Esesiawati, Oriehanna (2017) Peramalan Arus Lalu Lintas Jangka Pendek Menggunakan Metode K-Nearest Neighbor (Studi Kasus: Jalan Basuki Rahmat Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5213100029-Undergraduate_Theses.pdf - Published Version Download (3MB) | Preview |
Abstract
Kepadatan arus lalu lintas sering kali menyebabkan kemacetan pada jalur yang ramai dilalui oleh pengendara. Terdapat beberapa faktor yang menyebabkan kemacetan diantaranya adalah volume kendaraan yang meningkat pesat dan tingginya pertumbuhan penduduk pada kota-kota besar seperti Surabaya. Pengambilan data untuk menganalisis data arus lalu lintas masuk dilakukan secara tradisional, yaitu melakukan survey lapangan, sedangkan arus lalu lintas yang terjadi tidak mudah ditebak. Untuk itu, diperlukan sebuah peramalan arus lalu lintas dari data history yang telah ada dengan mempertimbangkan kesamaan atau kemiripan pola arus lalu lintas dari data histori yang ada menggunakan algoritma K-Nearest Neighbor. K-Nearest Neighbor adalah metode yang sangat mempertimbangkan nilai k yang optimal untuk mendapatkan hasil peramalan yang akurat.
Penelitian yang dilakukan menggunakan metode K-Nearest Neighbor adalah peramalan arus lalu lintas jangka pendek pada jalan Basuki Rahmat Surabaya. Input yang digunakan dalam melakukan peramalan adalah data histori jumlah kendaraan yang melaju pada jalan Basuki Rahmat Surabaya. Adapun beberapa tipe kendaraan yang digunakan dalam peramalan adalah mobil pribadi, motor, taksi, angkot, bus besar, bus mini, mini truk dan truk 2 sb.
Output yang dihasilkan dari penggunaan metode K-Nearest Neighbor adalah jumlah kendaraan yang melaju pada jalan Basuki Rahmat Surabaya pada tahun 2017. Dari hasil penelitian, didapatkan bahwa model terbaik pada masing-masing data memiliki k optimal adalah k=8 dengan error RMSE 165,888 untuk model terbaik motor, k=6 dengan error 101,897 untuk model mobil, k=10 dengan error 2,536 untuk model angkot, k=2 dengan error 1,142 pada model bus besar, k=1 dengan error 1,626 pada model bus mini, k=3 dengan error 2,150 pada model mini truk, k=2 dengan error 4,490 pada model taksi, dan k=8 dengan error 0,731 untuk model truk 2 SB. Model terbaik pada masing-masing data akan dijadikan acuan untuk peramalan 2017.
Hasil peramalan 2017 menjelaskan bahwa minimal kendaraan yang melintas di jalan Basuki Rahmat adalah 811 dan maksimal kendaraan yang melintas adalah 1377 kendaraan. Dari hasil tersebut dapat diketahui waktu tersenggang dan terpadat pada jalan Basuki Rahmat adalah pukul 05.20-05.30 dan 14.50-15.00. Hasil peramalan yang didapatkan dapat dibuat acuan atau pengambilan solusi untuk penanganan arus lalu lintas yang akan datang pada jalan Basuki Rahmat Surabaya.
=================================================================
The density of traffic flows often causes congestion on the busy lane of the rider. There are several factors that cause congestion such as increasing vehicle’s volume rapidly and high population growth in big cities such as Surabaya. Data collection to analyze traffic flow is done traditionally, that is conducting field survey, while the flow of traffic that happens is not easy to guess. Therefore, it is necessary to forecast traffic flow from existing historical data by considering similarity or similarity of traffic flow pattern from existing historical data using K-Nearest Neighbor algorithm. K-Nearest Neighbor is a method that greatly considers the optimal k value to get accurate forecasting results.
Research conducted using K-Nearest Neighbor method is short-term traffic flow forecasting on the Basuki Rahmat Surabaya street. The input used in the forecasting is the history of the number of vehicles on the Basuki Rahmat Surabaya street. The several types of vehicles used in forecasting are cars, motorcycles, taxis, public transportation, large buses, mini buses, mini trucks and 2 sb trucks.
Output from using K-Nearest Neighbor method is the number of vehicles that go on the Basuki Rahmat Surabaya street in 2017. From the research result, got the best model on each data having RMSE error equal to 101,897 with k = 6 for car best model, k = 8 with error 165,888 for motorcycle best model, k = 10 with error 2,536 for best model of public transportation, k = 2 With an error of 1,142 on the large bus best model, k = 1 with error of 1,626 on the mini bus best model, k = 3 with error 2,150 on the mini truck best model, k = 2 with error 4,490 on taxi best model, and k = 8 with error 0,731 for 2 SB truck best model. The best model in each data will be used as a reference for 2017 forecasting.
Result of forecasting in 2017 explained that the minimum vehicle that passes on the Basuki Rahmat street is 811 and the maximum vehicle that passes is 1377 vehicles. So, from the result known that the traffic is light at 05.20-05.30 and the heavy traffic is at 14.50-15.00. Result of forecasting obtained can be made reference or solution for the handling of traffic flow that will come on the Basuki Rahmat Surabaya street.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Peramalan, Arus lalu lintas jangka pendek, K-Nearest Neighbor |
| Subjects: | H Social Sciences > HA Statistics H Social Sciences > HD Industries. Land use. Labor > HD30.23 Decision making. Business requirements analysis. H Social Sciences > HE Transportation and Communications Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Oriehanna Esesiawati . |
| Date Deposited: | 21 Aug 2017 01:56 |
| Last Modified: | 21 Aug 2017 01:56 |
| URI: | http://repository.its.ac.id/id/eprint/42359 |
Actions (login required)
 |
View Item |