faster than the process without clustering method.

Abstrak :
Demi meningkatkan okupansi atau dengan kata lain mengoptimumkan penggunaan kapasitas kendaraan pribadi, ridesharing hadir sebagai solusi akan hal ini. Ridesharing adalah sebuah model berkendara dengan prinsip berbagi tumpangan. Permasalahannya adalah bagaimana cara mengoptimumkan pencocokan antara pengemudi (driver) dan penumpang (rider) dengan jumlah partisipan (driver dan rider) yang besar dalam waktu optimasi yang singkat. Pada skripsi ini akan diterapkan metode Agglomerative Hierarchical Clustering (AHC) untuk mengoptimalkan matching antara driver dan rider dengan fungsi objektif yaitu memaksimumkan total penghematan jarak (Distance Savings / DS). DS adalah selisih total jarak yang ditempuh driver dan rider tanpa ridesharing dengan jarak yang ditempuh pasangan tersebut dengan ridesharing. Metode AHC adalah metode clustering dimana setiap titik data dijadikan sebagai satu cluster, kemudian secara berturut-turut menggabungkan cluster yang mempunyai kemiripan sehingga semua cluster tergabung menjadi satu cluster yang berisikan semua objek pada data. Data yang di-input berupa data koordinat lokasi keberangkatan dan kedatangan partisipan. Output dari metode AHC adalah sebuah dendogram yang menggambarkan iterasi pembentukan cluster. Berdasarkan hasil clustering tersebut diperoleh sebuah himpunan kombinasi driver-rider yang kemudian akan diperiksa kelayakannya untuk melakukan ridesharing. Dari himpunan kombinasi yang layak untuk melakukan ridesharing akan dipilih pasangan yang paling optimum untuk melakukan ridesharing dengan menggunakan algoritma Hungarian sehingga menghasilkan total distance savings maksimum. Berdasarkan hasil simulasi program pada data percobaan, diperoleh maksimum total DS sebesar 244.78 kilometer yang dihasilkan dari 13 kombinasi driver-rider. Penggunaan clustering mampu mereduksi 257 dari 400 kombinasi driver-rider yang akan diuji kelayakannya untuk melakukan ridesharing. ......To increase the occupancy rate, ridesharing is an alternative solution. Ridesharing is a mode of transportation in which individual travelers share a vehicle for a trip. The problem is how to optimize the matching problem of drivers and riders with a large number of participants in a short optimization time. This thesis purposed Agglomerative Hierarchical Clustering (AHC) method to be applied in optimizing the matching between drivers and riders with an objective function maximizing the total distance savings (DS). DS is obtained from the difference in the total distance of individual trip with the distance of ridesharing trip. AHC method is a clustering method which each data point is made as one cluster, then successively combines clusters that have similarities until all clusters are merged into one cluster which containing all data points. The input data are the coordinates of the participants' departure and arrival location. The output of AHC is dendogram that illustrates the iteration of cluster formation. Based on clustering results, a set of driver-rider combination was obtained which were then examined for their eligibility to do ridesharing. Next, from the set of driver-rider combination which feasible to do ridesharing, we will determine driver-rider combination that generates maximum total DS by using Hungarian Algorithm. Based on simulation program results on experimental data, maximum total DS is 244.78 kilometers that was obtained from 13 driver-rider combinations. The use of clustering was able to reduce 257 out of 400 pair combinations that were tested for their feasibility to do ridesharing.