Sebagian besar dari kota-kota besar di dunia mengalami permasalahan kemacetan,
salah satunya adalah di Kota Bandung, Indonesia. Peran Intelligent Transportation
System (ITS) adalah menciptakan transportasi yang aman dan nyaman bagi para
pengendara, dan lebih spesifik lagi diharapkan dapat mengurangi kemacetan. Salah
satu pendekatan yang merupakan cabang dari ITS untuk mengurangi kemacetan
adalah traffic signal control. Penelitian sebelumnya banyak menggunakan metode
deep reinforcement learning untuk optimasi pendekatan traffic signal control.
Dengan mempertimbangkan computational costs dimiliki oleh deep reinforcement
learning, pada penelitian ini telah menggunakan classical machine learning dengan
computational costs yang lebih rendah untuk pendekatan traffic signal control
dalam mengurangi kemacetan. Dengan berdiskusi dengan Dinas Perhubungan Kota
Bandung sebagai domain expert, terdapat salah satu bentuk traffic signal control
berupa pemberian sinyal intervensi waktu siklus lampu lalu lintas pada saat waktu
dan jalan tertentu. Objek dari penelitian ini adalah Simpang Soekarno-Hatta dan
Simpang Buah Batu, Bandung yang merupakan salah satu simpang terpadat. Yang
menjadi tantangan adalah operator Dinas Perhubungan Kota Bandung masih
memberikan sinyal intervensi secara manual dengan mengamati lewat kamera lalu
lintas. Sehingga, tujuan dari penelitian ini adalah melakukan dataset preprocessing
yang sesuai, dan membangun model machine learning untuk memprediksi
intervensi waktu siklus lampu lalu lintas. Dataset yang digunakan, memiliki
karakteristik temporal/time-series sehingga terdapat set fitur time-series untuk
menjadi data latih bagi model machine learning. Pada penelitian ini, digunakan
metode baru yang bernama ROPP (Replace Outlier per Period) dengan FFT (Fast
Fourier Transform) sebagai salah satu tahap time-series data preprocessing.
Setelah melakukan training dan evaluasi model machine learning, didapatkan
bahwa terjadi peningkatan performance model machine learning ketika
menggunakan ROPP dan FFT. Lebih lanjut lagi, dengan metode feature selection
didapatkan model prediksi intervensi terbaik untuk Simpang Soekarno-Hatta fasa
timur memiliki AUC score 78.38% dengan Random Forest, dan model terbaik
untuk Simpang Buah Batu memiliki AUC score 75.01% dengan XGBoost.