PREDIKSI KEPUASAN PENUMPANG TRANSPORTASI DARAT MENGGUNAKAN MACHINE LEARNING: RANDOM FOREST DAN XGBOOST

Abstract

Kepuasan penumpang merupakan indikator kritis keberhasilan penyedia layanan transportasi darat, khususnya kereta api, karena berdampak langsung pada loyalitas penumpang, rekomendasi dari mulut ke mulut, dan pendapatan jangka panjang. Penelitian ini bertujuan menganalisis kinerja dua algoritma Machine Learning, yaitu Random Forest dan XGBoost, dalam memprediksi kepuasan penumpang transportasi darat. Penelitian menggunakan dataset hasil survei kepuasan penumpang kereta api sebanyak 12.340 observasi dengan 18 atribut. Tahapan penelitian meliputi preprocessing data (pembersihan data, encoding, normalisasi, penanganan ketidakseimbangan kelas dengan SMOTE), pembagian data training-testing 80:20 secara stratified, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa XGBoost mencapai akurasi tertinggi sebesar 93,8%, diikuti Random Forest dengan 91,2%. Analisis fitur menunjukkan bahwa ketepatan waktu kedatangan, kenyamanan kursi, dan kebersihan gerbong merupakan prediktor terkuat kepuasan penumpang. Penelitian ini memberikan rekomendasi implementasi model untuk personalisasi layanan dan deteksi dini keluhan penumpang.