Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Warta Penelitian Perhubungan Automotive Experiences
Mardiana, Tetty Sulastry
Unknown Affiliation
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Environmental Science Materials Science & Nanotechnology Mechanical Engineering Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
ANALISIS TINGKAT KECERDASAN EMOSI PENGEMUDI KENDARAAN ANGKUTAN UMUM KOTA TANGERANG SELATAN STUDI KASUS TRAYEK PONDOK JAGUNG-GINTUNG Mardiana, Tetty Sulastry
Warta Penelitian Perhubungan Vol 27, No 5 (2015): Warta Penelitian Perhubungan
Publisher : Sekretariat Badan Penelitian dan Pengembangan Perhubungan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (333.138 KB) | DOI: 10.25104/warlit.v27i5.802

Abstract

Pelanggaran lalu lintas yang terjadi saat ini sebagian besar dilakukan oleh awak angkutan umum. Hal ini disebabkan oleh tekanan akibat mengejar target setoran, kemacetan lalu lintas, rebutan penumpang dengan pengendara lain dan berhadapan dengan penumpang yang menjengkelkan sehingga menimbulkan kelalaian dalam berkendaraan maupun berlalu-lintas.Kajian bertujuan untuk mengetahui tingkat kecerdasan emosi para pengendara angkutan umum dalam pelaksanaan tugas dan kewajibannya. Pendekatan kualitatif atau sering disebut dengan metode penelitian naturalistik,  dilakukan pada kondisi yang alamiah (natural setting), dimana peneliti adalah sebagai instrumen kunci.Jenis dan sumber data, yaitu data primer melalui hasil wawancara kepada key informant dan pengamatan langsung/ observasi di lapangan. Teknik pengumpulan data dilakukan secara triangulasi (gabungan), teknik analisis data bersifat induktif  dimana hasil lebih menekankan makna daripada generalisasi. Dalam pengolahan hasil wawancara dan observasi dilakukan pendekatan kuantifikasi melalui pembobotan pada jawaban key informant dan temuan dilapangan.Ruang lingkup penelitian baik wawancara dan observasi dilaksanakan berdasarkanaspek kemampuan mengenali emosi diri, kemampuan mengelola emosi diri sendiri, serta kemampuan memahami emosi orang lain. Setelah melalui proses pengolahan data maka hasilnya adalah bahwaproses penyelenggaraan angkutan umum trayek Pondok Jagung-Gintung belum dilaksanakan sesuai peraturan lalu lintas yang berlaku dan belum memenuhi hak pengguna jasa angkutan umum, hal ini terjadi karena ketidakcerdasanemosi yang timbul dari pengendara angkutan umum.
EFEKTIFITAS SMART TACHOGRAPH PADA KENDARAAN UMUM DALAM UPAYA PENURUNAN EMISI GAS RUMAH KACA Sonny, Imam; Mardiana, Tetty Sulastry
Warta Penelitian Perhubungan Vol 26, No 11 (2014): Warta Penelitian Perhubungan
Publisher : Sekretariat Badan Penelitian dan Pengembangan Perhubungan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (224.466 KB) | DOI: 10.25104/warlit.v26i11.950

Abstract

Permasalahan tingginya angka kecelakaan di Indonesia dan tingginya jumlah emisi gas rumah kaca yang dihasilkan dari kegiatan sektor transportasi, mengidentifikasikan perlunya dilaksanakan kajian mengenai teknologi smart tachograph dan pengaruhnya terhadap angka kecelakaan, Kajian bertujuan untuk mendapatkan tingkat efektifitas teknologi smart tachograph dalam menurunkan konsumsi bahan bakar dan jumlah emisi GRK dari sektor transportasi. Penelitian menggunakan pendekatan gabungan kualitatif dan kuantitatif dengan pendekatan penelitian yang lebih dominan pendekatan kualitatif. Pengumpulan data primer dilaksanakan untuk menganalisa efektivitas alat smart tachograph. Analisis data menggunakan persamaan mobile combustion. Pengaktifan driving asistance pada alat tachograph dapat menghemat konsumsi bahan bakar kendaraan rata-rata sebesar8.22 %. Jumlah emisi yang dihasilkan dari sampel kendaraan tanpa driving asistance adalah 161.635 Ton CO2/ tahun. Jumlah konsumsi BBM pada kendaraan dengan driving asistance adalah 2.002.010.361 MJ. Jumlah emisi yang dihasilkan kendaraan dengan driving asistance adalah 148.349 Ton CO2/ tahun. Penurunan emisi kendaraan setelah menggunakan alat smart tachograph dengandriving asistance adalah 13.286 Ton CO2/ tahun.
The Road Safety: Utilising Machine Learning Approach for Predicting Fatality in Toll Road Accidents Mutharuddin, Mutharuddin; Rosyidi, M.; Karmiadji, Djoko Wahyu; Fitri, Hastiya Annisa; Irawati, Novi; Waskito, Dwitya Harits; Mardiana, Tetty Sulastry; Subaryata, Subaryata; Nugroho, Sinung
Automotive Experiences Vol 7 No 2 (2024)
Publisher : Automotive Laboratory of Universitas Muhammadiyah Magelang in collaboration with Association of Indonesian Vocational Educators (AIVE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/ae.11082

Abstract

Road safety is one of the critical government transportation concerns, especially on the toll roads. With the increasing number of toll roads as part of infrastructure planning, road traffic accidents are significantly escalating. Developing a system that predicts accidents on toll roads will benefit to reduce the harm that is caused by traffic accidents. This study will propose a method for analysing toll road accidents in Indonesia using historical toll road accident data as a dataset to become a pattern to examine the frequency of accidents. This dataset consists of various parameters from three main factors that cause accidents: human, environmental, and road infrastructure factors. Machine learning technique will be mainly used to determine the most influencing factors by employing classifiers such as Logistic Regression (LR), Decision Tree (DT), Gaussian Naïve Bayes (GNB), and K-Nearest Neighbors (KNN) can construct the prediction model. Fourteen subfactors from the data were used to predict the future fatalities caused by accidents, which allowed the system to forecast the accident fatality. The results show accuracy performance on the test set with LR, DT, KNN, and GNB models, 85.3%, 79.4%, 87.1%, and 77.1%, respectively. The KNN Classifier model has the most minor error value of 0.6 compared to the other models. The study’s findings will help analyse the causal factors involved in toll road accidents and could be utilised by road authorities to employ risk control options to mitigate the ramifications.
Co-Authors Fitri, Hastiya Annisa Imam Sonny, Imam Karmiadji, Djoko Wahyu Mutharuddin, Mutharuddin Novi Irawati Nugroho, Sinung Rosyidi, M. Subaryata, Subaryata Waskito, Dwitya Harits