Pendekatan Graph Embedding Pada Klasifikasi dan Analisis Jaringan Jalan Perkotaan

Annisa, Faizah Dhiya (2024) Pendekatan Graph Embedding Pada Klasifikasi dan Analisis Jaringan Jalan Perkotaan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201130-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Jaringan jalan perkotaan memainkan peran penting dalam fungsi ekonomi dan sosial kota. Stabilitas jaringan ini dipengaruhi oleh lokasi geografis yang penting, seperti pusat transportasi dan komersial. Analisis jaringan jalan menjadi hal yang esensial bagi perencanaan kota untuk mengoptimalkan efisiensi operasional jaringan jalan. Penelitian ini menggunakan pendekatan graph embedding untuk merepresentasikan jaringan jalan berdasarkan data dari OpenStreetMap. Representasi ini digunakan sebagai input untuk algoritma Random Forest dalam melakukan tugas prediktif seperti klasifikasi jenis jalan dan prediksi skor sentralitas. Hasil penelitian menunjukkan bahwa embedding ruas jalan yang dihasilkan dari teknik graph embedding dapat digunakan sebagai fitur input untuk model prediktif dengan hasil yang memuaskan. Model Random Forest yang dilatih menggunakan fitur embedding ini mencapai nilai F1-score pada klasifikasi, rata-rata sebesar 0.853 serta nilai R2 pada regresi, rata-rata sebesar 0.986. Evaluasi lebih lanjut menunjukkan bahwa kombinasi parameter terbaik dalam embedding dan model Random Forest memberikan hasil yang konsisten baik dalam pelatihan maupun pengujian.
========================================================================================================================
Urban road networks play an important role in the economic and social functioning of cities. The stability of a network is influenced by important geographic locations, such as transportation and commercial centers. Road network analysis is essential in urban planning to optimize the efficiency of the road networks. This study uses a graph embedding approach to represent road networks based on OpenStreetMap data. This representation is used as input for the random forest algorithm to perform predictive tasks such as road type classification and centrality score prediction. The results show that road segment embedding generated from the graph embedding technique can be used as an input feature for predictive models. Random Forest models trained using these embeddings achieved F1-score values for classification, averaging 0.853 and R2 values on regression, averaging 0.986. Further evaluation showed that the best combination of parameters in the embedding and random forest models gave consistent results in both training and testing.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Jaringan Jalan, Penyematan Graf, Klasifikasi Jenis Jalan, Skor Sentralitas, Algoritma Random Forest, Road Networks, Graph Embedding, Road Type Classification, Centrality Score, Random Forest Algorithm
Subjects:	H Social Sciences > H Social Sciences (General)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Faizah Dhiya Annisa
Date Deposited:	07 Aug 2024 06:59
Last Modified:	07 Aug 2024 06:59
URI:	http://repository.its.ac.id/id/eprint/114077

Actions (login required)

View Item