IDENTIFIKASI VARIABEL SIGNIFIKAN DALAM PREDIKSI VOLUME LALU LINTAS DENGAN RANDOM FOREST DAN XGBOOST
Penulis Utama
:
Fahrizal Nur Cahya
NIM / NIP
:
I0121051
×<p class="MsoNormal" xss=removed>Kemacetan















lalu lintas merupakan persoalan sistemik yang dihadapi kota-kota besar,















termasuk Surakarta, sebagai konsekuensi dari pertumbuhan jumlah kendaraan yang















pesat, keterbatasan kapasitas infrastruktur jalan, serta aktivitas di area tepi















jalan. Penelitian ini bertujuan untuk membangun model prediksi variabel















signifikan yang memengaruhi volume lalu lintas dengan menggunakan algoritma <i>Random















Forest</i> dan <i>XGBoost</i>. Variabel yang















digunakan meliputi faktor temporal (hari kerja dan akhir pekan), jenis















kendaraan (sepeda motor, kendaraan ringan, kendaraan berat), kecepatan















kendaraan (<i>spot speed</i> dan <i>space mean speed</i>), serta hambatan















samping (pejalan kaki, kendaraan parkir/berhenti, kendaraan keluar/masuk akses,















dan kendaraan tidak bermotor). Data penelitian diperoleh dari sumber sekunder















dan diperluas melalui interpolasi linear serta sintesis statistik berbasis variasi















±10% untuk memperkaya distribusi data. Hasil evaluasi menunjukkan bahwa <i>Random















Forest</i> memberikan performa prediksi yang lebih baik dibandingkan<i> XGBoost</i>, dengan nilai R² sebesar 0,83;















MAE 16,13; RMSE 30,55 pada hari kerja, serta R² sebesar 0,88; MAE 21,75; RMSE 28,41















pada akhir pekan. Analisis <i>feature importance</i> mengidentifikasi sepeda















motor sebagai variabel dominan dalam memengaruhi volume lalu lintas, diikuti















kendaraan ringan. Temuan ini menegaskan efektivitas <i>Random Forest</i>















sebagai metode yang stabil dan akurat untuk prediksi multivariabel lalu lintas,















serta berpotensi mendukung strategi pengelolaan transportasi berbasis data di















kawasan perkotaan padat seperti Jalan Kapten Mulyadi, Surakarta.<o></o></p>
×
Penulis Utama
:
Fahrizal Nur Cahya
Penulis Tambahan
:
-
NIM / NIP
:
I0121051
Tahun
:
2025
Judul
:
IDENTIFIKASI VARIABEL SIGNIFIKAN DALAM PREDIKSI VOLUME LALU LINTAS DENGAN RANDOM FOREST DAN XGBOOST
Edisi
:
Imprint
:
Surakarta - Fak. Teknik - 2025
Program Studi
:
S-1 Teknik Sipil
Kolasi
:
Sumber
:
Kata Kunci
:
Machine Learning, Prediksi lalu lintas, Random Forest, Surakarta, XGBoost.