<![CDATA[Penelitin ini berfokus pada penerapan pendekatan hybrid machine leaerning yang menggabungkan algoritma Random Forest dan Long Short-Term Memory (LSTM) untuk memprediksi pendapatan Bus Rapid Transit (BRT) berdasarkan pola perilaku pelanggan. Dengan semakin pentingnya manajemen transportasi umum, prediksi pendapatan yang akurat telah menjadi krusial untuk perencanaan operasional dan pembuatan kebijakan. Penelitian ini mengatasi tantangan yang dihadapi oleh Dinas Perhubungan Kota Cirebon dalam mengelola operasi BRT tanpa sistem prediksi pendapatan yang memadai untuk mendukung kebijakan tarif transportasi publik yang berkelanjutan. Menggunakan data operasional dari Januari hingga Desember 2024, penelitian ini mengusulkan pendekatan hybrid baru di mana Random Forest digunakan untuk pemilihan fitur dan analisis kepentingan, sementara LSTM menangani pengenalan pola temporal untuk prediksi pendapatan. Model hybrid memproses berbagai variabel termasuk data pelanggan (dewasa dan pelajar), data operasional (rute, jadwal), dan faktor eksternal (hari libur nasional, hari libur sekolah). Algoritma Random Forest berhasil mengidentifikasi 5 fitur kunci dari 15 fitur awal, dengan total penumpang (korelasi: 0,996) dan 3 penumpang stasiun teratas (korelasi: 0,996) menunjukkan pentingnya tertinggi. Model LSTM mencapai akurasi prediksi dengan MAE sebesar 8,90%, MSE sebesar 0,0134, RMSE sebesar 11,59%, dan R² sebesar 75,97%. Pendekatan hybrid menunjukkan peningkatan yang signifikan dalam akurasi prediksi pendapatan dibandingkan dengan metode tradisional, memberikan wawasan berharga bagi otoritas transportasi di Kota Cirebon untuk merumuskan kebijakan tarif transportasi publik yang berkelanjutan.]]>
