Sistem Prediksi Permintaan Penyewaan Sepeda Menggunakan Machine Learning Berbasis Web
Demo & Pengujian Sistem: Sistem Prediksi Permintaan Penyewaan Sepeda Menggunakan Machine Learning Berbasis Web
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Sistem Prediksi Permintaan Penyewaan Sepeda Menggunakan Machine Learning Berbasis Web via TikTok.
Overview & Cara Kerja
VELOCITY.AI merupakan platform peramalan analitik deret waktu (Time-Series Demand Forecasting System) dan sistem intelijen mobilitas cerdas (Smart Urban Mobility Intelligence) berbasis Machine Learning yang dirancang untuk memprediksi volume kebutuhan armada penyewaan sepeda publik (Bike Sharing Demand) per jam secara presisi tinggi. Menggunakan dataset benchmark internasional UCI Bike Sharing Dataset (Capital Bikeshare Washington D.C.) sebanyak 17.379 jam observasi riil, sistem ini mengatasi tantangan non-linearitas cuaca dan fluktuasi komuter melalui rekayasa 35 fitur prediktor multidimensi (siklus sinusoidal harmonik jam/bulan/hari, indeks ketidaknyamanan bioklimatologi, serta fitur lag autoregresif dan rolling window). Melalui evaluasi komparatif 10 algoritma regresi, model terbaik LightGBM Regressor (Tuned) berhasil meraih Koefisien Determinasi R² 0.9558 (95.58%), Root Mean Squared Error (RMSE) 46.22 unit, dan Mean Absolute Error (MAE) 29.46 unit, dilengkapi sistem rekomendasi logistik penyeimbangan armada docking stasiun (station rebalancing) secara real-time.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
Capital Bikeshare Dataset Ingestion (17,379 Hourly Records)
Pemuatan dan penelaahan dataset deret waktu 17.379 jam dari Capital Bikeshare Washington D.C. (UCI Repository). Mengaudit 17 parameter awal tanpa missing value dan mengidentifikasi pola bimodalisme komuter.
35 Multidimensional Feature Engineering: Cyclical, Interaction & Lag Memory
Rekayasa 35 fitur deret waktu: komponen kalender, transformasi siklikal trigonometri sinus/kosinus (hr, mnth, weekday), interaksi bioklimatologi (temp_feel_diff, discomfort_index), serta fitur memori autoregresif lag (1, 2, 24, 168 jam) dan rolling statistics.
Time-Series Chronological Split (80:20) & Leakage Prevention
Pembagian data secara kronologis tanpa pengacakan (13.768 jam data latih dan 3.443 jam data uji) guna mencegah kebocoran informasi masa depan (look-ahead bias / data leakage).
10 ML Regressors Benchmarking & RandomizedSearchCV Optimization
Pelatihan dan evaluasi komparatif 10 algoritma regresi. Model LightGBM Regressor terpilih sebagai model terbaik dan dioptimasi menggunakan TimeSeriesSplit (k=3), menghasilkan skor akhir R² 0.9558 dan RMSE 46.22.
Flask Backend, RESTful API & Monochrome Sleek Interface
Deployment model ke aplikasi web Flask modern bertema monokrom hitam-putih. Menyediakan modul simulasi interaktif, kalkulasi fitur on-the-fly, 4 skenario preset operasional, dan rekomendasi logistik penyeimbangan docking stasiun.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
sistem-prediksi-permintaan-penyewaan-sepeda-machine-learning-web.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
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.
Belum ada ulasan untuk project ini.
Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.
Yang Anda Dapatkan:
- Full Source Code Lengkap & Aset Project
- Teknologi: Python, Flask, HTML, CSS
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung