Article Details

ANALISA KINERJA SUPPORT VECTOR REGRESSION (SVR) UNTUK PREDIKSI KEMACETAN

Oleh   Nindy Irzavika [23516004]
Kontributor / Dosen Pembimbing : Dr. Ir. Gusti Ayu Putri Saptawati S., M.Comm.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : support vector regression, k-fold cross validation, fuzzy comprehensive evaluation, map-matching, prediksi kemacetan.
Sumber :
Staf Input/Edit : karya  
File : 2 file
Tanggal Input : 2019-08-09 15:10:02

Generic placeholder image

Abstrak

PUBLIC

Generic placeholder image

Abstract

PUBLIC


Kemacetan menjadi hal yang tidak dapat dihindari terutama di kota-kota besar di Indonesia. Prediksi kemacetan menjadi solusi untuk dapat mengurangi kemacetan. Pada penelitian ini prediksi kondisi lalu lintas dilakukan dengan menggunakan metode Support Vector Regression (SVR). SVR merupakan Support Vector Machine (SVM) yang digunakan untuk regresi. Penggunaan SVR pada penelitian ini karena data GPS merupakan data non-linear dan data time-series. Tahapan yang dilakukan untuk prediksi kemacetan adalah tahapan praproses menggunakan map- matching, menentukan parameter kemacetan, memprediksi kemacetan menggunakan SVR, mengevaluasi kinerja model SVR menggunakan k-fold cross- validation, dan menentukan tingkat kemacetan menggunakan Fuzzy Comprehensive Evaluation (FCE). Map-matching digunakan karena terdapat data GPS yang tidak merepresentasikan posisi sebenarnya dan tidak tepat berada di jalan. Penelitian ini bertujuan untuk mengetahui kinerja SVR untuk prediksi kemacetan. Data yang digunakan adalah data perjalanan taksi salah satu perusahaan taksi di kota Bandung dan data jalan kota Bandung yang diperoleh dari OpenStreetMap. Skenario pengujian yang dilakukan adalah pengujian kinerja model SVR dengan menghitung nilai error MAE dan RMSE, pengujian kinerja model SVR dengan menerapkan k-fold cross-validation, pengujian akurasi model SVR, serta pengujian dengan membandingkan hasil prediksi dengan kondisi sebenarnya. MAE dan RMSE merupakan metrik untuk mengukur akurasi variabel. MAE mengukur rata- rata kesalahan dalam model prediksi tanpa mempertimbangkan arahnya. RMSE mengukur rata-rata kesalahan antara prediksi dengan observasi aktual. iv Berdasarkan eksperimen yang dilakukan kernel SVR yang memiliki akurasi paling baik adalah kernel RBF dan kernel polinomial, tetapi kernel RBF2 dan kernel liniar memiliki nilai error MAE dan RMSE terkecil dibandingkan dengan kernel lainnya. Oleh karena itu hasil pengujian pada penelitian ini menunjukkan bahwa model SVR memiliki kinerja yang baik untuk prediksi kemacetan, hal tersebut ditunjukkan dengan nilai akurasi model yang tinggi dan nilai error yang kecil serta hasil prediksi yang sama dengan kondisi sebenarnya.