Claim Missing Document
Check
Articles

Found 3 Documents
Search

Analisis Pola dan Optimalisasi Rute Perjalanan Taksi Menggunakan K-Means Clustering Muhammad Rizki Alfahri; Muhammad Zidane Alkautsar; Najwatul Khoiriah; Agata Putri Handayani Simbolon; Fanny Ramadhani
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 2 (2025): April 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i2.8979

Abstract

Abstrak - Perjalanan taksi di kota besar memiliki pola yang beragam berdasarkan lokasi dan waktu tempuh. Penelitian ini menerapkan algoritma K-Means Clustering untuk mengelompokkan data perjalanan taksi berdasarkan dua variabel utama, yaitu jarak perjalanan dan total biaya. Dengan menggunakan 15.000 data sampel dari dataset Yellow_tripdata_2024, hasil clustering menunjukkan bahwa perjalanan dapat dibagi menjadi lima kelompok utama. Klaster pertama mencakup perjalanan jarak pendek di pusat kota, klaster kedua meliputi perjalanan dari dan ke bandara atau area pinggiran kota, dan klaster ketiga berfokus pada perjalanan malam dan dini hari. Dua klaster tambahan menunjukkan pola perjalanan unik berdasarkan variasi harga dan jarak. Hasil analisis ini dapat dimanfaatkan untuk optimalisasi tarif, peningkatan layanan transportasi, serta pengambilan keputusan bagi operator taksi dan perencana transportasi kota.Kata kunci: Big Data, Clustering, K-Means, Transportasi, Analisis perjalanan Abstract - Taxi trips in big cities have diverse patterns based on location and travel time. This study applies the K-Means Clustering algorithm to cluster taxi trip data based on two main variables, namely trip distance and total cost. Using 15,000 sample data from the Yellow_tripdata_2024 dataset, the clustering results show that trips can be divided into five main clusters. The first cluster includes short-distance trips in the city center, the second cluster includes trips to and from the airport or suburban areas, and the third cluster focuses on night and early morning trips. Two additional clusters show unique travel patterns based on price and distance variations. The results of this analysis can be used for fare optimization, transportation service improvement, and decision-making for taxi operators and city transportation planners.Keywords: Big Data, Clustering, K-Means, Transportation, Travel analysis
Analisis Kinerja Sistem Transportasi Daring: Simulasi Dampak Ukuran Armada dan Algoritma Penugasan Terhadap Waktu Tunggu Pelanggan Muhammad Rizki Alfahri; Zulfahmi Indra; Rizal Muslim Sinaga; Agata Putri Handayani Simbolon
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 6 (2025): Desember 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i6.9895

Abstract

Abstrak - Mobilitas perkotaan modern bergantung pada layanan transportasi online.  Optimasi ukuran armada dan algoritma penugasan sangat penting untuk kinerja sistem ini; namun, penelitian empiris tentang perbedaan antara kedua komponen tersebut masih sedikit.  Studi ini menggunakan simulasi komputer untuk melihat bagaimana interaksi antara ukuran armada dan algoritma penugasan berdampak pada waktu tunggu pelanggan.  Studi ini menguji 24 skenario yang menggabungkan 8 ukuran armada (3–30 driver) dan 3 algoritma penugasan (paling dekat, pengaturan acak, dan berbasis queue).  Algoritma driver paling dekat mengurangi waktu tunggu rata-rata sebesar 41,6 persen dibandingkan dengan random assignment, dan setiap simulasi dijalankan selama 150 langkah waktu.  Dengan service rate 100%, armada 25 driver mencapai zero waiting time. Studi ini menunjukkan bukti nyata bahwa kinerja sistem transportasi online dapat secara signifikan ditingkatkan dengan mengoptimalkan kombinasi armada dan algoritma.  Untuk mencapai tingkat efisiensi operasional terbaik, disarankan untuk menggunakan algoritma driver terdekat dengan armada 20 hingga 25 driver.Kata kunci: Transportasi Daring; Optimasi Armada; Algoritma Penugasan; Waktu Tunggu; Simulasi Agent-based; Abstract - Modern urban mobility depends on online transportation services.  Optimizing fleet size and assignment algorithms is critical to the performance of these systems; however, empirical research on the differences between these two components is still scarce.  This study uses computer simulations to examine how the interaction between fleet size and assignment algorithms affects customer wait times.  The study tested 24 scenarios combining 8 fleet sizes (3–30 drivers) and 3 assignment algorithms (nearest driver, random assignment, and queue-based).  The nearest driver algorithm reduced average waiting time by 41.6 percent compared to random assignment, and each simulation ran for 150 time steps.  With a service rate of 100%, a fleet of 25 drivers achieved zero waiting time. This study provides clear evidence that the performance of online transportation systems can be significantly improved by optimizing the combination of fleet size and algorithm. To achieve the highest level of operational efficiency, it is recommended to use the nearest driver algorithm with a fleet size of 20 to 25 drivers.Keywords: Online Transportation; Fleet Optimization; Assignment Algorithm; Waiting Time; Agent-based Simulation;
Sistem Pengelolaan Data Siswa Dinamis dengan Array Dan Stack Muhammad Rizki Alfahri; Najwa Latifa Hasibuan; Raihan Insan Pratama Siagan; Fanny Ramadhani
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 7, No 6 (2024): Desember 2024
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v7i6.8424

Abstract

Abstrak - Sistem pengelolaan data siswa konvensional sering kali mengalami kesulitan dalam hal kecepatan akses, integritas data, serta kemampuan untuk mendukung operasi pembatalan (undo) dan pengulangan (redo) yang diperlukan saat ada perubahan data. Penelitian ini mengusulkan pengembangan Sistem Pengelolaan Data Siswa Dinamis yang memanfaatkan struktur data array dan stack untuk menyediakan solusi pengelolaan data siswa yang cepat, terstruktur, dan mendukung fungsi undo-redo secara efektif. Array digunakan untuk menyimpan data siswa dalam bentuk yang terstruktur, memungkinkan operasi penambahan, penghapusan, dan pembaruan data secara efisien. Sebagai pelengkap, stack diterapkan untuk mendukung fitur undo-redo yang memberikan fleksibilitas bagi pengguna dalam membatalkan atau mengulangi tindakan terakhir pada data siswa. Dalam penelitian ini, dua stack dikhususkan untuk mengelola undo dan redo secara terpisah, sehingga sistem dapat melacak riwayat operasi dan memastikan perubahan data tetap konsisten. Pengujian sistem dilakukan melalui simulasi beberapa skenario penggunaan, termasuk penambahan data siswa baru, penghapusan data, serta pembaruan data nilai siswa. Hasil pengujian menunjukkan bahwa sistem ini tidak hanya menyediakan waktu akses yang optimal dengan penggunaan memori yang efisien, tetapi juga mempercepat proses navigasi perubahan data dengan dukungan undo dan redo yang responsif. Dengan menerapkan pendekatan berbasis array untuk pengelolaan data inti dan stack untuk penelusuran riwayat perubahan, sistem ini mampu menghadirkan fungsionalitas yang lebih baik dalam hal akurasi dan efisiensi. Penelitian ini diharapkan dapat menjadi referensi untuk pengembangan sistem manajemen data siswa yang adaptif dan dinamis, serta dapat diterapkan dalam berbagai lingkungan akademik dan administrasi yang membutuhkan kontrol data yang tinggi dan fleksibilitas dalam pembaruan data.Kata kunci: Sistem Pengolaan Data, array, Stack, Undo-Redo, Pendidikan Abstract -  Conventional student data management systems often experience difficulties in terms of access speed, data integrity, as well as the ability to support undo and redo operations required when data changes. This research proposes the development of a Dynamic Student Data Management System that utilizes array and stack data structures to provide a solution for student data management that is fast, structured, and supports undo-redo functions effectively. Arrays are used to store student data in a structured form, enabling efficient operations of adding, deleting, and updating data. As a complement, a stack is implemented to support the undo-redo feature that provides flexibility for users in undoing or redoing the last action on student data. In this research, two stacks are devoted to managing undo and redo separately, so that the system can keep track of operation history and ensure data changes remain consistent. System testing was conducted through the simulation of several usage scenarios, including the addition of new student data, deletion of data, as well as updating student grade data. The test results show that the system not only provides optimized access time with efficient memory usage, but also speeds up the data change navigation process with responsive undo and redo support. By applying an array-based approach for core data management and a stack for change history browsing, the system is able to deliver better functionality in terms of accuracy and efficiency. This research is expected to be a reference for the development of adaptive and dynamic student data management systems, and can be applied in various academic and administrative environments that require high data control and flexibility in data updates.Keywords: Data Management System, array, Stack, Undo-Redo, Education