Abstract:
Trajectory adalah jalur yang terbentuk dari pergerakan entitas di suatu ruang lingkup dalam
jangka waktu tertentu. Entitas adalah suatu objek atau subjek yang dapat bergerak. Data
trajectory dapat dikumpulkan dengan menggunakan alat-alat pelacak seperti GPS dan satelit.
Dari data yang terkumpul, kita bisa mendapatkan berbagai informasi, salah satunya adalah
informasi mengenai entitas yang bergerak secara berkelompok. Terdapat banyak cara mendefinisikan
kelompok dari kumpulan trajectory, beberapa diantaranya adalah: flocks, convoys,
swarms, crews, dan groups. Pada penelitian ini, dipilih definisi pengelompokan crews untuk
diimplementasikan pada kasus pejalan kaki.
Pada definisi crews, pengelompokkan entitas dilakukan dengan cara melihat kesamaan
interaksi antar entitas dan dinamika yang mirip. Kesamaan interaksi antar entitas memiliki arti
sebagai pengaruh antara satu entitas dengan entitas lainnya. Sebagai contoh, terdapat dua orang
berjalan berdekatan selama lima menit. Secara umum mereka berdua akan dianggap saling
mengenal. Dinamika yang mirip berartikan suatu perubahan pada pergerakan entitas-entitas
yang mirip. Sebagai contoh, terdapat 30 orang berjalan bersamaan ke arah pintu masuk suatu
restoran. Secara umum, seluruh orang tersebut dapat dianggap sebagai pengunjung restoran.
Pengelompokan crews dilakukan dengan menggunakan model pohon keputusan. Pada pohon
keputusan dilakukan pembagian kelompok berdasarkan parameter pembagi terbaik. Parameter
pembagi yang digunakan adalah: azimuth, perpindahan, posisi, jarak azimuth, rasio jarak,
rasio tortuositas, dan rasio kecepatan. Setelah diimplementasikan, eksperimen dilakukan pada
data pejalan kaki. Eksperimen awal menujukkan pengelompokkan pejalan kaki yang kurang
baik: terbentuknya kelompok-kelompok yang berjalan berlawanan arah, dan banyaknya hasil
pengelompokan yang menjadi subset kelompok lain. jadi dilakukan upaya untuk meningkatkan
kualitas pengelompokan, misalnya: mencoba untuk menambahkan parameter pembagi baru yang
bernama rata-rata jarak, menentukan nilai batas dari setiap parameter, melakukan penghapusan
child node kanan untuk beberapa parameter, penentuan parameter yang pasti digunakan untuk
membagi pohon keputusan pada level-level awal, dan membuang kelompok-kelompok yang
menjadi subset.
Setelah itu dilakukan Eksperimen kembali. Evaluasi dilakukan dengan dua cara, secara
kuantitatif menggunakan precision, recall, f1-score, dan accuracy. Evaluasi kualitatif dilakukan
dengan melakukan pengamatan pada video yang berisi hasil visualisasi trajectory dan pengelompokkan.
Hasil evaluasi menunjukkan peningkatan, nilai f1-score yang dihasilkan berada pada
kisaran 0.3 s.d. 0.7.