Hasil Pencarian  ::  Simpan CSV :: Kembali

"Traffic flow on roads is a database that forms the basis of traffic planning and decision-making. Traffic flow data can provide road usage information for road resource allocation, maintenance scheduling, and road infrastructure planning, which can help traffic management and control reduce congestion and ensure safety.The main objective of this research is to develop reproducible code using the R programming language, which is a statistical programming language with data processing, visualisation, and geospatial capabilities that are well suited for interactive use; also, scripts that allow others to reproduce the research and make further improvements based on the research (Lovelace et al., 2022). The GWPR method is used for modelling because it has more accurate and representative results (Yu, 2022), where modelling is applied in 2018 with normal traffic conditions and in 2020 with COVID-19 pandemic conditions where there are many restrictions on travel.The results of the analysis show that the traffic volume variable for each vehicle tends to have a high correlation among variables, which results in modelling having a high standard error value. However, the mode split variable can improve the traffic estimation modelling results.......Arus lalu lintas di jalan raya merupakan basis data yang menjadi dasar perencanaan lalu lintas dan pengambilan keputusan. Data arus lalu lintas dapat memberikan informasi penggunaan jalan untuk alokasi sumber daya jalan, penjadwalan pemeliharaan, dan perencanaan infrastruktur jalan, yang dapat membantu manajemen dan pengendalian lalu lintas untuk mengurangi kemacetan dan memastikan keselamatan.Tujuan utama dari penelitian ini adalah untuk mengembangkan kode yang dapat direproduksi menggunakan bahasa pemrograman R, yaitu bahasa pemrograman statistik dengan kemampuan pemrosesan data, visualisasi, dan geospasial yang sangat sesuai untuk penggunaan interaktif; juga, skrip yang memungkinkan orang lain mereproduksi penelitian ini dan melakukan perbaikan lebih lanjut berdasarkan penelitian tersebut (Lovelace dkk., 2022). Metode GWPR digunakan untuk pemodelan karena memiliki hasil yang lebih akurat dan representatif (Yu, 2022), di mana pemodelan diterapkan pada tahun 2018 dengan kondisi lalu lintas normal dan pada tahun 2020 dengan kondisi pandemi COVID-19 di mana terdapat banyak pembatasan perjalanan.Hasil analisis menunjukkan bahwa variabel volume lalu lintas untuk setiap jenis kendaraan cenderung memiliki korelasi antar variabel yang tinggi, yang mengakibatkan pemodelan memiliki nilai standard error yang tinggi. Namun, variabel moda split dapat memberikan hasil pemodelan estimasi lalu lintas."

"Tingkat kemacetan di Jakarta saat ini tergolong tinggi dan memiliki tren yang meningkat setiap tahu. Terdapat berbagai upaya yang dilakukan oleh pihak manajemen kemacetan untuk mengurangi kemacetan. Salah satu komponen yang perlu diperhatikan pada perencanaan upaya dalam mengurangi kemacetan adalah penemuan atribut yang memiliki pengaruh kepada tingkat kemacetan. Pendekatan machine learning (ML) pada beberapa tahun terakhir memberi hasil yang baik berdasarkan nilai metrik performa model. Maka, penelitian ini menggunakan algoritma ML, yaitu support vector machine (SVM), k-nearest neighbors (KNN), dan random forest (RF) untuk membangun model dalam memprediksi kemacetan serta menemukan faktor yang memiliki pengaruh terhadap kemacetan di ruas jalan. Variabel independen yang digunakan pada penelitian ini adalah jam, hari kerja, tanggal merah, curah hujan, ada tidaknya event, jam ganjil genap, volume motor, volume mobil, serta volume bus dan truk. Variabel dependen yang digunakan adalah tingkat kemacetan yang mewakili kecepatan rata-rata kendaraan di ruas jalan. Model dijalankan pada dua data, yakni pada data dengan variabel volume kendaraan dan data tanpa variabel kendaraan. Hasil penelitian menunjukkan model SVM, KNN, dan RF memberikan nilai akurasi, precision, recall, dan F1 score di atas 80% pada kedua data. Adapun faktor yang memiliki pengaruh kuat terhadap tingkat kemacetan terdiri dari jam dan jam ganjil genap pada data tanpa volume kendaraan serta volume motor, volume mobil, volume bus dan truk, jam, dan jam ganjil genap pada data dengan volume kendaraan.......The level of congestion in Jakarta is currently high and has an increasing trend every year. There are various efforts made by congestion management to reduce congestion. One component that needs to be considered in planning efforts to reduce congestion is the discovery of attributes that have an influence on the level of congestion. Machine learning (ML) approaches in recent years have provided good results based on the value of model performance metrics. So, this study uses ML algorithms, namely support vector machine (SVM), k-nearest neighbors (KNN), and random forest (RF) to build a model to predict congestion and find factors that have an influence on congestion on road sections. The independent variables used in this study are hours, weekdays, red dates, rainfall, presence or absence of events, even odd hours, motorcycle volume, car volume, and bus and truck volume. The dependent variable used is the level of congestion, which represents the average speed of vehicles on the road. The model was run on two data, namely on data with vehicle volume variables and data without vehicle variables. The results showed that the SVM, KNN, and RF models provided accuracy, precision, recall, and f1 score values above 80% on both data. The factors that have a strong influence on the level of congestion consist of hours and even odd hours on data without vehicle volume and motorcycle volume, car volume, bus and truck volume, hours, and even odd hours on data with vehicle volume."