Prediksi Kemacetan Lalu Lintas Jalur Armada Bus Trans Metro Bandung Berbasiskan Machine Learning dan Internet of Things
DOI:
https://doi.org/10.34818/eoe.v9i6.19118Abstrak
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 BandungUnduhan
Referensi
[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.



