Peramalan Jumlah Kecelakaan Lalu Lintas Menggunakan Metode Support Vector Regression

  • Ni Putu Ratindia Apriyanti Universitas Udayana
  • I Ketut Gede Darma Putra Universitas Udayana
  • I Made Suwija Putra Universitas Udayana

Abstract

Kecelakaan lalu lintas merupakan salah satu peristiwa yang sering terjadi dijalan yang dapat menyebabkan adanya korban jiwa. Pentingnya penelitian bertujuan untuk meramalkan kasus Kecelakaan Lalu Lintas di Provinsi Bali. Peramalan dilakukan dengan menerapkan teknik penambangan data atau yang sering disebut dengan data mining. Penambangan data (data mining) merupakan sekumpulan proses yang digunakan untuk mencari nilai yang tidak bisa didapatkan secara otomatisl. Peramalan dalam penelitian ini menggunakan Metode Support Vector Regression dengan 2 kernel yaitu Kernel Polynomial dan Kernel RBF. Data yang digunakan dari Tahun 2006 sampai dengan Tahun 2018. Data tersebut dikelompokkan menjadi data training dengan jumlah (9 data) dan data testing dengan jumlah (4 data). Hasil peramalan yang didapatkan dibandingkan dengan nilai persentase MAPE yang dihasilkan. Hasil peramalan menggunakan kernel Polynomial menghasilkan nilai Persentase MAPE sebesar 7,95% dimana hasil peramalan artinya “Sangat Bagus”. Hasil peramalan menggunakan kernel RBF memiliki persentase MAPE yang lebih besar yaitu 13.35% yang artinya hasil peramalan “Bagus”. Penggunaan dari dua kernel tersebut menyatakan bahwa dalam Metode Support Vector Regression untuk meramalkan kasus kecelakaan lalu lintas lebih tepat menggunakan Kernel Polynomial. Semakin kecil nilai persentase MAPE yang dihasilkan maka semakin bagus juga hasil peramalan yang didapatkan.

Published
2020-06-30
How to Cite
APRIYANTI, Ni Putu Ratindia; PUTRA, I Ketut Gede Darma; PUTRA, I Made Suwija. Peramalan Jumlah Kecelakaan Lalu Lintas Menggunakan Metode Support Vector Regression. Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), [S.l.], p. 72-80, june 2020. ISSN 2685-2411. Available at: <https://ojs.unud.ac.id/index.php/merpati/article/view/56524>. Date accessed: 21 nov. 2024. doi: https://doi.org/10.24843/JIM.2020.v08.i02.p01.
Section
Articles

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.