scholarly journals Sistem Penanganan Keluhan Pada Moda Transportasi Kereta Api Studi Kasus: PT. Kereta Api Indonesia Dan Statens Järnvägar Ab, Sweden

2019 ◽  
Vol 27 (6) ◽  
pp. 465
Author(s):  
Abadi Dwi Saputra ◽  
Sigit Priyanto
Keyword(s):  
Travel Time ◽  
Security Information ◽  
Service Coverage ◽  
Information Scheduling ◽  
Time Information

Kereta api sebagai moda angkutan massal memiliki karakteristik yang unik. Angkutan ini memiliki kapasitas besar, tingkat keamanan yang tinggi, dan bebas dari kemacetan lalu lintas. Karakteristik tersebut membuat kereta api sebagai angkutan umum utama. Meskipun transportasi kereta api memiliki banyak manfaat bagi kehidupan masyarakat tetapi mereka masih dihadapi oleh masalah. Saat ini operasional kereta api masih diwarnai dengan keterlambatan, kondisi kereta yang tidak baik, dan informasi perjalanan kereta api tidak jelas yang sering merugikan penumpang, dan banyak layanan yang ditawarkan gagal untuk menarik penumpang. Kondisi ini mengakibatkan penurunan kualitas pelayanan dan pengoperasian kerta api tidak memadai. Tujuan dari penelitian ini adalah untuk menganalisis hubungan antara kepuasan konsumen terhadap layanan yang disediakan dengan keinginan untuk melakukan keluhan dan untuk mencari faktor dari kualitas layanan yang memiliki pengaruh yang signifikan antara kepuasan pelanggan terhadap pelayanan PT KAI. Dari data, dan juga studi perbandingan antara PT Kereta Api Indonesia dan Statens Järnvägar AB, Swedia, dapat direkomendasikan desain sistem penanganan pengaduan yang perlu disesuaikan dengan kepentingan konsumen. Penelitian ini menghasilkan beberapa temuan. Pertama, ada enam faktor atribut kualitas layanan yang memiliki pengaruh yang signifikan terhadap kepuasan pelanggan terhadap pelayanan PT KAI untuk kelas komuter (Information, Appearances, Service coverage, Tangible, Safety & security, and Cost). Untuk kelas bisnis memiliki tujuh faktor, (Travel time, Information, Scheduling, Comfort, Tangible, Safety & security, and Service coverage). Dan untuk kelas eksekutif, juga memiliki tujuh faktor yang mempunyai pengaruh signifikan terhadap kepuasan pelanggan, (Appearances, Safety & security, Information, Comfort, Tangible, Travel time, and Cost). Untuk hasil penelitian kedua menunjukkan bahwa untuk kelas komuter atribut Safety & security dan untuk kelas bisnis atribut Information adalah atribut yang memiliki pengaruh signifikan pada keinginan untuk melakukan keluhan. Sementara untuk kelas eksekutif, sebagian besar penumpang puas dengan pelayanan yang diberikan oleh PT. KAI. Untuk pertanyaan penelitian ketiga, untuk mengurangi jumlah keluhan, maka harus mengambil beberapa mekanisme yang efektif untuk menangani pengaduan tersebut belajar dari sistem yang diterapkan oleh SJ. AB.Kata kunci: Pelayanan keluhan penumpang, PT Kereta Api Indonesia, Statens Järnvägar ABRead phonetically

Advanced Techniques for Travel Time Data Collection

1996 ◽  
Vol 1551 (1) ◽  
pp. 51-58 ◽  
Author(s):  
Shawn M. Turner
Keyword(s):  
Data Collection ◽  
Travel Time ◽  
Real Time ◽  
Cellular Phone ◽  
License Plate ◽  
Time Data ◽  
Video Imaging ◽  
Advantages And Disadvantages ◽  
Travel Time Data ◽  
Time Information

Travel time information is becoming more important for applications ranging from congestion measurement to real-time travel information. Several advanced techniques for travel time data collection are discussed, including electronic distance-measuring instruments (DMIs), computerized and video license plate matching, cellular phone tracking, automatic vehicle identification (AVI), automatic vehicle location (AVL), and video imaging. The various advanced techniques are described, the necessary equipment and procedures are outlined, the applications of each technique are discussed, and the advantages and disadvantages are summarized. Electronic DMIs are low in cost but typically limited to congestion monitoring applications. Computerized and video license plate matching are more expensive and would be most applicable for congestion measurement and monitoring. Cellular phone tracking, AVI, and AVL systems may require a significant investment in communications infrastructure, but they can provide real-time information. Video imaging is still in testing stages, with some uncertainty about costs and accuracy.

scholarly journals Travel Behavior Analysis Using 2016 Qingdao’s Household Traffic Surveys and Baidu Electric Map API Data

2019 ◽  
Vol 2019 ◽  
pp. 1-18 ◽  
Author(s):  
Ge Gao ◽  
Zhen Wang ◽  
Xinmin Liu ◽  
Qing Li ◽  
Wei Wang ◽  
...  
Keyword(s):  
Statistical Analysis ◽  
Field Study ◽  
Behavior Analysis ◽  
Travel Time ◽  
Travel Behavior ◽  
High Accuracy ◽  
Travel Distance ◽  
Distance Analysis ◽  
Trip Time ◽  
Time Information

Household traffic surveys are widely used in travel behavior analysis, especially in travel time and distance analysis. Unfortunately, any one kind of household traffic surveys has its own problems. Even all household traffic survey data is accurate, it is difficult to get the trip routes information. To our delight, electric map API (e.g., Google Maps, Apple Maps, Baidu Maps, and Auto Navi Maps) could provide the trip route and time information, which remedies the traditional traffic survey’s defect. Thus, we can take advantage of the two kinds of data and integrate them into travel behavior analysis. In order to test the validity of the Baidu electric map API data, a field study on 300 taxi OD pairs is carried out. According to statistical analysis, the average matching rate of total OD pairs is 90.74%, which reflects high accuracy of electric map API data. Based on the fused data of household traffic survey and electric map API, travel behavior on trip time and distance is analyzed. Results show that most purposes’ trip distances distributions are concentrated, which are no more than 10 kilometers. It is worth noting that students have the shortest travel distance and company business’s travel distance distribution is dispersed, which has the longest travel distance. Compared to travel distance, the standard deviations of all purposes’ travel time are greater than the travel distance. Car users have longer travel distance than bus travelers, and their average travel distance is 8.58km.

Sign in / Sign up

Export Citation Format

Share Document