Bagaimana Aplikasi Transportasi Online Menentukan Harga dan Waktu Perjalanan dalam Statistik
Aplikasi transportasi online seperti Gojek, Grab, dan Maxim telah mengubah cara masyarakat bertransportasi di Indonesia dengan memanfaatkan teknologi canggih dalam penetapan harga dan estimasi waktu perjalanan. Penetapan harga yang dinamis tersebut ditentukan oleh sistem kalkulasi yang bergantung pada permintaan dan penawaran yang seimbang mengikuti kondisi area sekitarmu. Sistem ini menggunakan algoritma kompleks yang menganalisis berbagai parameter statistik untuk memberikan layanan yang optimal bagi pengguna dan mitra pengemudi. Supply and demand, apabila demand-nya, permintaan banyak, suplainya ojol yang ada di wilayah tertentu itu sedikit, maka harga akan naik. Teknologi ini telah menjadi tulang punggung industri transportasi digital yang berkembang pesat dalam beberapa tahun terakhir.
Sistem penetapan harga pada aplikasi transportasi online menggunakan algoritma berbasis statistik yang dikenal sebagai dynamic pricing atau surge pricing. Algoritma tersebut diduga menyebabkan kerugian bagi konsumen, yang harus membayar ongkos lebih mahal rata-rata 1,51 kali setiap saat. Algoritma ini mempertimbangkan beberapa variabel kunci seperti jumlah permintaan penumpang di area tertentu, ketersediaan pengemudi aktif, kondisi lalu lintas, waktu dalam sehari, dan faktor cuaca. Pada saat permintaan tinggi, kamu dapat dikenakan harga yang sedikit lebih tinggi seperti yang dapat dilihat di termometer kecil di halaman pemesanan kamu. Metode machine learning seperti regresi linear dan support vector machine digunakan untuk menganalisis pola historis dan memprediksi fluktuasi harga yang optimal. Proses ini memastikan keseimbangan antara kepuasan pelanggan dan kesejahteraan mitra pengemudi melalui distribusi pendapatan yang adil.
Aplikasi transportasi online menggunakan algoritma Dijkstra dan A* untuk menghitung rute terpendek dan estimasi waktu perjalanan (ETA – Estimated Time of Arrival). Hasil penelitian menunjukkan variasi yang signifikan antara rute perjalanan yang dihasilkan pengemudi layanan ride hailing dan rute yang dihasilkan oleh algoritma Dijkstra, dipengaruhi oleh berbagai faktor, seperti moda pengemudi, hari, jam, dan kondisi lalu lintas. Sistem GPS yang terintegrasi dengan teknologi machine learning menganalisis data real-time dari kondisi lalu lintas, kecepatan rata-rata kendaraan, dan faktor geografis untuk memberikan prediksi waktu yang akurat. Algoritma K-NN Regression berhasil mencapai MAPE sebesar 18.99%, RMSE sebesar 41.2155, dan nilai R2 sebesar 0.9886. Algoritma k-nearest neighbor regression dan teknik pembelajaran mendalam juga digunakan untuk meningkatkan akurasi estimasi dengan mempertimbangkan pola perjalanan historis. Data telematik dari setiap perjalanan dikumpulkan dan dianalisis untuk terus memperbaiki model prediksi waktu perjalanan.
Machine learning telah menjadi teknologi kunci dalam mengotomatisasi proses penetapan harga transportasi online dengan menggunakan algoritma regresi linear berganda, random forest, dan neural networks. Machine learning mampu untuk membantu penjual dalam menetapkan harga yang optimal untuk memaksimalkan profit tanpa mengurangi minat pelanggan untuk membeli produk atau layanan. Sistem ini menganalisis jutaan data transaksi historis, pola perilaku pengguna, preferensi waktu perjalanan, dan faktor eksternal seperti cuaca atau acara khusus untuk menghasilkan model prediksi harga yang dinamis. Prediksi adalah salah satu unsur statistika yang sangat penting dalam pengambilan keputusan. Algoritma support vector machine (SVM) juga digunakan untuk klasifikasi dan prediksi risiko perjalanan berdasarkan data telematik yang dikumpulkan selama setiap perjalanan. Pendekatan ini memungkinkan aplikasi untuk menyesuaikan harga secara real-time berdasarkan kondisi pasar yang terus berubah.
Beberapa aplikasi transportasi online mulai mengembangkan pendekatan alternatif dalam penetapan harga untuk mengatasi kritik terhadap sistem surge pricing tradisional. Berbeda dengan model konvensional yang menggunakan sistem dinamis berbasis permintaan dan penawaran, inDrive memberi kebebasan kepada pengguna untuk memilih pengemudi, kendaraan, dan tarif yang disepakati bersama. InDrive memperkenalkan sistem negosiasi peer-to-peer yang memungkinkan penumpang dan pengemudi bernegosiasi langsung tanpa campur tangan algoritma otomatis. Ini menciptakan transparansi dan memastikan kedua belah pihak merasa dihargai. Model ini dirancang untuk menciptakan pengalaman yang lebih transparan dan adil, tanpa bergantung pada parameter teknis seperti jenis ponsel atau daya baterai yang dapat mempengaruhi harga. Pendekatan ini menunjukkan evolusi industri transportasi online menuju sistem yang lebih demokratis dan user-centric.
Meskipun teknologi penetapan harga dinamis telah memberikan efisiensi operasional yang signifikan, masih terdapat tantangan dalam mencapai keseimbangan optimal antara kepuasan pelanggan dan profitabilitas. Keterlambatan tersebut dapat mengganggu pengalaman pengguna, mengurangi kepuasan, dan mempengaruhi kepercayaan terhadap layanan. Algoritma yang kompleks ini harus terus disempurnakan untuk mempertimbangkan faktor-faktor eksternal yang tidak terprediksi seperti bencana alam, demonstrasi, atau perubahan regulasi pemerintah. Algoritma AI dapat menganalisis data dari berbagai sumber, seperti kamera lalu lintas, data GPS, dan prakiraan cuaca, untuk memprediksi pola lalu lintas dan mengoptimalkan rute. Masa depan teknologi ini akan fokus pada pengembangan artificial intelligence yang lebih canggih dengan kemampuan adaptasi real-time dan prediksi yang lebih akurat. Integrasi dengan Internet of Things (IoT) dan smart city infrastructure diharapkan dapat meningkatkan presisi algoritma dalam memberikan layanan transportasi yang lebih efisien dan berkelanjutan.
Referensi:
Gojek. (2025). Penetapan Harga Dinamis untuk Transportasi. Retrieved from https://www.gojek.com/id-id/help/gocar/penetapan-harga-dinamis-untuk-transportasi
Hasibuan, E., & Karim, A. (2022). Implementasi Machine Learning untuk Prediksi Harga Mobil Bekas dengan Algoritma Regresi Linear berbasis Web. Jurnal Ilmiah Komputasi, 21(4), 595-602.
Nurnaningsih, N. (2024). Estimasi waktu kedatangan pada sistem pelacakan bus berbasis Internet of Things dengan menggunakan algoritma k-nearest neighbor regression. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
Ramadhan, W. (2025, Juni 2). InDrive Terapkan Sistem Harga Adil yang Nyaman untuk Penumpang dan Pengemudi. EtIndonesia. Retrieved from https://etindonesia.com/2025/06/02/indrive-terapkan-sistem-harga-adil-yang-nyaman-untuk-penumpang-dan-pengemudi/
Safrezifitra. (2024, Oktober 11). Tarif Ojol Mahal, Siapa yang Diuntungkan? Tirto. Retrieved from https://tirto.id/tarif-ojol-mahal-siapa-yang-diuntungkan-g4D6
