Prediksi Kemacetan Lalu Lintas Jalur Armada Bus Trans Metro Bandung Berbasiskan Machine Learning dan Internet of Things

Authors

DOI:

https://doi.org/10.34818/eoe.v9i6.19118

Abstract

Abstrak— Kemacetan adalah suatu hal yang tidak dapat dihindari dalam kehidupan sehari-hari bagi setiap orang khususnya untuk kota Bandung. Sistem monitoring untuk memantau kondisi lalu lintas di kota bandung khususnya di jalur armada bus Trans Metro Bandung dapat menjadi solusi dalam mengambil tindakan cepat oleh pihak yang berwajib ketika ada kemungkinan terjadi kemacetan. Selain itu, calon penumpang juga dapat mengetahui kondisi lalu lintas disepanjang jalur yang dilewati oleh bus Trans Metro Bandung pada jam dan hari-hari tertentu. Dalam penelitian tugas akhir ini bertujuan untuk membuat sistem monitoring kemacetan dengan memanfaatkan speed bus Trans Metro Bandung ketika sedang beroperasi untuk dijadikan sebagai indikasi kemacetan. Speed bus diperoleh dari GPS dengan Raspberry Pi 3B sebagai Microcomputer yang telah terpasang pada bus dan diproses ke model machine learning untuk mengklasifikasikan kemacetan berdasarkan historical data dari GPS. Adapun model Machine Learning yang digunakan adalah Decision Tree dan Random Forest. Pengujian hasil prediksi pada masing-masing model dilakukan dengan menggunakan confusion matrix dengan mengukur parameter Precision, Recall, F1-Score, dan Accuracy. Penentuan nilai Max Depth berdasarkan data train dan data test juga dilakukan untuk mendapatkan performansi terbaik dan melihat model apakah mengalami overfitting, underfitting atau tidak. Didapatkan Decision Tree sebagai model dengan perfomansi terbaik dengan nilai Accuracy sebesar 96.8% pada split data 80% data train dan 20% data test. Kata kunci— Bus Rapid Transit, Internet of Things, Machine Learning, Decision Tree, Random Forest, Trans Metro Bandung

Downloads

Download data is not yet available.

References

[1] CNN, “Bandung Kota Termacet se-Indonesia,

Ragam Solusi Disiapkan,” 2019.

https://www.cnnindonesia.com/nasional/20191007

205754-20-437595/bandung-kota-termacet-seindonesia-ragam-solusi-disiapkan.

[2] V. B. Kusnandar, “Jumlah Penduduk Kota Bandung

Sebanyak 2,44 juta Jiwa pada 2020,” 2021.

https://databoks.katadata.co.id/datapublish/2021/10

/01/jumlah-penduduk-kota-bandung-sebanyak-244-

juta-jiwa-pada-2020.

[3] E. Kinerja Trans Metro Bandung, L. dan Reni

Puspitasari, L. dan Reni Puspitasari Puslitbang

Perhubungan Darat dan Perkeretaapian, and J.

Medan Merdeka Timur Nomor, “Evaluasi Kinerja

Trans Metro Bandung Performance Evaluation of

Trans Metro Bandung,” pp. 65–78, 2015.

[4] S. Devi and T. Neetha, “Machine Learning based

traffic congestion prediction in a IoT based Smart

City,” Int. Res. J. Eng. Technol., pp. 3442–3445,

2017, [Online]. Available: www.irjet.net.

[5] Y. Liu and H. Wu, “Prediction of road traffic

congestion based on random forest,” Proc. - 2017

10th Int. Symp. Comput. Intell. Des. Isc. 2017, vol.

2, pp. 361–364, 2018, doi:

10.1109/ISCID.2017.216.

[6] P. Chakraborty, Y. O. Adu-Gyamfi, S. Poddar, V.

Ahsani, A. Sharma, and S. Sarkar, “Traffic

Congestion Detection from Camera Images using

Deep Convolution Neural Networks,” Transp. Res.

Rec., vol. 2672, no. 45, pp. 222–231, 2018, doi:

10.1177/0361198118777631.

[7] D. E., D. P., L. B., and M. F., “Real-Time Detection

of Traffic from Twitter Stream Analysis,” IEEE

Trans. Intell. Transp. Syst., vol. 16, no. 4, pp. 2269–

2283, 2015, [Online]. Available:

http://www.scopus.com/inward/record.url?eid=2-

s2.0-

84938802216&partnerID=40&md5=5747f5988b7a

2dbb4d7f8597f78d5572.

[8] M. A. Khan and S. F. Khan, “IoT based framework

for Vehicle Over-speed detection,” 1st Int. Conf.

Comput. Appl. Inf. Secur. ICCAIS 2018, pp. 1–4,

2018, doi: 10.1109/CAIS.2018.8441951.

[9] C. Wai Zhao, J. Jegatheesan, and S. Chee Loon,

“Exploring IOT Application Using Raspberry Pi,”

Int. J. Comput. Networks Appl., vol. 2, no. 1, pp. 27–

34, 2015, [Online]. Available: http://www.digi.com.

[10] E. Susanti and J. Triyono, “Pengembangan Sistem

Pemantau dan Pengendalian Menggunakan

Raspberry Pi dan Firebase,” J. Konf. Nas. Teknol.

Inf. dan Komun. (KNASTIK 2016), vol. 1, no. 1, pp.

144–153, 2016.

[11] A. Roihan, P. A. Sunarya, and A. S. Rafika,

“Pemanfaatan Machine Learning dalam Berbagai

Bidang: Review paper,” IJCIT (Indonesian J.

Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020,

doi: 10.31294/ijcit.v5i1.7951.

[12] A. Ajay Shingare and N. C. and P. Deshpande, “GPS

Supported City Bus Tracking & Smart Ticketing

System,” pp. 93–98, 2015.

[13] Y. Ren, “Python Machine Learning : Machine

Learning and Deep Learning With Python ,” Int. J.

Knowledge-Based Organ., vol. 11, no. 1, pp. 67–70,

2021.

[14] A. Priyam, R. Gupta, A. Rathee, and S. Srivastava,

“Comparative Analysis of Decision Tree

Classification Algorithms,” pp. 334–337, 2013.

[15] Z. Azmi and M. Dahria, “Decision Tree Berbasis

Algoritma Untuk Pengambilan Keputusan,”

Saintikom, vol. 12, pp. 157–164, 2013, [Online].

Available:

http://demo.pohonkeputusan.com/files/DECISION

TREE BERBASIS ALGORITMA UNTUK

PENGAMBILAN KEPUTUSAN.pdf?i=1.

[16] E. Fitri, “Analisis Sentimen Terhadap Aplikasi

Ruangguru Menggunakan Algoritma Naive Bayes,

Random Forest Dan Support Vector Machine,” J.

Transform., vol. 18, no. 1, p. 71, 2020, doi:

10.26623/transformatika.v18i1.2317.

[17] J. Yang, J. Gong, W. Tang, Y. Shen, C. Liu, and J.

Gao, “Delineation of Urban Growth Boundaries

Using a Patch-Based Cellular Automata Model

under Multiple Spatial and Socio-Economic

Scenarios.”

[18] A. Sharma, “Confusion Matrix in Machine

Learning,” Www.Geeksforgeeks.Org, 2018,

[Online]. Available:

https://www.geeksforgeeks.org/confusion-matrixmachine-learning/.

[19] A. Yuliana and D. B. Pratomo, “Memprediksi

Kepuasan Mahasiswa Terhadap Kinerja Dosen

Politeknik TEDC Bandung,” Semnasinotek 2017,

pp. 377–384, 2017.

Downloads

Published

2022-12-01

Issue

Pages

3779-3787

Section

Program Studi S1 Teknik Telekomunikasi

How to Cite

Buushiri, M., Munadi, R., & Sussi, S. (2022). Prediksi Kemacetan Lalu Lintas Jalur Armada Bus Trans Metro Bandung Berbasiskan Machine Learning dan Internet of Things. EProceedings of Engineering, 9(6), 3779-3787. https://doi.org/10.34818/eoe.v9i6.19118