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.
