Detail Cantuman

Pengelolaan lalu lintas jalan tol membutuhkan data historis yang akurat untuk memperkirakan volume kendaraan dan mencegah kemacetan. Prediksi yang tepat memungkinkan pengelola mengambil langkah strategis guna menjaga kelancaran arus kendaraan. Penelitian ini membandingkan kinerja tiga algoritma machine learning, yaitu Regresi Linear Berganda (RLB), Support Vector Regression (SVR), dan Extreme Gradient Boosting (XGBoost), menggunakan data historis dari PT Jasa Marga. Evaluasi dilakukan dengan metrik Mean Absolute Percentage Error (MAPE) untuk mengukur akurasi prediksi. Hasil menunjukkan bahwa RLB memberikan performa terbaik dengan MAPE 0,06%, diikuti oleh XGBoost 1,01%, dan SVR 1,08%. Temuan ini memperlihatkan bahwa meskipun model non-linear seperti XGBoost dan SVR memiliki kemampuan menangkap pola yang kompleks, model linear sederhana seperti RLB justru lebih sesuai dengan karakteristik data penelitian ini. Kesimpulannya, pemilihan model prediksi tidak selalu ditentukan oleh kompleksitas algoritma, melainkan kesesuaian dengan pola data. Hasil penelitian ini diharapkan dapat menjadi dasar rekomendasi bagi PT Jasa Marga dan pengelola tol lainnya dalam merancang strategi pengelolaan lalu lintas berbasis prediksi, sehingga pelayanan bagi pengguna jalan dapat lebih optimal.
Toll road traffic management requires accurate historical data to estimate vehicle volume and prevent congestion. Accurate predictions enable operators to take strategic measures to maintain smooth traffic flow. This study compares the performance of three machine learning algorithms, namely Multiple Linear Regression (MLR), Support Vector Regression (SVR), and Extreme Gradient Boosting (XGBoost), using historical data from PT Jasa Marga. The evaluation was carried out using the Mean Absolute Percentage Error (MAPE) metric to measure prediction accuracy. The results show that MLR achieved the best performance with a MAPE of 0.06%, followed by XGBoost with 1.01%, and SVR with 1.08%. These findings indicate that although non-linear models such as XGBoost and SVR are capable of capturing more complex patterns, the simpler linear model, MLR, is more suitable for the characteristics of this dataset. In conclusion, the selection of a predictive model is not always determined by the complexity of the algorithm but rather by its compatibility with the data patterns. The findings of this research are expected to serve as a foundation for providing recommendations to PT Jasa Marga and other toll operators in developing traffic management strategies based on predictive analytics, thereby improving service for road users.