Analisis Metode Klasifikasi Pada Data Sewa Sepeda Di Seoul

Abstract

Penelitian ini menyoroti peran penting klasifikasi berbasis empat musim dalam konteks manajemen mobilitas perkotaan, dengan fokus untuk mengatasi tantangan kemacetan lalu lintas dan mendukung pilihan transportasi yang berkelanjutan. Penelitian ini menekankan pentingnya akurasi dan stabilitas dalam klasifikasi berdasarkan musim, dengan menggunakan metode analisis data seperti Principal Component Analysis (PCA), K-Nearest Neighbor (KNN), Naïve Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, Regresi Logistik, dan Gradient Boosting. Dataset yang didapat berasal dari website UCI Machine Learning Repository, dengan mencakup berbagai variabel yaitu musim(musim semi, musim panas, musim gugur, dan musim dingin), suhu, kelembapan, kecepatan angin, jarak pandang, titik embun, radiasi matahari, curah salju, dan curah hujan dalam analisi. Hasil penelitian dalam analisis klasifikasi berdasarkan musimam per jam dan tanggal, mendapatkan keakurasian data yang paling tinggi sebesar 0.709 oleh metode Random Forest dengan menggunakan data training 80% dan data testing 20%.