Perpustakaan Digital ITB

Pengaturan lalu lintas sering dilakukan untuk mengatasi kemacetan yang diakibatkan kepadatan dan jalan yang memiliki kapasitas berlebih. Namun, pengaturan ini masih memanfaatkan informasi yang didapatkan dari berbagai entitas di jalan, yaitu polisi dan petugas dinas perhubungan. Pengamatan kondisi dan situasi di jalan masih bersifat subjektif sehingga pengaturan lalu lintas pun menjadi subjektif. Smart city menjadi terobosan baru untuk membantu permasalah kota, terutama kepadatan. Dengan permasalahan dan peluang tersebut, sistem prediksi kepadatan menjadi sarana pengendalian kepadatan dan menjadi bagian dari Intelligent Transportation System (ITS). Dalam penelitian tesis ini, dibangun model prediksi kepadatan lalu lintas dengan menggabungkan model Autoregressive Integrated Moving Average (ARIMA) dan Long Short Term Memory (LSTM). ARIMA digunakan dalam pemodelan pertama yang membantu prediksi dalam bentuk linear. LSTM digunakan untuk melengkapi bentuk prediksi non-linear yang sesuai dengan karakteristik kepadatan jalan. Penelitian ini menggunakan metodologi CRISP-DM yang terbagi dalam lima tahap, yaitu pemahaman kebutuhan bisnis, pemahaman data, pembersihan dan persiapan data, optimasi parameter dan pemodelan, serta evaluasi. Dalam tahap pemrosesan data, dilakukan penyeimbangan data dengan undersampling. Dalam optimisasi parameter dan pemodelan, digunakan grid search dengan k-fold cross validation. Dalam tahap evaluasi, digunakan 2 metrik, yaitu RMSE dan MAPE. Penelitian ini dilakukan dengan data lalu lintas California. Hasil dari penelitian ini menunjukkan bahwa algoritme memberikan hasil yang lebih optimal dengan nilai RMSE sebesar 954 dan MAPE sebesar 101.013.