Optimalisasi Rekayasa Lalu Lintas Melalui Teknologi Deteksi Objek
Article Sidebar
Main Article Content
Abstract
Pertumbuhan populasi dan urbanisasi yang pesat telah menyebabkan peningkatan signifikan dalam jumlah kendaraan, terutama di daerah perkotaan. Kondisi ini memicu berbagai masalah lalu lintas, seperti kemacetan dan polusi udara, yang berdampak negatif pada kehidupan sosial dan ekonomi masyarakat. Untuk mengatasi tantangan ini, diperlukan pendekatan rekayasa lalu lintas berbasis teknologi yang cerdas dan efisien. Penelitian ini membandingkan tiga metode utama—Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF), Decision Tree, dan Random Forest—dalam memprediksi kemungkinan terjadinya kemacetan pada suatu jalan. Menggunakan dataset lalu lintas yang mencakup faktor-faktor seperti volume kendaraan, kecepatan rata-rata, dan kondisi cuaca, setiap metode dilatih dan diuji untuk mengklasifikasikan data lalu lintas menjadi kategori kemacetan atau tidak. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik, dengan akurasi mencapai 91,06%, precision hingga 83,04%, recall sebesar 91,06%, dan F1-score tertinggi di antara metode yang diuji. Untuk SVM menunjukkan akurasi antara 89,52% hingga 90,04%, dan Decision Tree menunjukkan akurasi antara 87,03% hingga 87,39%. Random Forest menunjukkan keunggulan dalam memprediksi kemacetan lalu lintas dan dapat menjadi solusi andal untuk diterapkan dalam sistem rekayasa lalu lintas berbasis teknologi.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Sistem dan Informatika (JSI) bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di JSI setuju dengan ketentuan berikut:- JSI menggunakan perjanjian lisensi ekslusif, yaitu penulis memegang hak cipta atas artikel dan memberikan hak publikasi kepada Jurnal Sistem dan Informatika (JSI).
- JSI mempunyai hak ekslusif untuk mempublikasi dan mendistribusikan artikel secara sebagian atau keseluruhan, dan memberikan hak kepada orang lain sesuai dengan lisensi yang digunakan.
- JSI berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- JSI berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
- Artikel harus dirujuk, link terhadap lisensi harus disediakan, dan jika terdapat bagian artikel yang diubah harus ditandai.
- Jika artikel disadur sehingga terdapat perubahan, hasil saduran harus didistribusikan menggunakan lisensi yang sama.
- Tidak diperkenankan untuk membatasi orang lain terhadap apa yang diperbolehkan oleh lisensi.
References
P. Rani and R. Sharma, “Intelligent transportation system for internet of vehicles based vehicular networks for smart cities,” Comput. Electr. Eng., vol. 105, no. December 2022, p. 108543, 2023, doi: 10.1016/j.compeleceng.2022.108543.
L. Liu, A. Guevara, and J. E. Sanchez-Galan, “Identification and classification of road traffic incidents in Panama City through the analysis of a social media stream and machine learning,” Intell. Syst. with Appl., vol. 16, Nov. 2022, doi: 10.1016/j.iswa.2022.200158.
S. El Hamdani, N. Benamar, and M. Younis, “Pedestrian Support in Intelligent Transportation Systems: Challenges, Solutions and Open issues,” Transp. Res. Part C Emerg. Technol., vol. 121, Dec. 2020, doi: 10.1016/j.trc.2020.102856.
S. Mohammadian, M. M. Haque, Z. Zheng, and A. Bhaskar, “Integrating safety into the fundamental relations of freeway traffic flows: A conflict-based safety assessment framework,” Anal. Methods Accid. Res., vol. 32, Dec. 2021, doi: 10.1016/j.amar.2021.100187.
A. Ait Ouallane, A. Bakali, A. Bahnasse, S. Broumi, and M. Talea, “Fusion of engineering insights and emerging trends: Intelligent urban traffic management system,” Inf. Fusion, vol. 88, pp. 218–248, Dec. 2022, doi: 10.1016/j.inffus.2022.07.020.
V. Divya, R. Deepika, C. Yamini, and P. Sobiyaa, “An Efficient K-Means Clustering Initialization Using Optimization Algorithm,” Proc. 2019 Int. Conf. Adv. Comput. Commun. Eng. ICACCE 2019, 2019, doi: 10.1109/ICACCE46606.2019.9079998.
A. H. Alomari, T. S. Khedaywi, A. R. O. Marian, and A. A. Jadah, “Traffic speed prediction techniques in urban environments,” Heliyon, vol. 8, no. 12, Dec. 2022, doi: 10.1016/j.heliyon.2022.e11847.
S. Shakil, D. Arora, and T. Zaidi, “Feature based classification of voice based biometric data through Machine learning algorithm,” Mater. Today Proc., vol. 51, pp. 240–247, 2021, doi: 10.1016/j.matpr.2021.05.261.
K. Balachandar and R. Jegadeeshwaran, “Friction stir welding tool condition monitoring using vibration signals and Random forest algorithm - A Machine learning approach,” in Materials Today: Proceedings, 2021, vol. 46, pp. 1174–1180, doi: 10.1016/j.matpr.2021.02.061.
S. Khan and M. Narvekar, “Novel fusion of color balancing and superpixel based approach for detection of tomato plant diseases in natural complex environment,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 6, pp. 3506–3516, 2022, doi: 10.1016/j.jksuci.2020.09.006.
