Tesis
Short-Term Prediction of Traffic Flow with Support Vector Machine to Reduce Congestion on Jakarta Inner-City Toll Roads
Kemacetan lalu lintas di ruas tol dalam kota Jakarta memerlukan suatu penanganan yang serius. Usulan yang ditawarkan berupa solusi prediksi jangka pendek yang akurat untuk mendukung sistem manajemen rekayasa lalu lintas. Penelitian ini menggunakan model Support Vector Machine (SVM) untuk memprediksi lalu lintas berdasarkan beberapa variabel yaitu kecepatan rata-rata, volume kendaraan, cuaca, dan waktu, dengan membandingkannya dengan model eksisting yaitu ARIMA. Data kemudian dilihat akurasinya menggunakan Mean Absolute Error (MAE), Mean Percentage Error (MPE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model SVM 1 yang hanya menggunakan variabel input volume kendaraan memiliki tingkat akurasi prediksi yang lebih baik dengan nilai MAE= 79,13, MPE= 5,51%, dan RMSE= 99,90 dibandingkan model SVM 2 (yang menggunakan variabel kecepatan rata-rata, volume kendaraan, cuaca, dan waktu) dan model eksisting ARIMA. Hasil prediksi jangka pendek juga dapat diimplementasikan dalam sistem manajemen lalu lintas untuk mengurangi kemacetan di ruas tol dalam kota Jakarta. Penyelesaian permasalahan kemacetan dapat memberikan dampak positif bagi PT Jasa Marga, antara lain peningkatan kepuasan pengguna jalan tol dan peningkatan pendapatan tol melalui peningkatan volume kendaraan yang terus menerus mengalir tanpa ada hambatan kemacetan.
| Call Number | Location | Available |
|---|---|---|
| T 377/25 | PSB lt.2 - Karya Akhir | 1 |
| Penerbit | Jakarta: Program Studi Magister Manajemen Fakultas Ekonomi dan Bisnis Universitas Indonesia 2025 |
|---|---|
| Edisi | - |
| Subjek | ARIMA Congestion short term traffic prediction traffic management Support Vector Machine |
| ISBN/ISSN | - |
| Klasifikasi | NONE |
| Deskripsi Fisik | xii, 87 p. : il. ; 30 cm |
| Info Detail Spesifik | Tesis |
| Other Version/Related | Tidak tersedia versi lain |
| Lampiran Berkas | Tidak Ada Data |