Konsep Data Mining

Data Mining merupakan teknologi yang sangat berguna untuk membantu perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data (Data warehouse) suatu swalayan. Dengan data mining dapat meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting. Analisis yang diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh sistem pendukung keputusan tradisional yang sudah banyak digunakan. Data Mining dapat menjawab pertanyaan-pertanyaan bisnis yang dengan cara tradisional memerlukan banyak waktu dan cost tinggi.

Secara umum, data mining dapat melakukan dua hal yaitu memberikan kesempatan untuk menemukan informasi menarik yang tidak terduga, dan juga bisa menangani data berskala besar. Dalam menemukan informasi yang menarik ini, ciri khas data mining adalah kemampuan pencarian secara hampir otomatis, karena dalam banyak teknik data mining ada beberapa parameter yang masih harus ditentukan secara manual atau semi manual. Data mining juga dapat memanfaatkan pengalaman atau bahkan kesalahan di masa lalu untuk meningkatkan kualitas dari model maupun hasil analisanya, salah satunya dengan kemampuan pembelajaran yang dimiliki beberapa teknik data mining seperti klasifikasi. Data Mining mengeksplorasi basis data untuk menemukan pola-pola yang tersembunyi, mencari informasi untuk memprediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka.

Jenis-jenis Data Mining:

1.      Market Basket Analysis

Himpunan data yang dijadikan sebagai objek penelitan pada area data mining. Market basket analysis adalah proses untuk menganalisis kebiasaan pelanggan dalam menyimpan item-item yang akan dibeli ke dalam keranjang belanjaannya. Market basket analysis memanfaatkan data transaksi penjualan untuk dianalisis sehingga dapat ditemukan pola berupa item-item yang cenderung muncul bersama dalam sebuah transaksi

2.      Memory-Based Reasoning. 

Metode klasifikasi yang digabungkan dengan penalaran berbasis memori. proses menggunakan satu set data untuk membuat model dari prediksi atau asumsi-asumsi yang dapat dibuat tentang objek baru yang diperkenalkan. Ada dua komponen dasar untuk metode MBR. Yang pertama adalah kesamaan fungsi, yang mengukur bagaimana anggota yang sama dari setiap pasangan object satu sama lain. Yang kedua adalah fungsi kombinasi, yang digunakan untuk menggabungkan hasil dari himpunan tetangga untuk sampai pada keputusan.

3.      Cluster Detection

 Ada dua pendekatan untuk clustering. Pendekatan pertama adalah dengan mengasumsikan bahwa sejumlah cluster sudah tersimpan dalam data, tujuannya adalah untuk memecah data ke dalam cluster. Pendekatan lain, disebut clustering agglomerative, dengan asumsi keberadaan setiap jumlah yang telah ditetapkan cluster tertentu, setiap item keluar di cluster sendiri, dan proses terjadi berulang-ulang yang berupaya untuk menggabungkan cluster, meskipun proses komputasi sama.

4.      Link Analysis

Proses mencari dan membangun hubungan antara object dalam kumpulan data juga mencirikan sifat yang terkait dengan hubungan antara dua object. Link Analysis berguna untuk aplikasi analitis yang mengandalkan teori grafik untuk mengambil kesimpulan. Selain itu Link Analysis berguna untuk proses optimasi.

5.      Rule Induction

 Ekstraksi aturan sebab-akibat dari data secara statistic. identifikasi aturan bisnis yang tersimpan di dalam data. Metode berhubungan dengan induksi aturan yang digunakan untuk proses penemuan. Salah satu pendekatan untuk penemuan aturan adalah menggunakan pohon keputusan.

6.      Neural Networks

Model prediksi non linear yang melakukan pembelajaran melalui latihan dan menyerupai struktur jaringan nerual yang terdapat pada mahluk hidup. Mampu menurunkan pengertian dari data yang kompleks dan tidak jelas dan dapat digunakan pula untuk mengekstrak pola dan mendeteksi tren2 yang sangat kompleks untuk dibicarakan baik oleh manusia maupun teknik komputer lainnya.

Contoh Kasus Data Mining

·         contoh kasus data mining yang terjadi yaitu data transaksi disebuah supermarket dapat berjumlah ribuan dalam periode singkat dan terus bertambah. Seringkali perusahaan hanya membiarkan data tersebut menggunung untuk laporan transaksi, tetapi dengan data mining kita dapat menggali  informasi yang sangat berharga dari data tersebut, misalnya asosiasi antar produk yang dapat digunakan untuk menentukan tata letak produk, dapat juga digunakan untuk menentukan daftar barang yang telah kadaluarsa.

·         Sebagai contoh lain kasus data mining yaitu   misalnya dalam bidang pemasaran, sebelum sebuah perusahaan mengeluarkan suatu produk baru kepasaran, perusahaan tersebut harus memiliki informasi tentang kecenderungan pelanggan untuk membeli produk yang akan di keluarkan. Perkiraan (hypothesis) dapat disusun untuk mengidentifikasikan pelanggan yang potensial dan karakteristik dari pelanggan yang ada. Data-data tentang pembelian pelanggan sebelumnya dan data tentang keadaan pelanggan, dapat digunakan untuk melakukan perbandingan antara pembelian dan karakteristik pelanggan untuk menetapkan dan menguji target yang telah diperkirakan sebelumnya. Dari keseluruhan operasi yang ada selanjutnya dapat dilakukan penyaringan dengan cermat sehingga jumlah perkiraan (hypothesys) yang sebelumnya banyak akan menjadi semakin berkurang sesuai dengan keadaan yang sebenarnya.Permasalahan utama dengan model ini adalah tidak ada informasi baru yang dapat dibuat, melainkan hanya pembuktian atau melemahkan perkiraan (hypothesys) dengan data-data yang ada sebelumnya. Datadata yang ada pada model ini hanya digunakan untuk membuktikan mendukung perkiraan (hypothesis) yang telah diambil sebelumnya. Jadi model ini sepenuhnya tergantung pada kemampuan user untuk melakukan analisa terhadap permasalahan yang ingin digali dan diperoleh informasinya.

Kelebihan Data Mining :

a.       Kemampuan dalam mengolah data dalam jumlah yang besar.

b.      Pencarian Data secara otomatis.

c.       Memungkinkan data mining untuk diterapkan pada masalah-masalah kompleks yang ukurannya tidak dibatasi lagi oleh otak manusia.

d.      Selain itu penelitian tentang algoritma parallel dari data mining juga membuka jalan agar data mining dapat diterapkan pada program skala yang lebih besar lagi.

Kekurangan Data Mining :

a.       Kendala Database ( Garbage in garbage out ).

b.      Tidak bisa melakukan analisa sendiri. 

c.       Data mining juga tidak bisa menemukan pengetahuan yang bermanfaat secara instan.

Kesimpulan

Data mining, yang hadir sebagai teknologi untuk memanfaatkan ketersediaan data bisnis yang melimpah, telah membantu para pelaku bisnis untuk mempertahankan dan mengembangkan bisnis mereka. Akan tetapi, agar teknologi data mining ini dapat dimanfaatkan terus dengan baik, teknologi ini harus terus dapat “bekerja” berdampingan dengan bidang lain di dunia teknologi informasi yang berkembang dengan sangat cepat. Penyempurnaan di sana-sini masih terus diperlukan, karena itu peluang riset di bidang ini masih terbuka lebar.

Saran

Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual, juga diartikan sebagai analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya Disamping memiliki kemampuan, data mining juga memiliki keterbatasan yang tidak bisa dilakukannya. Salah satu tuntutan dari data mining ketika diterapkan pada data berskala besar adalah diperlukan metodologi sistematis tidak hanya ketika melakukan analisa saja tetapi juga ketika mempersiapkan data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksi ataupun keputusan yang bermanfaat. Karenanya data mining seharusnya dipahami sebagai suatu proses, yang memiliki tahapan-tahapan tertentu dan juga ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Dan satu lagi gunakan lah teknologi yang ada dengan cerdas.

Sumber :

http://michsamuel.blogspot.co.id/2014/05/individu-2-data-mining.html

http://rizkimaulana208.blogspot.co.id/2016/03/penerapan-kasus-pada-data-mining.html

http://hatta-cules.blogspot.co.id/2013/12/definis-dan-contoh-kasus-penerapan-data.html

Natural Language Interface to Database (NLIDB)

Database merupakan yang  terpenting dalam berbagai macam bidang aplikasi menggunakan sistem informasi swasta dan publik. Database dibangun dengan tujuan untuk memfasilitasi kegiatan penyimpanan data, pengolahan, dan pengambilan terkait dengan pengelolaan data dalam sistem informasi. Karena kemajuan aplikasi teknologi komputer, aplikasi luas teknologi web di beberapa daerah menjadi akurat, database telah menjadi repositori dari volume besar data dalam database relasional, untuk mengambil informasi dari database, salah satu kebutuhan untuk merumuskan query sedemikian rupa bahwa komputer akan memahami dan menghasilkan output yang diinginkan. Query Language (SQL) norma terstruktur yang dikejar di hampir semua bahasa untuk sistem database relasional. Norma-norma SQL didasarkan pada interpretasi Boolean query. Tetapi beberapa persyaratan pengguna mungkin tidak dijawab secara eksplisit oleh sistem query klasik.

Oleh karena itu ide untuk menggunakan bahasa alami bukan SQL telah mendorong pengembangan jenis baru metode pengolahan yang disebut Natural Language Interface to Database (NLIDB). NLIDB adalah langkah menuju pengembangan sistem database cerdas (IDBS) untuk meningkatkan pengguna dalam melakukan query fleksibel dalam database.

Intelligent  Database System (IDBS)

Sebuah IDBS diberkahi dengan sistem manajemen data mampu mengelola sejumlah besar data persistem yang berbagai bentuk penalaran dapat diterapkan untuk menyimpulkan data dan informasi tambahan. Ini termasuk teknik pengetahuan representasi, teknik inferensi, dan antarmuka pengguna cerdas - antarmuka yang melampaui pendekatan bahasa query tradisional dengan memanfaatkan fasilitas bahasa alami . Teknik ini memainkan peran penting dalam meningkatkan sistem database: teknik representasi pengetahuan memungkinkan seseorang untuk mewakili baik di DB semantik dari domain aplikasi, teknik inferensi memungkinkan satu untuk alasan tentang data untuk mengambil data dan informasi tambahan, user interface Cerdas membantu pengguna untuk membuat permintaan dan menerima balasan.

Intelligent  Database System adalah sistem yang mengelola informasi dengan cara alami, membuat informasi yang mudah untuk menyimpan, mengakses dan menggunakan. Salah satu alasan utama untuk menggunakan Intelligent  Database System adalah bahwa kita hidup dalam keadaan kekenyangan informasi. Untuk sekadar bertahan hidup dalam masyarakat saat ini, kita perlu mengakses dan menggunakan informasi ini. Dengan menggunakan Intelligent  Database System kita dapat memiliki akses yang lebih baik dalam penggunaan, lebih banyak jenis informasi yang mereka bisa sebaliknya. Ini berarti Intelligent  Database System harus  memberikan tingkat tinggi alat cerdas yang memberikan wawasan baru ke dalam isi database dengan mengekstraksi pengetahuan dari data. Membuat informasi tersedia untuk sejumlah besar orang karena lebih banyak orang sekarang dapat memanfaatkan sistem karena kemudahan penggunaan. Meningkatkan proses pengambilan keputusan yang terlibat dalam menggunakan informasi setelah itu telah diambil dengan menggunakan model informasi tingkat yang lebih tinggi.

Saling berhubungan informasi dari sumber yang berbeda menggunakan media yang berbeda sehingga informasi lebih mudah diserap dan dimanfaatkan oleh pengguna. Gunakan pengetahuan dan inferensi, sehingga lebih mudah untuk mengambil, melihat dan membuat keputusan dengan informasi.

Dalam beberapa kali ini , ada meningkatnya permintaan untuk pengguna non-ahli untuk query database relasional dalam bahasa yang lebih alami meliputi variabel linguistik , bukannya beroperasi pada nilai-nilai atribut. Natural Language Interface to Database, pendekatan yang menjanjikan, meningkatkan pengguna dalam melakukan query fleksibel dalam database. Penelitian dan kemajuan NLIDB, merupakan langkah penting menuju pengembangan sistem database cerdas dan telah muncul sebagai sebuah disiplin baru dan telah terpesona perhatian terhadap jumlah peneliti.

Natural Language Interface to Database (NLIDB)

Natural Language Interface to Database merupakan  untuk menerima permintaan dalam bahasa Inggris atau bahasa alam lainnya dan mencoba untuk 'memahami' mereka atau kita dapat mengatakan bahwa Natural Language Interface to Database (NLIDB) adalah sistem yang menerjemahkan kalimat bahasa alami ke dalam query database. Meskipun penelitian awal telah dimulai sejak akhir tahun enam puluhan , NLIDB tetap sebagai masalah penelitian terbuka. Sebuah sistem NLIDB lengkap akan menguntungkan kita dalam banyak cara. Siapapun dapat mengumpulkan informasi dari database dengan menggunakan sistem seperti .Additionally, mungkin mengubah persepsi kita tentang informasi dalam database. Secara tradisional, orang yang digunakan untuk bekerja dengan bentuk harapan mereka sangat tergantung pada kemampuan formulir. NLIDB membuat seluruh pendekatan yang lebih fleksibel, karena itu akan memaksimalkan penggunaan database. Ada banyak aplikasi yang dapat mengambil keuntungan dari NLIDB. Di PDA dan ponsel lingkungan, tampilan layar tidak selebar komputer atau laptop. Mengisi formulir yang memiliki banyak bidang dapat membosankan satu mungkin harus menavigasi melalui layar, untuk menggulir, untuk mencari nilai-nilai kotak scroll, dll Sebaliknya, dengan NLIDB, satu-satunya pekerjaan yang perlu dilakukan adalah dengan mengetikkan pertanyaan serupa dengan SMS (Short Messaging System).

Sub Komponen NLIDB

Komputasi ilmuwan telah membagi masalah akses Natural Language Interface to Database menjadi dua sub-komponen:

-          Komponen linguistik

-          komponen database

Komponen Linguistik

Hal ini bertanggung jawab untuk menerjemahkan masukan bahasa alami ke dalam query formal dan menghasilkan respon bahasa alami berdasarkan hasil dari database pencarian.

Komponen Database

Ini merupakan fungsi tradisional dari Database Management . Sebuah leksikon adalah tabel yang digunakan untuk memetakan kata-kata input alami ke objek formal (nama relasi, atribut nama, dll) dari database. Kedua parser dan juru semantik memanfaatkan leksikon. Sebuah generator bahasa alami mengambil tanggapan resmi sebagai masukan, dan memeriksa pohon parsing untuk menghasilkan respon bahasa alami yang memadai. sistem database bahasa alami memanfaatkan pengetahuan sintaksis dan pengetahuan tentang database sebenarnya dalam rangka untuk benar berhubungan masukan bahasa alami dengan struktur dan isi dari database tersebut. pengetahuan sintaksis biasanya berada dalam komponen linguistik dari sistem, khususnya dalam analisa sintaks sedangkan pengetahuan tentang database sebenarnya berada sampai batas tertentu dalam model data semantik digunakan. Pertanyaan yang dimasukkan dalam bahasa alami diterjemahkan ke dalam sebuah pernyataan dalam bahasa query formal. Setelah pernyataan itu jelas terbentuk, query diproses oleh sistem manajemen database untuk menghasilkan data yang dibutuhkan. Data ini kemudian diteruskan kembali ke komponen bahasa alami di mana rutinitas generasi memproduksi versi bahasa permukaan respon.

Contoh penerapan Aplikasi Pengolah Bahasa Alami untuk Query Basis data Akademik dengan Format Data Xml

Program aplikasi pengolah bahasa alami untuk query basisdata akademik dengan format data XML adalah program aplikasi yang digunakan oleh staf administrasi akademik untuk membantu pekerjaan pencarian data dalam format XML yang berkaitan dengan data akademik mahasiswa dalam basisdata akademik. Dengan menggunakan program aplikasi ini, maka staf administrasi akademik yang tidak mempunyai dasar pengetahuan SQL tetap dapat melakukan pencarian data akademik dengan menggunakan bahasa alami yaitu bahasa Indonesia.

Implementasi aplikasi pengolah bahasa alami untuk query basisdata akademik dengan format data XML menyajikan suatu perangkat lunak aplikasi yang dapat digunakan sebagai alat bantu untuk kepentingan operasional bagian administrasi akademik dalam memperoleh informasi dari suatu basisdata akademik tanpa harus direpotkan dengan permasalahan struktur penulisan query dalam bentuk SQL standar. 

Antarmuka aplikasi pengolah bahasa alami untuk query basisdata akademik dengan format XML dibuat dalam bentuk sederhana, seperti terlihat pada gambar 10, hanya terdiri dari empat bagian yaitu :

1. Bagian untuk memasukkan query dalam bentuk kalimat tanya atau kalimat perintah.

2. Bagian tombol “RUN QUERY !!!” untuk memerintahkan untuk melakukan pemrosesan terhadap query 

3. Bagian untuk menampilkan hasil query dalam bentuk tabel, 

4. Bagian tombol “LIHAT CONTOH” untuk menampilkan contoh yang berisi aturan produksi dan contoh pola pertanyaan yang dapat dijadikan sebagai query.

Tampilan awal progam

Pada saat aplikasi dijalankan pertama kali maka akan langsung muncul contoh query yaitu Tampilkan Nama Mahasiswa dan tampilan hasil query dalam tabel hasil. Selanjutnya pemakai memasukkan query yang diinginkan dan kemudian menekan tombol " RUN QUERY !!! ", maka hasilnya akan ditampilkan di bagian tabel hasil. Bila data penulisan query tidak sesuai dengan aturan produksi, maka akan ditampilkan pesan kesalahan, seperti terlihat pada gambar.

Tampilan pesan kesalahan

Bila menginginkan untuk terlebih dahulu melihat pola pertanyaan dan contoh pertanyaan yang dapat menghasilkan jawaban, maka bisa menekan tombol "LIHAT CONTOH ",dibawah.

Tampilan pola dan contoh

Untuk lebih lengkapnya, kita dapat melihat contoh pengaplikasiannya :

Tampilan daftar dosen

Tampilan daftar Nim, nama dan alamat mahasiswa

Tampilan daftar mahasiswa dengan nama ayu

Kelebihan :

a) user sistem NLIDB tidak perlu mempelajari bahasa query basis data (SQL, dll.) melainkan cukup melakukan perintah dengan bahasa alami.

b)Perintah negasi (tidak, bukan, dll.) lebih mudah diekspresikan dalam bahasa alami dibandingkan dengan menggunakan antarmuka form.

c) Sudah dibuat aplikasi mobile-nya.

Kekurangan :

a) Perintah-perintah yang dapat dilakukan user bersifat terbatas dan user sulit mengetahui perintah seperti apa yang tidak boleh diinputkan ke sistem.

b) Ketika sistem NLIDB tidak mengerti perintah user, seringkali sistem langsung menolak perintah tersebut sehingga user tidak mengetahui dengan jelas pada bagian mana dari inputan perintahnya yang salah/tidak diterima sistem.

c) Bersifat domain-dependent yang artinya satu sistem hanya akan bekerja dengan baik pada satu kasus/domain tertentu. Jika digunakan pada domain lain biasanya akan sulit melakukan konfigurasi yang sesuai.

d) Aplikasinya tidak mudah didapat.

Kesimpulan

Natural language interface to a database (NLIDB) merupakan sebuah sistem yang digunakan untuk mendapatkan informasi yang tersimpan dalam basis data dengan menggunakan masukan yang menggunakan bahasa alami (Androutsopoulos, dkk, 1995). Tujuannya adalah untuk menerima permintaan dalam bahasa Inggris atau bahasa lainnya yang mana akan berupaya untuk memahami bahasa-bahasa tersebut dan menerjemahkannya ke dalam query database (perintah yang ada di dalam database).

Sumber :

https://id.wikipedia.org/wiki/Pemrosesan_bahasa_alami

http://muhammadshiddiq-aa.blogspot.co.id/2016/12/pemrosesan-antarmuka-bahasa-alami-ke.html

http://www.mandalamaya.com/pengertian-database/ 

http://www.termasmedia.com/65-pengertian/69-pengertian-database.html

Beberapa contoh Inovasi Penanganan Kemacetan

Kemacetan lalu lintas saat ini merupakan problem utama yang terjadi di DKI Jakarta termasuk di ruas Jalan Tol Dalam Kota Jakarta. Salah satu upaya untuk mengurangi tingkat kemacetan lalu lintas adalah melalui aplikasi teknologi Real Time Traffic Information System (RTTIS). Tujuan penerapan teknologi RTTIS adalah untuk mengoptimalkan volume lalu lintas pada suatu ruas jalan. Dengan mengetahui asal-tujuan perjalanan, maka pelaku perjelanan dapat memperoleh informasi rute terbaik yang dapat dilaluinya. Teknologi RTTIS memerlukan input berupa volume lalu lintas dan kecepatan kendaraan rata-rata secara real time yang dapat diperoleh dari sistem smart camera. Selanjutnya data diproses dan didiseminasikan kembali kepada pengguna jalan melalui berbagai perangkat, seperti variabel massage sign (VMS), cellular phone, sms, call centre, in-car tv, internet. Pendekatan RTTIS dalam mengatasi kemacetan lalu lintas diharapkan dapat dimanfaatkan oleh Jasa Margadalam meningkatkan pelayanan transportasi di Jalan Tol Dalam Kota Jakarta dan juga untuk mengurangi tingkat kemacetan lalu lintas.Disamping itu manfaat yang diperoleh masyarakat adalah meningkatnya waktu tempuhuntuk mencapai tujuan perjalanan  Implementasi RTTIS tersebut juga harus dibarengi dengan upaya lain untuk mengatasi kemacetan lalu lintas seperti penerapan sistem angkutan umum massal, peningkatan kapasitas jaringan jalan tol serta kebijakan pendukung lainnya.

Tidak hanya hal itu, perlintasan sebidang juga merupakan biang-keladi kemacetan di kawasan Jabodetabek yang jumlahnya  saat ini mencapai  46 kawasan, terdapat lebih dari 100 titik simpang rawan macet di Jakarta. Belum lagi, pada musim hujan, faktor genangan dan banjir menambah tingkat keparahan kemacetan. 7 (tujuh) juta penduduk Jabodetabek yang melintas di jalan raya diantaranya 3 (tiga) juta lebih penduduk menggunakan kendaraan pribadi memperburuk kemacetan di Jakarta, sedangkan Busway sebagai angkutan andalan di Jakarta hanya mampu mengangkut sekitar 250.000 orang per hari atau hanya sekitar 6 (enam)% dari total penduduk yang lalu lalang. Keadaan ini dari waktu ke waktu semakin tidak menguntungkan, sehingga jika dibiarkan sudah tentu akan terjadi stagnan dan memunculkan masalah baru dikemudian hari.

Berberapa Inovasi atau Solusi untuk mengatasi kemacetan :

1.      Waktu Lampu Merah sebaiknya 90-120 menit.

Waktu lampu hijau yang begitu cepat. Sering baru 4-5 mobil yang berjalan lampu sudah kembali merah. Padahal antrian bisa mencapai 1 km atau sekitar 200 mobil. Untuk hal ini mungkin solusinya adalah memperpanjang waktu lampu hijau di tiap tempat jadi 1,5 atau 2 menit. Contoh kemacetan ini adalah di lampu merah pertigaan jalan Otista III dengan Otista Raya.

2.      Antrian Pembayaran Jalan Tol sebaiknya di Pintu Keluar

Pintu masuk jalan Tol. Antrian kendaraan untuk membayar jalan tol sering membuat macet karena bisa memanjang sampai lebih dari 1 km. Contohnya di pintu masuk Tol Tebet Barat 2 yang membuat macet sampai ke jalan layang ke arah Mampang. Sementara pintu tol Semanggi juga menimbulkan kemacetan yang sama parahnya. Harusnya pada jam macet jalan tol digratiskan saja sehingga tidak ada antrian bayaran yang membuat macet. Bisa juga pembayaran bukan di pintu masuk. Tapi di pintu keluar tol seperti di Tol Jagorawi. Sehingga antrian pembayaran tidak memacetkan pengguna jalan lainnya karena masih berada di jalan tol.

3.      Perlebar Titik-titik Macet di Jakarta dan Beri Jalan Layang / Terowongan.

Pada titik macet seperti perempatan Pancoran dan Kuningan, harus diperlebar 1 jalur sepanjang 500 meter. Kemudian beri jalan layang minimal 2 jalur sehingga untuk yang lurus terhindar dari kemacetan lampu merah. Tahun 2008 kemacetan menyebabkan kerugian sebesar Rp 28 trilyun. Jadi biaya untuk mengurangi kemacetan lebih kecil dibanding dampaknya. Jalan layang ini tidak boleh terhambat oleh antrian pembayaran di pintu masuk jalan tol seperti di Pintu Tol Tebet II Pancoran yang distop polisi. Sehingga tak ada bedanya dengan jalan biasa. Jalan layang jika perlu diperpanjang sehingga melewati pintu masuk tol tsb.

 

4.      Penambahan Rangkaian Kereta Api

Tambah rangkaian KRL. Contohnya untuk KRL Jakarta-Bogor, bisa ditambah 5 rangkaian. Dengan 8 gerbong, maka sekali jalan bisa menampung 800 penumpang. Sehari total bisa 40 ribu penumpang. Apalagi jika 1 rangkaian bisa ditingkatkan jadi 10 gerbong. Tentu panjang peron juga harus ditambah.

5.      Adakan Transportasi Air.

Daya gunakan kanal yang ada (yang dalam dan lebar) sebagai angkutan air (Water Way). Jerman berhasil membuat angkutan umum dengan kanal-kanalnya (Elbe–Havel Canal 56 km dan Mittelland Canal 325 km) dengan panjang total 381 km dan lebar 60 meter yang menghubungkan bukan cuma Jerman, tapi Perancis, Swis, Benelux, dan laut Baltik. Jakarta kalau sekedar 30 km saja harusnya bisa. Banjir Kanal Barat dan Banjir Kanal Timur harusnya bisa didayagunakan untuk angkutan air. Jembatan-jembatan harus dipertinggi agar perahu bisa lewat.

 

6.      Gunakan Mass Rapid Transportation (MRT)

Mass Rapid Transportation (MRT) mungkin 5-10 tahun baru jadi. Tapi harus direncanakan dari sekarang. Bagaimana dibuat jalur kereta yang benar-benar bebas hambatan MRT tidak harus di bawah tanah atau di jalan layang. Di jalan biasa pun bisa seperti di rel KA yang ada atau pun di tengah jalan tol. Contohnya Trem di atas yang ada di kota Rotterdam. Yang penting jalurnya harus benar-benar bebas hambatan atau steril. Caranya dengan membuat jalan layang atau underpass di persimpangan. Biaya subway pasti mahal karena perlu penerangan, AC/udara, dan listrik lainnya. Selain itu rentan banjir. Bahkan Subway New York saja sampai lumpuh berhar-hari akibat banjir setelah diterpa badai Sandy (CNN, NYT). Bayangkan apa yang terjadi dengan kota Jakarta yang memang langganan banjir. Sudah saatnya pemerintah memeriksa titik-titik kemacetan dan memperlebar jalur di sana. Jika perlu melakukan penggusuran.Pelebaran dan pendalaman kali Ciliwung dan kali-kali lainnya bisa membuat sungai yang ada di Jakarta sebagai jalan baru tanpa harus menggusur perumahan. Sekaligus juga mengurangi banjir karena daya tampung sungai jadi lebih besar. Solusi ini lebih murah daripada solusi monorail yang mencapai lebih dari 7 trilyun rupiah dan hanya mengcover daerah segitiga Sudirman, Gatot Subroto, dan Kuningan. Satu ide lagi, tidak ada salahnya jika pagi jam 7-9 jalan tol dari Cawang-Semanggi dijadikan satu arah hanya ke arah Semanggi saja. Karena pada pagi hari yang ke arah Semanggi begitu padat dan macet sementara arah sebaliknya sangat lengang. Tidak pakai jalan tol juga lancar. Sebaliknya ketika jam pulang kantor, jam 5-7 sore jalan tol dibuat 1 arah hanya ke arah Cawang. Dengan cara ini minimal kemacetan di jalan Gatot Subroto, Mampang, dan Sudirman bisa dikurangi. Alternatif yang lebih ekstrim adalah memindahkan ibukota dari Jakarta. Konon presiden Soeharto ingin memindahkan ibukota ke Jonggol sehingga pengusaha real estate Ciputra terlebih dulu sudah membuat perumahan di dekat Jonggol. Namun karena lengser rencana itu tidak terlaksana. Lebih baik lagi jika ibukota di pindah ke daerah yang kurang penduduknya seperti di Kalimantan sehingga penduduk pulau Jawa yang sangat padat bisa tersedot sebagian ke sana.

 

Sumber :

https://infoindonesiakita.com/2007/11/08/sumber-kemacetan-di-jakarta/

https://jurnal.ftumj.ac.id/index.php/konstruksia/article/view/262

http://ristekdikti.go.id/iptek-solusi-komprehensif-atasi-kemacetan-lalu-lintas/

inovasi Sistem pada Busway

Latar Belakang

Disetiap tahunnya jumlah kendaraan pribadi di Jakarta meningkat sangat tajam dan sayangnya hal ini tidak diimbangi dengan pertumbuhan ruas jalan dan perbaikan sistem transportasi sehingga banyak para pengamat meramalkan bahwa di tahun 2014 atau 2015 nanti Jakarta akan mengalami kemacetan total yang tidak dapat diatasi lagi. Sebenarnya untuk mengatasi persoalan ini telah banyak upaya dilakukan, salah satunya Pemerintah Daerah Provinsi DKI Jakarta telah mencanangkan Program Pengembangan Pola Transportasi Makro (PTM) DKI Jakarta atau Jakarta Macro Transportation Scheme (JMaTS) yang ditetapkan melalui Peraturan Gubernur Provinsi DKI Jakarta Nomor 103 Tahun 2007.

Hal yang cukup memberikan harapan dari usaha pemerintah adalah perumusan kebijakan pengoprasian busway dimulai dari rapat kerja antara Pemerintah Provinsi DKI Jakarta dengan Komisi D dan Komisi E DPRD DKI pada Januari 2002. Pemprov DKI Jakarta mengungkapkan rencananya untuk menggelar proyek bus khusus tanpa hambatan (TransJakarta). Dalam rapat ini rencananya, pada September 2002 proyek percontohan busway yang memiliki rute Blok M-Kota sudah bisa dinikmati publik. Kepala Dinas Perhubungan DKI Rustam Effendy mengatakan seiring dengan rencana pengoperasian busway, semua trayek angkutan umum yang melintasi jalur Blok M, Sudirman, Thamrin, sampai Kota akan dipotong dan angkutan umum selain busway hanya diizinkan untuk mengantarkan dan mengangkut penumpang dari jalur khusus itu.

Pola Transportasi Makro itu rencananaya juga akan mengintegrasikan empat sistem transportasi umum lain, yakni Bus Priority (antara lain busway), Light Rail Transit (LRT), Mass Rapid Transit (MRT) dan Angkutan Sungai, Danau dan Penyeberangan (ASDP). Dan akhirnya revolusi transportasi itu telah diawali dengan beroperasinya Transjakarta Busway, sejak 15 Januari 2004.

Maka dari itu, salah satu hal yang penting untuk diperhatikan saat kebijakan transportasi ini bergulir adalah bagaimana proses implementasinya di lapangan, kendala apa saja yang dihadapi dan bagaimana pemprov DKI Jakarta menanggulani permasalahan tersebut. Dengan membandingkan konsep Busway yang sudah diimplementasikan hingga saat ini terhadap teori kebijakan publik tahap implementasi, diharapkan didapatkan suatu penjelasan yang tepat untuk memahmi permasalahan, manfaat kemajuan,  dan hambatan yang terjadi saat ini.

Inovasi Sistem Pada Busway

1.      Penggunaan aplikasi Jakarta Smart City Portal yang  bias diunduh diplay store.

Didalam aplikasi ini kita dapat meliat keadaan halte, rute jalur, dan posisi busway bisa dipantau secara real time atau langsung.

2.      Penggunaan on-board unit (OBU).

Di dalam bus TransJakarta telah di pasang on-board unit (OBU) yang disediakan oleh Telkom sehingga posisi seluruh bus di delapan koridor bisa termonitor. Di command center TransJakarta, petugas memanfaatkan OBU untuk memantau kondisi bus. Kondisi yang bisa dipantau, selain posisi, adalah nomor bus, arah, hingga kecepatan sehingga memudahkan dalam membuat keputusan, misalnya untuk pengalihan jalur bila diperlukan. Selain itu, dapat diketahui bus mana yang kecepatannya tidak stabil, bus mana yang tidak beroperasi, bahkan di lokasi mana bus menumpuk.

3.      Go-Busway dan Qlue Transit yang telah bekerja sama dengan aplikasi Go-Jek

Aplikasi Go-Busway dapat menginformasikan estimasi waktu kedatangan bus transjakarta di tiap halte transjakarta, memesan layanan Go-Ride dari dan ke halte bus transjakarta yang dipilih. Pengguna Go-Jek harus meng-update aplikasi ke versi terbaru.

Sementara itu, dengan menggunakan Qlue Transit, warga bisa mengetahui posisi dan kondisi kepadatan penumpang di dalam bus serta halte bus transjakarta di seluruh wilayah Jakarta.

Penumpang juga bisa tahu nomor, arah tujuan bus, hingga kondisi jalan pada saat itu. Pengguna transjakarta bisa memberi update informasi secara real time atau mengeluhkan pelayanan bus dan halte transjakarta melalui Qlue Transit. Pada tahap awal, fitur Go-Busway maupun Qlue Transit baru tersedia dalam versi beta di platform Android dengan live tracking dari Koridor 1, 2, 6, 8, 9, 10, 11, dan 12.

Adapun Beberapa Pelangaraan pada saat pengoperasian busway :

1)      Kendaraan roda dua dan roda empat menerobos jalur busway

2)      Pengguna jalan yang menyebrang sembarangan di jalur busway

3)      Pengemudi busway yang  kadang menaikkan penumpang di jalan umum

4)      Pelanggaran oleh parat yang bertugas (membuka portal kepada pengguna jalan umum) dalam hal ini dilakukan oleh oknum.

Berberapa solusi yang mungkin saja biasa diterapkan diantarnya :

1)      Meningkatkan kesadaran disiplin lalu lintas (intern)

2)      Pembenahan infrastruktur jembatan penyebrangan orang

3)      Pembenahan infrastruktur jalan umum

4)      Peninggian separator busway untuk memperbaiki tingkat sterilisasi jalur

5)      Penyemprotan Pylox kepada pelanggar

6)      Gerbang otomatis untuk membuka dam menutup portal saat busway lewat

7)      Sanksi yang tegas dan konsisten kepada setiap pelanggar baik itu pengemudi Transjakarta maupun pengguna jalan umum yang melanggar

8)      Meningkatkan pengawasan oleh aparat yang berkesinambungan

Sumber : 

1. https://purplenitadyah.wordpress.com/2012/05/05/kajian-dampak-pembangunan-jalur-transjakartabusway-terhadap-peningkatan-pelanggaran-lalu-lintas-di-jakarta-2/
2. http://smartcity.jakarta.go.id/blog/39/bus-transjakarta-telah-di-pasang-on-board-unit-obu
3. http://megapolitan.kompas.com/read/2015/10/28/21191031/Setelah.Luncurkan.2.Aplikasi.PT.Transjakarta.Ingin.Buat.Sistem.Sterilisasi.Busway