Perpustakaan Digital ITB

Kemacetan lalu lintas sangat sulit diatasi dengan meningkatnya jumlah penduduk dan pemilik kendaraan bermotor tanpa adanya sistem yang dapat memprediksi dengan akurat. Maka dari itu, sistem prediksi arus lalu lintas yang akurat menjadi komponen yang penting dalam perkembangan Intelligent Transportation System (ITS). Pada kenyataannya pengaplikasian dari ITS belum sepenuhnya dilaksanakan dengan baik di Indonesia. Sebagian besar pemantauan lalu lintas masih dilakukan manual oleh operator melalui layar dan tidak dapat dilakukan prediksi secara kuantitatif dengan akurat. Beberapa tahun terakhir ketersediaan data lalu lintas telah meningkat dan telah memasuki era big data pada dunia transportasi. Namun, sampai saat ini masih dilakukan penelitian untuk mendapatkan metode prediksi yang memuaskan pada aplikasi di dunia nyata. Pada penelitian ini dilakukan eksplorasi metode untuk memprediksi arus lalu lintas menggunakan data temporal dengan mengikuti perkembangan teknologi menggunakan deep learning. Metode deep learning yang diusulkan pada penelitian ini adalah CNN – LSTM dengan masukan multivariasi. Metode CNN berfungsi untuk melakukan ekstraksi fitur pada variabel masukan yang mempengaruhi prediksi. Sedangkan, LSTM cocok digunakan untuk memproses informasi temporal dan memprediksi data deret waktu dengan jangka waktu yang lebih lama. Kedua metode tersebut dikombinasikan dengan harapan dapat meningkatkan performansi prediksi arus lalu lintas berdasarkan informasi arus lalu lintas pada setiap persimpangan yang berada pada jalur pengamatan. Penelitian ini menggunakan data latih selama satu minggu dengan sembilan variabel masukan untuk melakukan prediksi selama satu hari pada satu variabel keluaran berupa arus lalu lintas pada keluaran jalur pengamatan. Metode CNN–LSTM berhasil meningkatkan performansi prediksi dengan model 4 yang memiliki nilai MAPE 10,72%. Hasil ini lebih baik hingga 4% dibandingkan dengan metode prediksi klasik, LSTM, dan CNN biasa. Pengujian robustness juga dilakukan, dan CNN – LSTM dapat menangani data yang hilang hingga 15%. Hasil penelitian ini menunjukkan bahwa CNN – LSTM dapat digunakan sebagai metode prediksi arus lalu lintas yang performansinya lebih baik daripada metode klasik dan pembelajaran mesin biasa.