Thread by @pacmannai

Prediksi waktu perjalanan

A thread

Halo semua! Balik lagi nih sama mimin! Di masa pandemi ini siapa nih yang kangen hangout ke luar bareng teman maupun pacar?

Pastinya kalau mau hangout, kita pilih tempat yang strategis dan mudah dituju kan? Dan yang terlebih penting, jalan kesananya enggak macet! Supaya sampai tempat tujuannya bisa tepat waktu kan?

Nah saat memperkirakan waktu perjalanan, kita pasti sering banget melihat estimasi waktu perjalanan di aplikasi-aplikasi Maps favorit kita

Tapi pernah gak kalian kepikiran kok bisa ada prediksi waktu sampainya? Kan kecepatan kita saat perjalanan nanti belum diukur?

Tenang-tenang gais, engga kayak gitu kokk. Jadi semua pengukuran itu sebenarnya hanya hasil estimasi perhitungan dari machine learning

Maksudnya gimana tuh min?

Oke jadi coba kita samakan persepsi dulu ya

Di setiap perjalanan, waktu perjalanan pasti bisa dihitung dengan waktu tiba dikurang waktu berangkat kan?

Nah misalkan kita punya data waktu perjalanan yang kita notasikan dengan y

y = [y1, y2, …, yn]

Misalkan juga kita sudah punya informasi mengenai jarak perjalanan yang ditempuh, kita notasikan dengan X

X = [x1, x2, …, xn]

Berarti model yang akan kita bentuk harus dapat memprediksi waktu perjalanan berdasarkan informasi-informasi yang sebelumnya belum ada pada himpunan X

Untuk membuat model yang bagus, pasti kita ingin membuat error sekecil mungkin dong ya

Nah untuk error prediksi ini cukup mudah, tinggal kita bandingkan antara selisih waktu prediksi dan waktu sebenarnya dengan waktu sebenarnya.

Pengukuran error ini disebut juga mean absolute percentage error (MAPE), dan waktu prediksi kita yaitu f(xi) bisa kita dapatkan melalui model regresi seperti biasa.

Tapi untuk mendapatkan prediksi yang baik, kita perlu untuk menambahkan bentuk regularisasi supaya prediksi kita tidak overfit

l

Nah, regularisasi ini nih yang menggunakan machine learning dalam prosesnya

Contoh regularisasi yang sering digunakan itu seperti Gradient Boosting Decision Tree (GBDT) atau Factorization Machine (FM)

Tapi sebenarnya untuk kasus prediksi waktu perjalanan ini, GBDT bukan pilihan terbaik karena sulit beradaptasi untuk large feature data

Sedangkan untuk FM, performanya sangat bergantung dengan representasi fitur dan kemampuan representasi modelnya terbatas.

Perlu diingat juga karena pada prediksi waktu perjalanan ini menggunakan data yang sangat byk dan kompleks, maka kita jg membutuhkan model yang cukup kompleks dalam memahami / mempelajari data yang kita punya. Oleh krn itu, kita dapat menggunakan teknik deep learning u/ mslh ini