Perpustakaan Digital ITB

Kemacetan merupakan salah satu isu yang cukup krusial di beberapa kota di Indonesia, termasuk kota-kota di provinsi Jawa Barat. Kemacetan membuat banyak kerugian seperti hilangnya waktu, kurangnya produktivitas, meningkatkan stress bagi pengemudi, dan akan berdampak pada kegiatan-kegiatan selanjutnya. Kemacetan disebabkan karena pertumbuhan kendaraan bermotor yang meningkat cukup signifikan tidak sebanding dengan pertumbuhan jalan raya (Rahayu, 2018), selain itu kemacetan juga disebabkan karena perjalanan yang tidak terencana dengan baik. Penelitian ini mengusulkan sebuah metode untuk membuat model prediksi kemacetan, agar pengemudi dapat merencanakan perjalanan dengan baik dan mengurangi kemacetan jalan raya. Metode yang diajukan pada penelitian ini yaitu algoritma gabungan LSTM dan Random Forest. LSTM merupakan model deep learning yang dikenal baik untuk mengatasi isu temporal dan sekuensial, sedangkan Random Forest merupakan model machine learning yang sudah banyak digunakan oleh peneliti-peneliti sebelumnya untuk memprediksi kemacetan dan memberikan hasil yang sangat baik. Random Forest memiliki kelebihan kuat dan stabil, serta memiliki risiko overfitting yang rendah. Penelitian terkait sudah banyak dilakukan sebelumnya, namun belum ada yang melakukan eksperimen menggunakan gabungan algoritma LSTM dan Random Forest. Hasil dari penelitian ini berhasil membuktikan bahwa algoritma gabungan LSTM dan Random Forest memberikan hasil yang lebih baik dibandingkan model LSTM dan Random Forest yang berdiri sendiri untuk kasus ini. Model gabungan memberikan nilai akurasi 28% lebih tinggi dibandingkan model Random Forest dan 1% lebih tinggi dibandingkan model LSTM.