Peramalan jumlah kendaran di Jalan Raya menggunakan neural network multi layer perceptron dengan dan tanpa regresi linear

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.

[img]
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 > (S1) Undergraduate Theses
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 View Item