Sistem Rekomendasi Demografic Filtering untuk Penilaian Perilaku dan Kompetensi Pengemudi Transportasi Umum Nasional

Safrizal Safrizal

Abstract


Sistem rekomendasi menjadi alat yang efektif dalam berbagai industri, termasuk sektor transportasi. Penilaian terhadap perilaku dan kompetensi pengemudi sangat penting untuk meningkatkan kualitas layanan, keselamatan, dan kepuasan penumpang. Penelitian ini mengusulkan penerapan Demographic Filtering untuk membangun sistem rekomendasi yang bertujuan mengevaluasi dan memberikan penilaian terhadap perilaku serta kompetensi pengemudi transportasi umum nasional. Demographic Filtering merupakan pendekatan yang menggunakan data demografis pengguna, seperti usia pengemudi, jenis kelamin, pengalaman Pengemudi, Nilai KKNI untuk menghasilkan rekomendasi yang lebih akurat dan relevan. Nilai dari Kerangka Kualifikasi Nasional Indonesia (KKNI) terendah yaitu dari 62 sampai dengan 310. Dari nilai KKNI dibuat 3 kategori disebuat dengan kategori Aman, Semi Agresif dan Agresif. Untuk Kategori Aman bernilai dari 249 sampai dengan 310. Untuk Kategori Semi Agresif bernilai dari 186 sampai 248 dan untuk kategori agresif bernilai 62 sampai 85. KKNI Penilaian pengemudi terdiri dari 4 Nilai yaitu Sikap Dan Tata Nilai Pengemudi, Kemampuan Di Bidang Kerja Pengemudi, Pengetahuan yang dikuasai Pengemudi, Hak Dan Tanggung Jawab. Hasil dari Penelitian yaitu diperoleh 50 Pengemudi dengan kriteria aman sebanyak 23 orang, kriteria semi agresif sebanyak 18 orang dengan kriteria Agresif sebanyak 9 orang.

Kata Kunci: Sistem rekomendasi,Demographic Filtering.Kompetensi pengemudi.KKNI (Kerangka Kualifikasi Nasional Indonesia).Penilaian perilaku pengemudi


Full Text:

PDF

References


Alhijawi, B., & Kilani, Y. (2020). A collaborative filtering recommender system using genetic algorithm. Information Processing and Management, 57(6). https://doi.org/10.1016/j.ipm.2020.102310

Bhatti, U. A., Huang, M., Wu, D., Zhang, Y., Mehmood, A., & Han, H. (2019). Recommendation system using feature extraction and pattern recognition in clinical care systems. Enterprise Information Systems, 13(3), 329–351. https://doi.org/10.1080/17517575.2018.1557256

Fayyaz, Z., Ebrahimian, M., Nawara, D., Ibrahim, A., & Kashef, R. (2020). Recommendation systems: Algorithms, challenges, metrics, and business opportunities. Applied Sciences (Switzerland), 10(21), 1–20. https://doi.org/10.3390/app10217748

Hassannia, R., Barenji, A. V., Li, Z., & Alipour, H. (2019). Web-based recommendation system for smart tourism: Multiagent technology. Sustainability (Switzerland), 11(2). https://doi.org/10.3390/su11020323

Hussien Mohamed, M., Helmy Khafagy, M., & Hasan Ibrahim, M. (n.d.). Recommender Systems Challenges and Solutions Survey.

Kim, T. Y., Pan, S. B., & Kim, S. H. (2020). Sentiment digitization modeling for recommendation system. Sustainability (Switzerland), 12(12). https://doi.org/10.3390/su12125191

Lin, K., Sonboli, N., Mobasher, B., & Burke, R. (2020). Calibration in collaborative filtering recommender systems: A user-centered analysis. Proceedings of the 31st ACM Conference on Hypertext and Social Media, HT 2020, 197–206. https://doi.org/10.1145/3372923.3404793

Renjith, S., Sreekumar, A., & Jathavedan, M. (2020). An extensive study on the evolution of context-aware personalized travel recommender systems. Information Processing and Management, 57(1). https://doi.org/10.1016/j.ipm.2019.102078

Burke, R. (2002). Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, 12(4), 331-370. doi:10.1023/A:1021240730564

Aggarwal, C. C. (2016). Recommender Systems: The Textbook. Springer. doi:10.1007/978-3-319-29659-3

Resnick, P., & Varian, H. R. (1997). Recommender Systems. Communications of the ACM, 40(3), 56-58. doi:10.1145/245108.245121

Choi, J. H., & Kim, S. H. (2004). A content-based recommendation system for product categories using demographic data. Expert Systems with Applications, 26(3), 247-255. doi:10.1016/j.eswa.2003.10.006

Karyono, A., Prasetya, H. A., & Putra, D. A. (2021). Model Sistem Rekomendasi Menggunakan Demographic Filtering Untuk Evaluasi Kompetensi Pengemudi. Jurnal Sistem Informasi, 17(2), 89-98. doi:10.21609/jsi.v17i2.937


Refbacks

  • There are currently no refbacks.


Prosiding Seminar Nasional Penelitian LPPM UMJ Indexed by:

Google Scholar

==============================================================================================================

Prosiding Seminar Nasional Penelitian LPPM UMJ
Universitas Muhammadiyah Jakarta
Jl.KH. Ahmad Dahlan Cirendeu Ciputat Jakarta Selatan
Telp : 021 7424950
Fax : 021 7430756

E-ISSN: 2745-6080

==============================================================================================================

Powered by Puskom-UMJ