Prediksi Titik Kritis Jaringan KRL Jabodetabek Menggunakan Node2Vec dan LightGBM

Abstrak

KRL Commuter Line Jabodetabek melayani jutaan penumpang setiap hari dengan jaringan yang mencakup 94 stasiun aktif dan 421 relasi layanan langsung. Pada jaringan dengan keterkaitan tinggi seperti ini, terdapat stasiun-stasiun yang bersifat kritis, yaitu stasiun yang apabila mengalami gangguan akan menyebabkan dampak terbesar terhadap konektivitas dan efisiensi waktu tempuh jaringan secara keseluruhan. Penelitian ini membangun model prediktif berbasis Node2Vec dan LightGBM dalam kerangka Knowledge Discovery in Databases (KDD) untuk memperkirakan tingkat kekritisan setiap stasiun secara numerik. Data jadwal operasional diperoleh dari API Comuline (30.989 rekaman), diproses menjadi directed weighted graph (94 simpul, 421 sisi), kemudian digunakan untuk menghitung impact score melalui simulasi single-node removal sebagai label regresi. Sebanyak 38 fitur digunakan: 6 metrik topologi dan 32 dimensi embedding Node2Vec. Evaluasi 5-Fold Cross-Validation menghasilkan MAE 0,3152%, RMSE 0,8903%, dan korelasi Spearman 0,7802 (p<0,001) dengan Bootstrap CI 95% [0,6622; 0,8700]. Model mengidentifikasi 9 dari 10 stasiun paling kritis (Top-10 recall 90%). Betweenness centrality teridentifikasi sebagai fitur paling dominan berdasarkan analisis Gain Importance dan SHAP. Dari 94 stasiun, 8 dikategorikan Sangat Kritis, 21 Kritis, 20 Cukup Kritis, dan 45 Relatif Aman. Manggarai dan Tanah Abang merupakan stasiun paling kritis dengan impact score 9,60% dan 8,89%.