Perpustakaan Digital ITB

Kecelakaan lalu lintas merupakan penyebab kematian manusia terbesar kedua setelah penyakit, dengan mayoritas korbannya adalah usia produktif. Untuk mengurangi jumlah kecelakaan lalu lintas, penting untuk mengidentifikasi di mana dan kapan kecelakaan paling sering terjadi. Penelitian sebelumnya menyatakan bahwa metode Support Vector Regression (SVR), Random Forest, dan Decision Tree telah cukup baik dalam memprediksi kasus kecelakaan lalu lintas. Namun metode tersebut sebenarnya masih memiliki keterbatasan untuk menangkap dimensi spasial dalam dataset yang memiliki peranan penting dalam kasus prediksi kecelakaan lalu lintas. Pendekatan Spatio-Temporal Neural Network (STNN) adalah metode yang cukup baru namun unggul untuk memodelkan data spatio- temporal. Metode ini masih perlu ditingkatkan untuk mengatasi keterbatasan data spasial terkait kecelakaan lalu lintas di Kota Bandung. Dalam penelitian ini, metode STNN dibandingkan dengan Machine Learning tradisional untuk mengetahui metode yang paling sesuai dalam menghasilkan prediksi kecelakaan lalu lintas di Kota Bandung. Penelitian ini juga mengusulkan untuk menggunakan pendekatan statistik Getis Ord Gi* dalam pemrosesan data untuk dapat meningkatkan kinerja prediksi STNN. Hasil penelitian menunjukkan bahwa STNN secara konsisten memiliki kinerja yang lebih unggul dibandingkan dengan Machine Learning tradisional dalam menghasilkan prediksi hotspot kecelakaan lalu lintas di Kota Bandung. Penggunaan pendekatan statistik Getis Ord Gi* dalam pemrosesan data juga dapat meningkatkan kinerja STNN dengan penurunan nilai RMSE sebesar 0.00624 pada dataset Diskominfo dan sebesar 0.00386 nilai RMSE pada dataset Satlantas.