Prediksi Situasi Lalu Lintas Menggunakan Machine Learning Dengan Algoritma K-Nearest Neighbors Classifier
DOI:
https://doi.org/10.52958/iftk.v20i1.7042Kata Kunci:
Machine Learning, K-Nearest Neighbors, Validasi Silang, Prediksi Lalu LintasAbstrak
Setiap tahunnya kepadatan arus lalu lintas pada daerah kota-kota besar terus meningkat. Situasi lalu lintas yang semakin padat telah menjadi tantangan serius bagi pengelolaan transportasi di berbagai kota di seluruh dunia. Penelitian ini memberikan solusi untuk mengatasi kepadatan lalu lintas di kota-kota besar dengan menerapkan metode Machine Learning, khususnya Algoritma K-Nearest Neighbors (K-NN). Berfokus pada peningkatan kepemilikan kendaraan bermotor sebagai penyebab utama kepadatan lalu lintas, penelitian ini mengeksplorasi prediksi situasi lalu lintas guna meningkatkan efisiensi transportasi. Metodologi penelitian melibatkan enam tahap, termasuk pengumpulan data, pembagian dataset (80% data latih dan 20% data uji), dan pengujian K-NN Classifier dengan akurasi terbaik mencapai 85% melalui validasi silang. Kesimpulan menunjukkan bahwa K-NN Classifier dapat memprediksi situasi lalu lintas dengan tingkat akurasi tinggi, terutama pada data latih dengan nilai 1.0. Penerapan metode ini dapat meningkatkan pengelolaan lalu lintas perkotaan dan mendukung otoritas transportasi serta pemerintah kota dalam mengimplementasikan tindakan yang lebih tepat waktu. Meskipun demikian, penelitian ini memiliki keterbatasan, dan saran untuk penelitian selanjutnya mencakup eksplorasi aspek tertentu serta pengembangan metode, tool, dan pelatihan model untuk perbandingan dengan K-NN.
Referensi
M. F. Abdi, S. Y. Qodarbaskoro, A. Alfani, K. Kusrini, and D. Maulina, ‘KLASIFIKASI PEMBAGIAN ARUS LALU LINTAS MENGGUNAKAN ALOGARITMA NAÏVE BAYES DAN MODEL LINEAR’, Technologia: Jurnal Ilmiah, vol. 12, no. 4, p. 203, Oct. 2021, doi: 10.31602/tji.v12i4.5626.
M. Ashifuddin Mondal and Z. Rehena, ‘Intelligent Traffic Congestion Classification System using Artificial Neural Network’, in Companion Proceedings of The 2019 World Wide Web Conference, New York, NY, USA: ACM, May 2019, pp. 110–116. doi: 10.1145/3308560.3317053.
M. Ilham, ‘SUBSISTEM KONTROL LAMPU LALU LINTAS: KLASIFIKASI BESAR ARUS KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA C4. 5 DAN PREDIKSI TAMBAHAN DURASI LAMPU HIJAU’, Doctoral Dissertation, Universitas Gadjah Mada, Yogyakarta, 2021.
D. W. Sharfina and A. Saputra, ‘Analisis Tingkat Kemacetan Lalu Lintas di Ruas Jalan Arteri dan Kolektor Kota Magelang Menggunakan Sistem Informasi Geografis’, Universitas Muhammadiyah Surakarta, 2022.
N. Irzavika and G. A. P. Saptawati, ‘Analysis Performance of Support Vector Regression (SVR) for Congestion Prediction’, in 2022 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS), IEEE, Nov. 2022, pp. 1–5. doi: 10.1109/ICIMCIS56303.2022.10017641.
M. Sho’imah, R. Wijanarko, and N. E. Budiyanto, ‘METODE K-NEAREST NEIGHBOR UNTUK PERAMALAN KEPADATAN ARUS LALU LINTAS DI GERBANG TOL MANYARAN SEMARANG’, JURNAL ILMIAH MOMENTUM, vol. 14, no. 2, Nov. 2018, doi: 10.36499/jim.v14i2.2517.
K. E. N. T. Rabe, E. R. Arboleda, and R. M. Dellosa, ‘Fuzzy logic based vehicular congestion estimation monitoring system using image processing and kNN classifier’, Int. J. Sci. Tehnol. Res, vol. 8, no. 08, pp. 1377–1380, 2019.
S. Rahayu, B. R. Asmoro, and E. Rinal, ‘Classification of Congestion in Jakarta Using KNN, Naïve Bayes and Decision Tree Method’, Jurnal Syntax Admiration, vol. 4, no. 7, pp. 928–952, Jul. 2023, doi: 10.46799/jsa.v4i7.654.
L. Zhang, Q. Liu, W. Yang, N. Wei, and D. Dong, ‘An Improved K-nearest Neighbor Model for Short-term Traffic Flow Prediction’, Procedia Soc Behav Sci, vol. 96, pp. 653–662, Nov. 2013, doi: 10.1016/j.sbspro.2013.08.076.
H. Yu, N. Ji, Y. Ren, and C. Yang, ‘A Special Event-Based K-Nearest Neighbor Model for Short-Term Traffic State Prediction’, IEEE Access, vol. 7, pp. 81717–81729, 2019, doi: 10.1109/ACCESS.2019.2923663.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Muhammad Fatur Febrianto, Abimanyu Priyatno, Hawna Adisty, Anisa Fadilah Saputri, Rizki Amanullah, Thesa Pebrianti Krissella, Nindy Irzavika, Nur Hafifah Matondang
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Download Template
