<![CDATA[Seluruh transaksi penumpang Bus Trans Jogja (BTJ) dilaporkan kepada UPT Trans Jogja. Data transaksi yang direkam oleh mesin pembaca pada setiap shelter-nya hanya digunakan untuk membuat laporan saja, padahal data tersebut juga dapat digali untuk mendapatkan informasi lain yang tersembunyi, namun analisis data manual bersifat lambat, mahal dan subjektif. Laporan data transaksi yang diterima UPT Trans Jogja terdiri atas 3 jenis transaksi yang dilakukan oleh penumpang baik transaksi timebase, non-timebase maupun bank. Terjadinya peningkatan jumlah penumpang dari awal pengoperasian BTJ hingga saat ini memungkinkan untuk dilakukan penggalian informasi sehingga diperoleh hasil prediksi tentang jumlah penumpang pada periode ke depan. Berdasarkan permasalahan tersebut, maka dibuat suatu penelitian untuk mengembangkan suatu aplikasi komputer yang mampu memberikan hasil prediksi yang dapat membantu pihak terkait dalam perencanaan atau pengambilan keputusan terhadap penggunaan tiket langganan. Langkah awal yang dilakukan dalam penelitian ini adalah melakukan pengumpulan data menggunakan metode wawancara, observasi, dokumentasi dan literatur. Langkah berikutnya adalah menganalisis data sehingga data-data tersebut dapat dilakukan tahapan-tahapan data mining. Adapun tahapan data mining adalah transformasi data, pemilihan data, pembersihan data, aplikasi teknik data mining, evaluasi pola dan representasi pengetahuan. Pembuatan diagram alir, perancangan aplikasi, coding dan pengujian sistem dilakukan di dalam tahap aplikasi teknik data mining. Dari penelitian yang dilakukan menghasilkan sebuah aplikasi data mining untuk memprediksi jumlah penumpang Bus Trans Jogja dengan menggunakan time series data dan metode Single Exponential Smoothing maupun Double Exponential Smoothing (2-Parameter Holt). Kesimpulan yang didapat dari penelitian ini adalah 7 dari 8 jenis transaksi time series data yang diprediksi lebih baik menggunakan metode Single Exponential Smoothing sedangkan 1 diantaranya lebih baik menggunakan metode Double Exponential Smoothing (2-Parameter Holt). Kata kunci : data mining, time series data, prediksi, Single Exponential Smoothing, Double Exponential Smoothing (2-Parameter Holt)]]>
