PREDIKSI JUMLAH ORDER GOJEK DRIVER MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN EVALUASI MODEL
Keywords:
Gojek; jumlah order; prediksi; Random Forest Regression; machine learning; RMSE; MAE; MAPEAbstract
Penelitian ini berjudul “Prediksi Jumlah Order Driver Gojek Menggunakan Algoritma Random Forest Regression”. Penelitian ini bertujuan untuk memprediksi jumlah order driver Gojek berdasarkan beberapa faktor yang berkaitan dengan aktivitas kerja driver. Variabel yang digunakan meliputi durasi kerja dan jam online, sedangkan jumlah order digunakan sebagai variabel target. Data penelitian diperoleh melalui kuesioner terhadap driver Gojek.
Metode yang digunakan adalah Random Forest Regression, yaitu metode machine learning yang menggabungkan beberapa decision tree untuk menghasilkan prediksi. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data menjadi data training dan testing dengan perbandingan 70:30, pembangunan model, serta proses prediksi. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE) untuk mengetahui tingkat kesalahan prediksi terhadap data aktual.
Hasil penelitian menunjukkan bahwa Random Forest Regression dapat digunakan untuk memprediksi jumlah order driver Gojek berdasarkan variabel yang digunakan dalam penelitian. Hasil evaluasi model melalui nilai RMSE, MAE, dan MAPE menunjukkan tingkat kemampuan model dalam menghasilkan prediksi jumlah order. Model yang dihasilkan dapat memberikan estimasi jumlah order berdasarkan kondisi kerja driver sehingga dapat menjadi informasi pendukung dalam memahami pola jumlah order yang diperoleh driver Gojek.
References
(APOJI), A. P. O. I. (2023). Survei Nasional Driver Online 2023: Dampak Cuaca dan Ekonomi. APOJI Sumatera Utara.
(BPS), B. P. S. (2023). Statistik Telekomunikasi Indonesia 2023. BPS.
(BPS), B. P. S. (2024). Inflasi dan Harga Konsumen Indonesia 2023. BPS.
Gojek. (2022). Laporan Tahunan Gojek 2022. https://www.gojek.com/annual-report
Google, Temasek, & Company, B. &. (2023). e-Conomy SEA 2023. Google.
Hakim, R., & Pratama, D. (2023). Model evaluation techniques in predictive analysis using machine learning. International Journal of Information Systems and Technology, 7(1), 45–54.
Hidayat, M., & Wicaksono, A. D. (2023). Evaluasi performa algoritma Random Forest untuk prediksi data multivariat. Jurnal Teknologi Informasi Dan Sains Data, 12(2), 89–97.
Informatika, K. K. dan. (2022). Gerakan Nasional 1000 Startup Digital 2021-2024.
Nugroho, A., & Setiawan, B. (2023). Prediksi Order Gojek Bandung Berbasis Support Vector Regression. Jurnal Sistem Informasi, 12(3), 210–225.
Pratama, R., & al., et. (2022). Penerapan Deep Learning LSTM untuk Forecasting Order Grab di Surabaya. Jurnal Informatika, 15(1), 34–45.
Puri, D., Sihag, P., Thakur, M. S., Jameel, M., Chadee, A. A., & Hazi, M. A. (2024). Analysis of Data Splitting on Streamflow Prediction using Random Forest. AIMS Environmental Science, 11(4), 593–609. https://doi.org/10.3934/environsci.2024029
Ratnawati, S., & Maulana, R. M. (2024). Analisis komprehensif aplikasi transportasi Gojek: Pendekatan systematic literature review dari perspektif pengguna. Jurnal Perangkat Lunak, 6(1), 33–42. https://doi.org/10.32520/jupel.v6i1.2856
Sari, D. P., & Putra, A. R. (2021). Analisis perbandingan metode prediksi menggunakan algoritma machine learning pada data time series. Jurnal Informatika, 8(1), 45–52.
Sari, N. K., & Wijaya, A. (2021). Prediksi Permintaan Layanan Ride-Hailing Menggunakan Regresi Linier Berganda: Studi Kasus Gojek Jakarta. Jurnal Teknik Industri, 23(2), 145–158. https://doi.org/10.1234/jti.v23i2.789
Sunday, B. O., & Nduka, S. O. (2023). MySQL Database Server: Deploying Software Application to Enhance Visibility and Accountability. Current Journal of Applied Science and Technology, 42(4), 16–23. https://doi.org/10.9734/cjast/2023/v42i44063
Widodo, S. (2024). Gradient Boosting untuk Prediksi Order Driver Gojek Yogyakarta. Jurnal Data Mining, 8(1), 56–70.
