Penerapan Random Forest untuk Estimasi Intensitas Point Process on Road Network: Studi Kasus Kecelakaan Lalu Lintas di Kabupaten Nganjuk

Mahmada, Rifqi Adi (2026) Penerapan Random Forest untuk Estimasi Intensitas Point Process on Road Network: Studi Kasus Kecelakaan Lalu Lintas di Kabupaten Nganjuk. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003221028-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Kecelakaan lalu lintas merupakan salah satu penyebab utama kematian dan kerugian ekonomi yang berdampak signifikan pada berbagai aspek kehidupan masyarakat. Kabupaten Nganjuk, yang berfungsi sebagai jalur transit strategis di Jawa Timur, memiliki tingkat kerawanan yang tinggi sehingga diperlukan suatu pemodelan risiko kecelakaan yang akurat dan fleksibel. Pemodelan intensitas kecelakaan umumnya dilakukan menggunakan pendekatan parametrik dengan model log-linier, seperti pada kerangka Spatial Point Process. Namun, model parametrik dinilai sedikit kaku karena bergantung pada asumsi linearitas sehingga kurang mampu menangkap kompleksitas pola data kecelakaan yang sebenarnya. Sebagai alternatif, pendekatan nonparametrik menawarkan fleksibilitas yang lebih tinggi dalam memodelkan intensitas kejadian. Penelitian ini bertujuan untuk mengimplementasikan Random Forest, suatu metode nonparametrik berbasis ensemble learning yang diadaptasi dalam kerangka Spatial Point Process, sekaligus membandingkan performanya dengan model parametrik, yaitu Poisson Point Process. Data yang digunakan berupa kecelakaan lalu lintas yang terjadi di Kabupaten Nganjuk dari tahun 2022 hingga 2025. Kovariat yang digunakan meliputi karakteristik fisik jalan seperti jarak ke lampu lalu lintas, jumlah lajur dan jalur, keberadaan kerb (pembatas jalan), serta klasifikasi jenis jalan. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa yang sedikit lebih baik dibandingkan Poisson Point Process, dengan nilai Poisson log-likelihood sebesar -13.017,49. Kedua model menyatakan bahwa kovariat jarak ke lampu lalu lintas terdekat dinilai menjadi faktor paling memengaruhi kecelakaan lalu lintas di Kabupaten Nganjuk, yang diikuti dengan jenis jalan dan jumlah lajur. Peta risiko dari Random Forest mengidentifikasi bahwa jalan arteri sebagai ruas dengan risiko kecelakaan tertinggi, diikuti jalan kolektor, dan jalan lokal sebagai yang terendah. Temuan ini mengindikasikan bahwa pendekatan nonparametrik berupa Random Forest, dapat dengan efektif memetakan intensitas kecelakaan lalu lintas yang terjadi di sepanjang jaringan jalan Kabupaten Nganjuk.
======================================================================================================================================
Traffic accidents are one of the leading causes of death and economic loss, significantly impacting various aspects of community life. Nganjuk Regency, which serves as a strategic transit route in East Java, has a high accident risk, necessitating an accurate and flexible accident risk modeling approach. Accident intensity modeling is generally performed using a parametric approach with a log-linear model, such as within the Spatial Point Process framework. However, parametric models are considered somewhat rigid because they rely on the assumption of linearity, making them less capable of capturing the complexity of actual accident data patterns. As an alternative, nonparametric approaches offer greater flexibility in modeling event intensity. This study aims to implement Random Forest, a nonparametric ensemble learning-based method adapted within the Spatial Point Process framework, while comparing its performance with a parametric model, namely the Poisson Point Process. The data used consists of traffic accidents that occurred in Nganjuk Regency from 2022 to 2025. The covariates used include physical road characteristics such as distance to traffic lights, number of lanes and roads, the presence of curbs, and road type classification. The results of the study show that the Random Forest model performs slightly better than the Poisson Point Process, with a Poisson log-likelihood value of -13017.49. Both models indicate that the covariate “distance to the nearest traffic light” is the factor most strongly associated with traffic accidents in Nganjuk Regency, followed by road type and number of lanes. The risk maps from from Random Forest model identify arterial roads as the sections with the highest accident risk, followed by collector roads, and local roads as having the lowest risk. These findings indicate that a nonparametric approach, such as the Random Forest model, can effectively map the intensity of traffic accidents occurring along the road network in Nganjuk Regency.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Geometrika Jalan, Intensitas Spasial, Kecelakaan Lalu Lintas, Poisson Point Proces, Random Forest, Poisson Point Process, Random Forest, Road Geometrics, Spatial Intensity, Traffic Accidents
Subjects:	H Social Sciences > HA Statistics > HA30.6 Spatial analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Rifqi Adi Mahmada
Date Deposited:	05 Aug 2026 02:58
Last Modified:	05 Aug 2026 02:58
URI:	http://repository.its.ac.id/id/eprint/143740

Actions (login required)

View Item