PERAMALAN ARUS LALU LINTAS BERDASARKAN WAKTU TEMPUH DAN CUACA MENGGUNAKAN METODE TIME SERIES DECOMPOSITION

##plugins.themes.academic_pro.article.main##

Muhammad Hudzaifah
Ali Akbar Rismayadi

Abstract

Prediksi lalu lintas telah menjadi tren topik penelitian untuk pengembangan transportasi cerdas. Permasalahan lalu lintas pada setiap negara khususnya negara berkembang permasalahan masyarakat umum yang terjadi yaitu tidak dapat memprediksi kondisi lalu lintas di masa yang akan datang. Kondisi lalu lintas pada waktu tertentu berbeda dengan kondisi lalu lintas pada saat yang berbeda karena kebiasaan masyarakat yang berbeda pada setiap waktunya. Kondisi lalu lintas juga dipengaruhi oleh kondisi cuaca pada saat itu. Dengan mengolah data arus lalu lintas yang dijadikan faktor untuk menganalisa kondisi lalu lintas. Prediksi lalu lintas yang akurat dan efektif akan memberikan informasi arus lalu lintas sesuai kepada pengguna jalan dan efektif dalam memecahkan kepadatan arus lalu lintas. Pada penelitian ini penulis mengusulkan metode Time Series decomposition guna melakukan prediksi lalu lintas. Metode time series decomposition adalah metode peramalan dengan menggunakan analisa pola hubungan antara variable yang akan diperkirakan dengan variable waktu. Secara umum time series mengalisa 4 pola data yaitu pola trend, seasonal, pola horizontal dan pola siklis. Data yang hitung pada penelitian yaitu data waktu tempuh perjalan dan kondisi cuaca. Metode prediksi time series decomposition diterapkan pada pada aplikasi mobile berbasis android agar pengguna dapat mengetahui informasi prediksi melalui smartphone. Hasil dari penelitian ini menghasilkan prediksi dengan nilai error RMSE sebesar 3.80%. Hasil tersebut membuktikan bahwa metode time series decomposition dapat digunakan untuk membantu prediksi lalu lintas.

##plugins.themes.academic_pro.article.details##

References

Aghnaita, F. K. (2016). Peramalan Jumlah Penjualan Tiket Kereta Api Di Stasiun Semarang Poncol Tahun 2016 Menggunakan Metode Dekomposisi. http://lib.unnes.ac.id/26629/
Apostolakis, J. (2009). An introduction to data mining. In Data Mining in Crystallography (pp. 1-35). Springer, Berlin, Heidelberg.
Ashari. (2012). Penerapan Metode Times Series Dalam Simulasi Forecasting Perkembangan Akademik Mahasiswa. Stmikakba, 2(1), 9–16.
Fitria, J. D., Karohmah, N., & Sunarmi. (2016). Peramalan Jumlah Pasien DBD Di RSUD Dr. Soeselo Slawi Dengan Metode Dekomposisi Dan Triple Exponential Smoothing Winter’s. In Seminar Nasional Pendidikan, Sains dan Teknologi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Muhammadiyah Semarang (pp. 145–152).
Hidayah, N., Purnamasari, I., & Hayati, M. N. (2017). Penerapan metode fuzzy time series using percentage change. Jurnal Eksponensial, 7(2), 187–192. http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/67
Julianto, E. N. (2010). Hubungan Antara Kecepatan, Volume Dan Kepadatan Lalu Lintas Ruas Jalan Siliwangi Semarang. Jurnal Teknik Sipil Dan Perencanaan, 12(2), 151–160. https://doi.org/10.15294/jtsp.v12i2.1348
Mardiati, R. (2014). Studi Tentang Pemodelan Arus Lalu Lintas. Jurusan Teknik Elektro, VIII(2), 177–198.
Metisen, B. M., & Sari, H. L. (2015). Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila. Jurnal Media Infotama, 11(2), 110–118.
Ryan, F., & Wijanarto, W. (2018). Analisis Dan Implementasi Model Peramalan Berbasis Algoritma Moving Avarage Untuk Nilai Tukar Rupiah Terhadap Dolar. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 381–394. https://doi.org/10.24176/simet.v9i1.1997
Safaat, N. (2012). Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. In Android (Cetakan Pe). Informatika Bandung.
Virrayyani, A., & Sutikno, S. (2016). Prediksi Penjualan Barang Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS). Khazanah Informatika: Jurnal Ilmu Komputer Dan Informatika, 2(2), 57. https://doi.org/10.23917/khif.v2i2.2554