Edwadr, Gregorius (2014) Peramalan jumlah kendaran di Jalan Raya menggunakan neural network multi layer perceptron dengan dan tanpa regresi linear. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5110100188-Undergraduate_Thesis.pdf Download (1MB) | Preview |
Abstract
Jumlah kendaraan yang berada kota-kota besar Indonesia
semakin lama semakin bertambah tanpa diimbangi oleh
pertambahan jumlah jalan yang sebanding. Setelah beberapa
tahun masalah ini tidak ditangani munculah masalah kemacetan
yang tersebar di banyak kota besar Indonesia. Kemacetan dapat
menyebabkan berbagai masalah kepada warga sekitar, oleh
karena itu harus ada upaya untuk mengurangi kemacetan.
Hanya ada sedikit cara yang dapat diupayakan untuk
mengurangi tingkat kemacetan dengan biaya yang sedikit,
misalnya dengan melakukan pengaturan yang baik terhadap nyala
lampu lalu lintas. Pengaturan nyala lampu lalu lintas adalah salah
satu solusi terbaik yang bisa ditawarkan saat ini namun untuk
dapat melakukannya dengan baik dibutuhkan perkiraan jumlah
kendaraan yang lewat pada jalan tersebut. Dalam Tugas Akhir ini
akan dibahas dua buah model Jaringan Saraf Tiruan yang akan
digunakan untuk meramalkan jumlah kendaraan. Metode
Jaringan Saraf Tiruan Multi Layer Perceptron akan digunakan
untuk meramalkan jumlah kendaraan secara kategorikal dan
Jaringan Saraf Tiruan Regresi Linear akan digunakan untuk
meramalkan jumlah kendaraan secara numerik. Uji coba peramalan dilakukan dalam dua jenis yaitu
peramalan yang meramalkan jumlah kendaraan secara
kategorikal dengan metode Jaringan Saraf Tiruan Multi Layer
Perceptron dan peramalan yang meramalkan jumlah kendaraan
secara numeric dengan metode Jaringan Saraf Tiruan Regresi
Linear. Hasil percobaan untuk jumlah kendaraan yang bersifat
kategorikal menunjukan hasil yang cukup baik yaitu dengan
tingkat kesalahan 11,7% dan pada peramalan dengan jenis
keluaran numerik menghasilkan angka kesalahan Mean Absolute
Percentage Error 6,9%.
=====================================================================================================
Number of vehicles in many big cities in Indonesia keep
increasing everyday but the number of roads does not increase a
lot. If this problem could not be solved after several years, which
would be a lot of congestion in many cities in Indonesia. As we
know congestion can cause variety of problems to local people,
therefore there must be an effort to reduce congestion.
There are only few options can be pursued to to reduce the
number of congestion which can be done with a little budget, for
example by having the traffic lights work properly. Setting the
traffic lights is one of the best solutions that can be offered, but to
be able to do it, first the approximation of number of vehicles which
pass the observed road must be known. This thesis will discuss
about two variant methods of Neural Network which will be used
to forecast the number of vehicles. Neural Network Multi Layer
Perceptron will be used to forecast the number of vehicles in
categorical and Neural Network Linear.Regression will be used to
forecast the number of vehicles in numerical.
The experiment was conducted in two types of forecasting, the
first is the forecasting which predict the number of vehicles
categorically by using Neural Network Multi Layer Perceptron and the second is the forecasting which predict the number of vehicles
numerically by using Neural Network Linear Regression. The
result for the first forecast showing good accuracy rate, the number
of wrong prediction is 11.7% while the second one produces the
Mean Absolute Percentage Error 6,9%.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 006.32 Edw p |
| Uncontrolled Keywords: | Peramalan; neural network; multi layer perceptron; regresi linear |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | - Taufiq Rahmanu |
| Date Deposited: | 26 Jul 2019 03:16 |
| Last Modified: | 26 Jul 2019 03:16 |
| URI: | http://repository.its.ac.id/id/eprint/66100 |
Actions (login required)
 |
View Item |