Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Penerapan Machine Learning dan Pemetaan Wilayah untuk Memprediksi Permintaan Pengiriman Sepeda Kargo di Perkotaan
Penerapan Machine Learning dan Pemetaan Wilayah untuk Memprediksi Permintaan Pengiriman Sepeda Kargo di Perkotaan
Machine Learning Tingkat: Advanced Versi 1.0.0 5 Dilihat
5.0 (0 ulasan)

Penerapan Machine Learning dan Pemetaan Wilayah untuk Memprediksi Permintaan Pengiriman Sepeda Kargo di Perkotaan

Teknologi: Python Flask PyTorch JavaScript Tailwind CSS XGBoost Scikit-Learn Pandas NumPy SciPy Random Forest Folium Jupyter Notebook HTML5 LSTM Graph Neural Network STGCN NetworkX
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Penerapan Machine Learning dan Pemetaan Wilayah untuk Memprediksi Permintaan Pengiriman Sepeda Kargo di Perkotaan

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Penerapan Machine Learning dan Pemetaan Wilayah untuk Memprediksi Permintaan Pengiriman Sepeda Kargo di Perkotaan via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Dalam upaya mewujudkan target nol emisi karbon (net-zero emissions) dan dekarbonisasi logistik perkotaan, sepeda kargo listrik (e-cargo bikes) telah menjadi tulang punggung pengiriman jarak dekat (last-mile delivery) yang efisien, bebas kemacetan, dan ramah lingkungan di kota-kota megapolitan dunia seperti London. Namun, operasional logistik sepeda kargo menghadapi tantangan besar berupa ketidakpastian permintaan spasio-temporal (spatio-temporal demand volatility).

Permintaan kurir sangat heterogen antar-zona wilayah: kawasan pusat bisnis seperti Westminster dan City of London dapat mencatatkan ratusan pesanan per pekan, sementara wilayah sub-urban seperti Greenwich hanya melayani puluhan pesanan. Di sisi lain, faktor musiman (seasonality) dan efek limpahan geografis (spatial spillover) dari zona tetangga menyebabkan ketidakseimbangan armada kurir jika tidak diantisipasi secara tepat. Akibatnya, sering terjadi penumpukan sepeda di area sepi dan kekurangan kurir di zona sibuk yang berujung pada keterlambatan pengantaran dan inefisiensi biaya operasional.

Solusi & Nilai Tambah Sistem

Produk ini menghadirkan sistem peramalan permintaan logistik perkotaan cerdas berbasis dataset riil Pedal Me London (UCI Machine Learning Repository) yang memadukan pemodelan graf spasial ekonometrika dengan kecerdasan buatan tingkat lanjut:

  1. Pemodelan Topologi Graf GIS & Sentralitas Jaringan: Memodelkan 15 zona perkotaan London sebagai graf kedekatan jalan $\mathcal{G} = (\mathcal{V}, \mathcal{E}, W)$ dan mengekstrak metrik sentralitas (degree, closeness, betweenness, eigenvector centrality) serta efek autokorelasi spasial global (Moran's I).
  2. Rekayasa Fitur Spasio-Temporal Multi-Perspektif: Menghubungkan lag temporal ($t-1$ hingga $t-4$), statistik bergerak (rolling mean, std, min, max), sinyal siklikal kalender trigonometris $\sin/\cos(2\pi \cdot \text{week}/52)$, serta difusi spasial tetangga (spatial lags $W_{\text{row_norm}} Y_{t-1}$).
  3. Benchmarking 4 Arsitektur Prediktif: Melatih dan membandingkan empat paradigma peramalan:
    • XGBoost Regressor (Performa Terbaik: $R^2 = 0.5843$, $\text{RMSE} = 18.11$, $\text{MAE} = 12.33$, $\text{WAPE} = 52.93%$).
    • Random Forest Regressor ($R^2 = 0.5199$, $\text{RMSE} = 19.46$, $\text{MAE} = 12.78$).
    • PyTorch Node-LSTM Recurrent Network ($R^2 = 0.3223$, $\text{RMSE} = 23.12$).
    • Spatio-Temporal Graph Neural Network (STGCN) ($R^2 = 0.2899$, memadukan Spectral Graph Convolution dan GRU).
    • Ensemble Konsensus: Menghitung rata-rata estimasi dari seluruh model terpadu.
  4. Antarmuka Web Interaktif & RESTful API Engine: Dashboard modern responsif Tailwind CSS dengan visualisasi zona London, grafik tren historis Chart.js, kartu pengaruh tetangga terdekat, dan endpoint API modular.
Fitur Utama Platform
  • Prediksi Permintaan Sepeda Kargo 15 Zona London: Estimasi jumlah paket per pekan secara real-time dengan interval kepercayaan (Confidence Interval $[P - \text{MAE}, P + \text{MAE}]$).
  • Komparasi Multi-Model Seketika: Memungkinkan pengguna memilih model XGBoost, Random Forest, LSTM, STGCN, atau Ensemble Konsensus.
  • Analisis Pengaruh Spasial Zona Tetangga: Menampilkan kontribusi kedekatan geografis dan volume pesanan terkini dari zona-zona perbatasan.
  • Galeri 5 Skenario Uji Cepat Preset: Pengujian instan untuk skenario Puncak Musim Panas Westminster, Finansial City of London, Hub Transit Lambeth-Waterloo, Pinggiran Greenwich, dan Libur Akhir Tahun Pekan 52.
  • Input Interaktif Kustom: Fleksibilitas memilih zona, nomor pekan target (1–52), serta memasukkan nilai riwayat lag 4 pekan sebelumnya secara manual.
  • RESTful JSON API Terintegrasi: Endpoint /api/predict, /api/zones, /api/samples, dan /api/zone/<id>/history untuk kemudahan integrasi ke aplikasi armada kurir atau sistem ERP logistik.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

Penyerapan Dataset Pedal Me London (UCI Repo)

Memuat 540 rekaman data historis permintaan mingguan dari 15 zona perkotaan London selama 36 pekan berturut-turut beserta matriks kedekatan spasial 225 pasangan relasi antar-wilayah.

pedalme_features.csv & pedalme_edges.csv | N=15 Zona
2 SPATIAL GRAPH GIS

Pemodelan Topologi Graf & Sentralitas Jaringan

Memproyeksikan koordinat geografis lintang-bujur melalui Multidimensional Scaling (MDS), menyusun graf keterhubungan NetworkX, dan menghitung skor sentralitas serta autokorelasi Moran's I.

NetworkX Centrality | Folium GIS Network | Moran's I
3 FEATURE ENGINEERING

Rekayasa Fitur Spasio-Temporal Ekonometrika

Merumuskan 4 lag temporal, statistik bergerak 2 dan 4 pekan, lag spasial difusi dari tetangga perbatasan via bobot baris ternormalisasi W, serta sinyal musiman kalender trigonometris.

21 Fitur Prediktor | Spatial Lags | Cyclical Time Encoding
4 CHRONOLOGICAL SPLIT

Validasi Kronologis Bebas Kebocoran Data

Menerapkan pemisahan data temporal yang ketat: 24 pekan pertama sebagai data latih (360 sampel) dan 8 pekan terakhir sebagai data uji independen (120 sampel) tanpa pengacakan acak.

Train: t∈[4,27] (360) | Test: t∈[28,35] (120)
5 MULTI-MODEL BENCHMARK

Pelatihan & Benchmark XGBoost, RF, LSTM & STGCN

Melatih 4 arsitektur peramalan secara komparatif, menghasilkan XGBoost sebagai model dengan akurasi tertinggi (R²=0.5843, RMSE=18.11, MAE=12.33, WAPE=52.93%).

XGBoost #1 | RF #2 | LSTM #3 | STGCN #4
6 WEB DEPLOYMENT

Penyajian Web Dashboard Interaktif & REST API

Mengemas model ke dalam backend Flask berlatensi rendah dengan antarmuka modern Tailwind CSS, visualisasi Chart.js, 5 preset skenario, dan endpoint RESTful API JSON.

Flask Server | Tailwind CSS UI | RESTful API /api/predict
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

24 Berkas Proyek 4 Folder Utama Paket ZIP 5.58 KB
benchmark_metrics_comparison.png 151.83 KB
feature_importances_rf_xgb.png 175.69 KB
forecast_trajectories_comparison.png 895.03 KB
pedalme_london_gis_network.html 76.81 KB
residuals_and_loss_convergence.png 333.37 KB
spatial_network_moran_analysis.png 862.62 KB
spatiotemporal_demand_diagnostics.png 508.95 KB
lstm_network.pth 121.02 KB
AI Model Pratinjau
model_evaluation_metrics.json 496 B
random_forest_regressor.joblib 1.45 MB
AI Model Pratinjau
scalers_and_metadata.joblib 3.07 KB
AI Model Pratinjau
stgcn_network.pth 26.22 KB
AI Model Pratinjau
xgboost_regressor.json 384.97 KB
hero_urban_logistics.jpg 776.27 KB
hero_urban_logistics.png 776.27 KB
index.html 72.16 KB
app.py 18.11 KB
pedalme_edges.csv 5.12 KB
Dataset Pratinjau
pedalme_features.csv 10.32 KB
Dataset Pratinjau
requirements.txt 345 B
urban_delivery_demand_prediction.ipynb 1.16 MB
Notebook Pratinjau

pedal+me+bicycle+deliveries.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi)

Optimal untuk running service

Penyimpanan
500 MB ruang disk kosong untuk source code, dataset, model weights, dan figures

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 5 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, PyTorch, JavaScript
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.