Prediksi Moda Transportasi dengan Data Smartphone dan Machine Learning ti July 31, 2024

Prediksi Moda Transportasi dengan Data Smartphone dan Machine Learning

Tahukah kamu? Teknologi yang berkembang pesat saat ini membuat kita bisa melakukan banyak hal. Salah satunya memakai smartphone kita untuk memprediksi moda transportasi yang banyak orang pakai. Lho gimana caranya ya?

 

Smartphone kita sebetulnya dilengkapi banyak sensor untuk mendeteksi posisi kita, akselerasi kita, temperatur dan pencahayaan sekitar, dsb. Nah data sensor ini akan beda nilainya waktu kita diam, jalan, lari, naik sepeda, mobil, kereta, dsb. Teknologi machine learning sekarang sudah bisa dipakai untuk prediksi moda transportasi yang kita sedang gunakan dengan info sensor di atas. Manfaatnya? Hanya dengan data smartphone ini, kita bisa tahu orang banyak biasanya pakai moda transportasi apa, lalu bisa atur lalu lintas untuk kurangi kemacetan, bisa juga beri inspirasi untuk penyedia jasa sepeda, bus, kereta juga. Menarik ya? (DOI: 10.1109/ACCESS.2018.2858933, 10.1109/ACCESS.2023.3281307)

 

 

Belajar machine learning sebenarnya sulit nggak sih? Materi belajar onlinenya sudah ada banyak lho. Contoh video dasar machine learning sampai praktek coding sederhana bisa dilihat di https://www.youtube.com/watch?v=yuOnn2gyvsY. Coding dan data untuk latihan juga banyak bisa diakses di website seperti Kaggle dan Github. Kalau mau belajar bareng, bisa juga di Teknik Industri Ubaya, contohnya seperti teman-teman mahasiswa yang praktek coding machine learning lalu presentasikan hasil untuk banyak kasus seperti prediksi jumlah orang yang datang ke kantin, jumlah likes Instagram, tingkat kemiskinan Indonesia, dsb.

 

Apa kita sudah siap ikut belajar untuk jadi ahli machine learning di era digitalisasi ini? Tunggu apa lagi!

 

Penulis: Ivan Kristianto Singgih, S.T., M.T., Ph.D.

Program Studi Teknik Industri, Universitas Surabaya

ivanksinggih@staff.ubaya.ac.id

Profil: https://www.researchgate.net/profile/Ivan-Singgih, https://profil.ubaya.ac.id/ivanksinggih.html