ORIEHANNA ESESIAWATI NRP Dosen Pembimbing: Wiwik Anggraeni, S.Si, M.Kom Faizal Mahananto, S.Kom, M.Eng, Ph.D

Transkripsi

1 TUGAS AKHIR KS PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA) SHORT-TERM TRAFFIC FLOW FORECASTING USING K- NEAREST NEIGHBOR METHOD (CASE STUDY: BASUKI RAHMAT SURABAYA STREET) ORIEHANNA ESESIAWATI NRP Dosen Pembimbing: Wiwi Anggraeni, S.Si, M.Kom Faizal Mahananto, S.Kom, M.Eng, Ph.D DEPARTEMEN SISTEM INFORMASI Faultas Tenologi Informasi Institut Tenologi Sepuluh Nopember Surabaya A-i

2 ii TUGAS AKHIR KS PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA) SHORT-TERM TRAFFIC FLOW FORECASTING USING K- NEAREST NEIGHBOR METHOD (CASE STUDY: BASUKI RAHMAT SURABAYA STREET) ORIEHANNA ESESIAWATI NRP Dosen Pembimbing: Wiwi Anggraeni, S.Si, M.Kom Faizal Mahananto, S.Kom, M.Eng, Ph.D DEPARTMENT OF INFORMATION SYSTEM FACULTY OF INFORMATION TECHNOLOGY Sepuluh Nopember Institute of Technology Surabaya

3 i LEMBAR PENGESAHAN PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA) TUGAS AKHIR Disusun untu Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer pada Departemen Sistem Informasi Faultas Tenologi Informasi Institut Tenologi Sepuluh Nopember Oleh: ORIEHANNA ESESIAWATI NRP Surabaya, KETUA DEPARTEMEN SISTEM INFORMASI Dr. Ir. Aris Tjahyanto, M.Kom. NIP

4 ii LEMBAR PERSETUJUAN PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA) TUGAS AKHIR Disusun untu Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer pada Departemen Sistem Informasi Faultas Tenologi Informasi Institut Tenologi Sepuluh Nopember Oleh: ORIEHANNA ESESIAWATI NRP Disetujui Tim Penguji: Tanggal Ujian : Juli Periode Wisuda : September Wiwi Anggraeni, S.Si, M.Kom Faizal Mahananto, S.Kom, M.Eng, Ph.D (Pembimbing ) (Pembimbing ) Edwin Risaomara, S.Kom, M.T (Penguji ) Ahmad Muhlason, S.Kom., M.Sc, Ph.D (Penguji )

5 PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA) Nama Mahasiswa : Oriehanna Esesiawati NRP : Departemen : Sistem Informasi FTIf ITS Dosen Pembimbing : Wiwi Anggraeni, S.Si, M.Kom Dosen Pembimbing : Faizal Mahananto, S.Kom, M.Eng, Ph.D iii ABSTRAK Kepadatan arus lalu lintas sering ali menyebaban emacetan pada jalur yang ramai dilalui oleh pengendara. Terdapat beberapa fator yang menyebaban emacetan diantaranya adalah volume endaraan yang meningat pesat dan tingginya pertumbuhan pendudu pada ota-ota besar seperti Surabaya. Pengambilan data untu menganalisis data arus lalu lintas masu dilauan secara tradisional, yaitu melauan survey lapangan, sedangan arus lalu lintas yang terjadi tida mudah diteba. Untu itu, diperluan sebuah peramalan arus lalu lintas dari data history yang telah ada dengan mempertimbangan esamaan atau emiripan pola arus lalu lintas dari data histori yang ada menggunaan algoritma K-Nearest Neighbor. K- Nearest Neighbor adalah metode yang sangat mempertimbangan nilai yang optimal untu mendapatan hasil peramalan yang aurat. Penelitian yang dilauan menggunaan metode K-Nearest Neighbor adalah peramalan arus lalu lintas janga pende pada jalan Basui Rahmat Surabaya. Input yang digunaan dalam melauan peramalan adalah data histori jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya. Adapun beberapa tipe endaraan yang digunaan dalam peramalan

6 iv adalah mobil pribadi, motor, tasi, angot, bus besar, bus mini, mini tru dan tru sb. Output yang dihasilan dari penggunaan metode K-Nearest Neighbor adalah jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya pada tahun. Dari hasil penelitian, didapatan bahwa model terbai pada masingmasing data memilii optimal adalah = dengan error, untu model terbai motor, = dengan error, untu model mobil, = dengan error, untu model angot, = dengan error, pada model bus besar, = dengan error, pada model bus mini, = dengan error, pada model mini tru, = dengan error, pada model tasi, dan = dengan error, untu model tru SB. Model terbai pada masing-masing data aan dijadian acuan untu peramalan. Hasil peramalan menjelasan bahwa minimal endaraan yang melintas di jalan Basui Rahmat adalah dan masimal endaraan yang melintas adalah endaraan. Dari hasil tersebut dapat dietahui watu tersenggang dan terpadat pada jalan Basui Rahmat adalah puul.-. dan.-.. Hasil peramalan yang didapatan dapat dibuat acuan atau pengambilan solusi untu penanganan arus lalu lintas yang aan datang pada jalan Basui Rahmat Surabaya. Kata Kunci : Peramalan, Arus lalu lintas janga pende, K- Nearest Neighbor

7 SHORT-TERM TRAFFIC FLOW FORECASTING USING K-NEAREST NEIGHBOR METHOD (STUDY CASE: BASUKI RAHMAT SURABAYA STREET) Student Name : Oriehanna Esesiawati NRP : Department : Sistem Informasi FTIf ITS Supervisor : Wiwi Anggraeni, S.Si, M.Kom Supervisor : Faizal Mahananto, S.Kom, M.Eng, Ph.D v ABSTRACT The density of traffic flows often causes congestion on the busy lane of the rider. There are several factors that cause congestion such as increasing vehicle s volume rapidly and high population growth in big cities such as Surabaya. Data collection to analyze traffic flow is done traditionally, that is conducting field survey, while the flow of traffic that happens is not easy to guess. Therefore, it is necessary to forecast traffic flow from existing historical data by considering similarity or similarity of traffic flow pattern from existing historical data using K-Nearest Neighbor algorithm. K-Nearest Neighbor is a method that greatly considers the optimal value to get accurate forecasting results. Research conducted using K-Nearest Neighbor method is shortterm traffic flow forecasting on the Basui Rahmat Surabaya street. The input used in the forecasting is the history of the number of vehicles on the Basui Rahmat Surabaya street. The several types of vehicles used in forecasting are cars, motorcycles, taxis, public transportation, large buses, mini buses, mini trucs and sb trucs.

8 vi Output from using K-Nearest Neighbor method is the number of vehicles that go on the Basui Rahmat Surabaya street in. From the research result, got the best model on each data having error equal to, with = for car best model, = with error, for motorcycle best model, = with error, for best model of public transportation, = With an error of, on the large bus best model, = with error of, on the mini bus best model, = with error, on the mini truc best model, = with error, on taxi best model, and = with error, for SB truc best model. The best model in each data will be used as a reference for forecasting. Result of forecasting in explained that the minimum vehicle that passes on the Basui Rahmat street is and the maximum vehicle that passes is vehicles. So, from the result nown that the traffic is light at.-. and the heavy traffic is at.-.. Result of forecasting obtained can be made reference or solution for the handling of traffic flow that will come on the Basui Rahmat Surabaya street.

9 KATA PENGANTAR vii Puji syuur penulis panjatan epada Allah SWT yang telah melimpahan rahmat, taufi serta hidayah-nya sehingga penulis dapat menyelesaian buu Tugas Ahir dengan tepat watu yang berjudul PERAMALAN ARUS LALU LINTAS JANGKA PENDEK MENGGUNAKAN METODE K- NEAREST NEIGHBOR (STUDI KASUS: JALAN BASUKI RAHMAT SURABAYA). Pada esempatan ali ini, penulis ingin menyampaian ucapan terima asih epada semua piha yang telah menduung, mengarahan, membimbing, membantu, dan memberian semangat epada penulis, yaitu antara lain epada:. Allah SWT, atas ridho dan segala emudahan yang diberian untu penulis, sehingga penulis dapat menyelesaian tugas ahir tepat watu.. Kedua orang tua penulis, Bapa Sih Cahyo Wardayanto dan Ibu Sri Purwaningsih atas segala duungan, bimbingan, tempat mencurahan eluh esah dan doa yang diberian untu penulis.. Kedua adi andung penulis, Ozora dan Gilang, yang senantiasa selalu memberian semangat dan duungan.. Kedua dosen pembimbing, Pa Faizal dan Bu Wiwi, yang selalu membimbing, mengarahan dan membantu penulis untu menyelesaian tugas ahir.. Dosen wali, Pa Arif Djunaedy, yang selalu menduung penulis selama uliah.. Teman-teman MAFIA (iin, frisa, pitong, aput, jember, ucan, adit, lugas, nanda, rica, deri, edo, jisung, rumo, bli, yere) teman-teman pertama penulis saat masu uliah dan selalu menjadi yang terbai sampai ahir peruliahan dan sampai nanti. Yang selalu memberian penulis saran, menduung dan membuat

10 viii hari-hari dunia peruliahan tida membosanan dan menjenuhan.. Teman-teman AWCE (garin, chitra, cesar, itty, jui, pauy, pandu, icam) yang selalu yes etia berurusan dengan maanan dan uliner.. Teman-teman KEONG CLUB (sherly, niswa, yurah, sarah, fian, ita, firzu, mahes, rr, selina, visha) yang selalu ada dalam sua dan dua dari jaman maba.. Teman-teman Lab RDIB yang selalu memberian semangat, motivasi dan enangan selama satu tahun terahir di ampus.. Teman-teman yang turut membantu dan tida enal lelah direpoti untu ditanya-tanya mengenai tugas ahir penulis (Maul, Ofi, Lily, Ervi).. Teman-teman BELTRANIS yang menjadi eluarga selama tahun penulis uliah di ITS. Tida ada sesuatu hal yang sempurna ecuali Allah SWT, tida terecuali juga untu penyusunan buu Tugas Ahir ini. Penyusunan Tugas Ahir ini masih banya eurangan dan jauh dari ata sempurna. Oleh arena itu penulis menerima segala riti dan saran demi esempurnaan untu perbaian di masa mendatang. Semoga buu Tugas Ahir ini dapat memberian manfaat bagi pembaca dan menjadi sebuah ontribusi bagi ilmu pengetahuan.

11 ix DAFTAR ISI ABSTRAK...iii ABSTRACT... v KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR GAMBAR...xiii DAFTAR TABEL... xiv BAB I PENDAHULUAN.... Latar Belaang Masalah.... Perumusan Masalah.... Batasan Masalah.... Tujuan Penelitian Tugas Ahir.... Manfaat Penelitian Tugas Ahir.... Relevansi... BAB II TINJAUAN PUSTAKA.... Penelitian Sebelumnya.... Profil Daerah Studi Kasus.... Arus Lalu Lintas.... Kemiripan Pola Arus Lalu Lintas.... Peramalan.... Pola Data dalam Peramalan.... Janga Watu Peramalan.... Error Peramalan.... Algoritma K-Nearest Neighbor (K-NN).... Euclidean Distance...

12 x. Tahapan Analisa Algoritma K-Nearest Neighbor.... Pemilihan Data..... Analisis Data..... Estimasi Parameter untu K-NN dalam Peramalan Arus Lalu Lintas..... Identifiasi nilai K yang optimal..... Identifiasi Penguuran Jara Optimum... BAB III METODOLOGI PENELITIAN.... Diagram Metodologi.... Uraian Metodologi..... Identifiasi Masalah..... Studi Literatur..... Menentuan Metode Penelitian..... Pengumpulan Data..... Analisa Algoritma K-Nearest Neighbor Pemilihan Data Normalisasi data Menentuan Parameter Proses Ting dan Testing Menentuan Model Terbai Melauan Peramalan Analisa Hasil Peramalan..... Penyusunan Laporan Tugas Ahir... BAB IV PERANCANGAN.... Pengumpulan dan Pra-Proses data...

13 .. Pengumpulan data Gambaran data..... Pra-Proses data.... Pemilihan data.... Proses Ting dan Testing..... Menentuan Jara Optimal..... Menentuan nilai K..... Output Ting dan Testing..... Perhitungan Error Model Ting dan Testing.... Peramalan..... Penggunaan data..... Menentuan tujuan..... Melauan peramalan dengan Model Terbai.. Hasil peramalan.... Analisa hasil peramalan... BAB V IMPLEMENTASI.... Normalisasi data.... Pemisahan Data untu Ting dan Testing.... Proses Ting dan Testing..... Menentuan Input pada Proses Ting dan Testing..... Menjalanan Proses Ting dan Testing..... Denormalisasi Hasil Ting dan Testing..... Error Model Ting dan Testing..... Menentuan Model Terbai... xi

14 xii. Peramalan... BAB VI HASIL DAN ANALISA.... Hasil dan Analisa Proses Ting dan Testing Ting dan Testing pada Data Motor Ting dan Testing pada Data Mobil Ting dan Testing pada Data Angot Ting dan Testing pada Data Bus Besar Ting dan Testing pada Data Bus Mini Ting dan Testing pada Data Mini Tru Ting dan Testing pada Data Tasi Ting dan Testing pada Data Tru SB.... Hasil dan Analisa Model Terbai.... Hasil dan Analisa Peramalan... BAB VII KESIMPULAN DAN SARAN.... Kesimpulan.... Saran... DAFTAR PUSTAKA... BIODATA PENULIS... LAMPIRAN A DATA MENTAH... A- LAMPIRAN B DATA NORMALISASI...B- LAMPIRAN C SCRIPT R...C- LAMPIRAN D ERROR MODEL TRAINING DAN TESTING... D- LAMPIRAN E HASIL PERAMALAN... E- LAMPIRAN F DATA PERAMALAN... F-

15 DAFTAR GAMBAR xiii Gambar. Metodologi penelitian... Gambar. Alur pengerjaan K-NN... Gambar. Grafi jumlah motor tahun -... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi jumlah motor tahun periode... Gambar. Grafi normalisasi data motor... Gambar. Hasil peramalan motor tahun periode... Gambar. Grafi persentase jumlah endaraan tahun periode... Gambar. Grafi total endaraan pada jalan Basui Rahmat tahun periode...

16 xiv (halaman ini sengaja diosongan)

17 DAFTAR TABEL xv Tabel. Penelitian sebelumnya... Tabel. Penelitian sebelumnya... Tabel. Penelitian sebelumnya... Tabel. Signifiansi nilai MAPE... Tabel. Hasil Normalisasi... Tabel. Error model untu data observasi periode dan periode... Tabel. Error model untu data observasi periode dan periode... Tabel. Error model untu data observasi periode dan periode... Tabel. Error model untu data observasi periode dan periode... Tabel. Error model untu data observasi periode. Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error ting dan ing data motor dengan data observasi tahun periode...

18 xvi Tabel. Error ting dan ing data motor dengan data observasi tahun periode... Tabel. Error model ing pada data motor... Tabel. Error model ing pada data mobil... Tabel. Error model ing pada data angot... Tabel. Error model ing pada data bus besar... Tabel. Error model ing pada data bus mini... Tabel. error model ing pada data mini tru... Tabel. Error model ing pada data tasi... Tabel. Error model ing pada data tru SB... Tabel. Hasil error model terbai... Tabel. MAPE model terbai... Tabel. Peningatan atau penurunan jumlah endaraan tahun periode... Tabel. Analisa watu terpadat dan tersenggang...

19 BAB I PENDAHULUAN Pada bab pendahuluan dibahas mengenai permasalahan yang di selesaian pada tugas ahir ini meliputi latar belaang, perumusan masalah, batasan masalah, tujuan tugas ahir, dan manfaat egiatan tugas ahir. Dengan adanya bab ini, diharapan dapat mempermudah pembaca dalam memahami masalah yang ada dalam tugas ahir ini.. Latar Belaang Masalah Masyaraat selalu ingin melauan Urbanisasi, dimana masyaraat yang tinggal di daerah-daerah ecil aan berpindah e ota-ota besar dengan harapan dapat meningatan pendapatan finansial. Banyanya masyaraat yang berpindah e ota-ota besar membuat pertumbuhan masyaraat meningat. Kepadatan pendudu yang menetap di ota-ota besar seperti Jaarta, Bandung dan Surabaya sangat berpengaruh terhadap ondisi lalu lintas perotaan. Semain banya endaraan yang melewati jalan, semain padat arus lalu lintas pada jalan tersebut. Sama seperti ota-ota besar lainnya, Kota Surabaya merupaan ota besar edua setelah Jaarta di Indonesia dengan pertumbuhan pendudu yang tinggi. Hal tersebut sangat berpengaruh epada ondisi arus lalu lintas Kota Surabaya, hususnya pada jalan raya besar yang sering dilalui oleh ribuan endaraan dalam sehari. Dengan tingat pendudu yang tinggi membuat pertambahan jumlah endaraan pada masyaraat berembang pesat. Karena hal tersebut, jalan yang seharusnya dapat dengan mudah dilalui pengendara, sering terjadi endala arena emacetan. Menurut Menteri Perhubungan pada tahun, Kota Surabaya menempati urutan e- dari ota dengan emacetan paling parah di Indonesia [] dan Surabaya menempati urutan e-

20 ota dengan emacetan paling parah di dunia pada tahun []. Menurut Kasatlantas Polrestabes Surabaya AKBP Raydian Korosono pada artiel yang di posting Jawa Pos Desember lalu [], pertambahan endaraan pada Kota Surabaya setiap bulannya lebih dari. endaraan dimana rata-rata sepeda motor setiap bulannya adalah. dan endaraan roda empat atau lebih rata-rata bertambah. sehingga total rata-rata setiap bulannya, endaraan di Surabaya bertambah.. Jumlah endaraan di Surabaya pada tahun itu mencapai.. endaraan. Pesatnya peningatan jumlah endaraan tida selalu sebanding dengan pelebaran jalan pada jalan-jalan yang ramai dilalui seperti Jalan Ahmad Yani dan Jalan Basui Rahmat Surabaya, sehingga sering ali menimbulan emacetan dan membutuhan manajemen ontrol lalu lintas yang bai. Dalam mengontrol lalu lintas, beberapa orang yang bertugas melauan survey di jalanan pada watu-watu tertentu untu mendapatan data arus lalu lintas pada jalanjalan utama Surabaya. Cara onvensional yang masih dilauan oleh Dinas Perhubungan dan Lalu Lintas Angutan Jalan daerah Surabaya ini tentunya membutuhan watu yang cuup lama dan eauratan yang dapat dipercaya. Kegiatan yang dilauan berulang-ulang tersebut tida dapat mempredisian ondisi di masa mendatang tentang ondisi arus lalu lintas tersebut. Oleh arena itu dibutuhan sistematia perhitungan yang dapat meramalan arus lalu lintas janga pende pada jalan utama Surabaya hususnya adalah Jalan Basui Rahmat Surabaya dengan eauratan tinggi, sehingga dapat dietahui perembangan situasi arus lalu lintas janga pende dalam periode watu tertentu. Peramalan janga pende yang dilauan adalah peramalan dengan urun watu tida lebih dari tiga bulan watu peramalan []. Hal itu dilauan untu mendapatan hasil peramalan yang aurat dan hasil peramalan

21 dapat membantu dalam proses pengambilan eputusan atau solusi yang lebih tepat dan efisien digunaan agar arus lalu lintas Jalan Basui Rahmat Surabaya tetap stabil dan terendali. Peramalan arus lalu lintas dapat dilauan dengan berbagai teni statistia standard seperti simple smoothing (ernel smoothing, simple exponential smoothing dan hybrid exponential smoothing sera neural networ), complex time series analysis (ARIMA, SARIMA) dan filtering method (Kalman filter). K-NN mempunyai beberapa elebihan diantaranya adalah K-NN coco digunaan untu mengolah data besar, metode yang efetif pada data ting yang besar dan untu menghadapi noisy pada data ting, selain itu metode K-NN dapat menghasilan data yang aurat. K-NN dapat mempertimbangan emiripan atau esamaan dari pola arus lalu lintas pada data history yang didapatan, selain itu K- NN mampu memberian peramalan selama beberapa langah watu atau periraan jeja atas horizon peramalan yang ditentuan. Dalam tugas ahir ini, peneliti aan menggunaan algoritma K- Nearest Neighbor dalam meramalan arus lalu lintas janga pende pada Jalan Basui Rahmat Surabaya dengan mempertimbangan emiripan pola data lalu lintas dalam data history. Untu mengidentifiasi emipiran pola tersebut, digunaan algoritma K-Nearest Neighbor. Algoritma ini mengidentifiasi urutan K paling mirip dengan pola yang sama dengan yang sedang diperisa. Kombinasi dari nilai-nilai terdeat sesuai dengan langah watu di mana periraan diinginan yang aan dibuat aan nilai masa depan yang diharapan dari urutan yang diperisa. Gagasan peramalan berbasis K-Nearest Neighbor adalah bahwa pola urutan pengamatan diulang dari watu e watu. Oleh arena itu, jia

22 pola sebelumnya dapat diidentifiasi menjadi mirip dengan pola saat ini, maa nilai-nilai beriutnya dari urutan sebelumnya dapat digunaan untu mempredisi nilai dari target di masa depan. [] Variabel yang dibutuhan untu untu menguji algoritma K- Nearest Neighbor adalah pemilihan penguuran jara yang tepat, durasi lag dan nilai K yang optimum. Variabel yang telah ditentuan berpengaruh pada hasil peramalan, sehingga esalahan peramalan dapat minimum atau seecil mungin. Oleh arena itu, menentuan hasil dari etiga variabel yang ditetapan sangat menentuan hasil dari peramalan dan aurasi peramalan yang aan dilauan. Pemilihan algoritma K-Nearest Neighbor sebagai metode peramalan arus lalu lintas janga pende merupaan pilihan yang efetif, sehingga algoritma ini dapat membantu untu menemuan solusi atas ondisi arus lalu lintas di masa datang.. Perumusan Masalah Berdasaran latar belaang yang telah dijabaran sebelumnya, rumusan Masalah dari penelitian ini adalah:. Bagaimana memodelan proses estrasi informasi sebagai input dari K-Nearest Neighbor?. Bagaimana algoritma K-Nearest Neighbor dapat menyelesaian peramalan arus lalu lintas janga pende pada Jalan Basui Rahmat Surabaya?. Bagaimana performa yang dihasilan dari penerapan algoritma K-Nearest Neighbor dalam menyelesaian peramalan arus lalu lintas janga pende pada Jalan Basui Rahmat Surabaya?. Batasan Masalah Batasan malasah dari penelitian ini adalah :

23 . Studi asus yang digunaan pada tugas ahir ini adalah Jalan Basui Rahmat Surabaya. Data history yang digunaan adalah data arus lalu lintas pada Jalan Basui Rahmat pada tahun sampai tahun. Tahun dan tahun, data arus lalu lintas dicatat ali dalam setahun. Pada tahun,, dan dicatat ali dalam setahun.. Durasi watu arus lalu lintas yang dicatat pada data histori dari puul. sampai puul. WIB. Interval watu perhitungan endaraan yang melalui Jalan Basui Rahmat adalah setiap menit.. Data yang digunaan adalah jumlah motor, mobil pribadi, angot, tasi, bus mini, bus besar, tru mini dan tru sb yang melaju pada Jalan Basui Rahmat.. Tujuan Penelitian Tugas Ahir Berdasaran rumusan masalah yang telah dijabaran, terdapat beberapa tujuan yang ingin dicapai, diantaranya adalah:. Menerapan algoritma K-Nearest Neighbor untu mendapatan hasil peramalan arus lalu lintas janga pende dari Jalan Basui Rahmat Surabaya.. Memodelan proses estrasi informasi sebagai input dari K-Nearest Neighbor. Mengetahui performa yang dihasilan dari penerapan algoritma K-Nearest Neighbor dalam menyelesaian peramalan arus lalu lintas janga pende pada Jalan Basui Rahmat Surabaya

24 . Manfaat Penelitian Tugas Ahir Manfaat yang diberian dengan adanya tugas ahir ini adalah:. Memberian gambaran epada Dinas Perhubungan dan Lalu lintas Angutan Jalan daerah Surabaya tentang predisi arus lalu lintas janga pende yang aan terjadi pada Jalan Basui Rahmat yang aan datang.. Menjadi bahan pertimbangan dalam pengambilan eputusan berupa penanganan yang tepat untu menghadapi epadatan arus lalu lintas pada Jalan Basui Rahmat Surabaya.. Relevansi Kemacetan yang terjadi di dalam ota-ota besar tida dapat dihindari lagi, terutama pada jalan-jalan tertentu yang sering dilalui endaraan. Tida sediit usaha dari Pemerintah untu meminimalan terjadinya emacetan, namun belum menemuan cara optimal untu menghilangan emacetan tersebut. Untu mempermudah pengambilan eputusan pada epadatan arus lalu lintas, diperluan predisi arus lalu lintas janga pende. Algortima K-Nearest Neighbor dapat digunaan untu mendapatan nilai dari arus lalu lintas janga pende edepannya yang mendeati dengan nilai atual. Dengan itu, hasil dari penelitian tugas ahir ini dapat dijadian salah satu acuan dalam pengambilan eputusan berupa penanganan yang tepat dalam menghadapi padatnya arus lalu lintas edepannya dan menimalan emacetan pada jalan-jalan yang ramai dilalui.

25 BAB II TINJAUAN PUSTAKA Dalam bab ini aan menjelasan mengenai penelitian sebelumnya, profil daerah yang digunaan dalam studi asus penelitian dan tinjauan pustaa yang digunaan sebagai dasar acuan dalam menyelesaian tugas ahir.. Penelitian Sebelumnya Terdapat beberapa penelitian sebelumnya yang dapat dijadian acuan dan referensi dalam pengerjaan tugas ahir, diantaranya adalah sebagai beriut. Tabel. Penelitian sebelumnya Judul Paper Penulis; Tahun Desripsi Umum Penelitian An Improved K-Nearest Neighbor Model for Short-term Traffic Flow Prediction [] Lun Zhang, Qiuchen Liu, Wenchen Yang, Nai Wei, Decun Dong; Predisi arus lalu lintas janga pende menggunaan metode K- Nearest Neighbor. Arus lalu lintas yang didemoan tida menentu, non linear dan mempunyai arateristi yang omples. Terdapat tiga aspe dalam mempredisi arus lalu lintas janga pende ini, yaitu data histori, search mechanisms dan paramater algoritma, dan perencaan predisi. Yang dilauan pertama ali adalah preprosesing data asli emudian distandarisasi eefetifan data untu menghindari perbedaan dari sampel data dan peningatan aurasi predisi. Predisi arus lalu lintas janga pende ini menggunaan bantuan Matlab. Hasil dari penelitian, aurasi predisi arus lalu lintas berdasaran K-NN non parametri regresi diatas %.

26 Keteraitan Penelitian Penelitian ini aan menjadi salah satu acuan dalam pengerjaan tugas ahir. Tabel. Penelitian sebelumnya Judul Paper Penulis; Tahun Desripsi Umum Penelitian Keteraitan Penelitian Short-term Traffic Flow Forecasting bases on Two-tier K-Nearest Neighbor Algorithm [] Hou Xiaoyu, Wang Yisheng, Hu Siyu; Penelitian ini berdasaran K-Nearest Neighbor menggunaan algoritma Two-tier K-Nearest Neighbor. Penelitian ini mengombinasian atual arus lalu lintas, dialibrasi parameter algoritma untu meningatan alulasi ecepatan dan aurasi algoritma. Efisiensi dari algoritma two-tier -nearest neighbor bergantung pada uuran database dan strutur penyimpanan dari sampel data histori lalu lintas. Hasil dari penelitian dilihat bahwa algoritma dapat menemuan real-time, aurasi dan eunggulan dari peramalan arus lalu lintas janga pende. Penelitian ini aan menjadi salah satu acuan dalam pengerjaan tugas ahir. Judul Paper Penulis; Tahun Short-term Traffic Flow Rate Forecasting based on Identifying Similar Traffic Patterns [] Filmon G. Habtemichael, Mecit Cetin;

27 Desripsi Umum Penelitian Penelitian tentang peramalan arus lalu lintas menggunaan K-Nearest Neighbor, dimana mempertimbangan esamaan dari pola arus lalu lintas dalam data history yang dimilii. Kemiripan atau esamaan pola arus lalu lintas tersebut aan digunaan dalam penguuran jara. Selain itu, terdapat variabel lag durasi dan nilai K yang menjadi acuan penelitian ini. Hasil yang didapat dari penelitian ini adalah pola lalu lintas yang ada dalam dataset histori dapat digunaan untu memberian peramalan tingat arus lalu lintas janga pende dengan handal dan aurat. Algoritma K-NN berdasaran jara Weight Euclidean sangat efetif dalam mengidentifiasi pola lalu lintas yang sama dari set besar data histori. pendeatan non-parametri dan datadriven untu peramalan lalu lintas janga pende memberian hasil yang lebih bai bila dibandingan dengan model yang menggunaan persamaan yang ditetapan, asalan cuup data yang tersedia untu memilih pola yang sama. Mengingat esederhanaan, aurasi yang lebih bai, dan etahanan dari pendeatan yang diusulan, dapat dengan mudah digabungan dengan apliasi lalu lintas lainnya dan real-time ontrol lalu lintas untu manajemen proatif lalu lintas jalan bebas hambatan. Mengingat aurasi pendeatan berbasis K-NN tergantung pada uuran ruang pencarian, model berdasaran analisis time series harus digunaan jia uuran dataset yang tersedia ecil.

28 Keteraitan Penelitian Algoritma peramalan yang digunaan pada penelitian ini aan menjadi acuan pengerjaan tugas ahir. Tabel. Penelitian sebelumnya Judul Paper A spatiotemporal correlative -nearest neighbor model for short-term traffic multistep forecasting [] Penulis; Tahun Pinlong Cai, Yunpeng Wang, Guangquan Lu, Peng Chen, Chuan Ding, Jianping Sun; Desripsi Umum Penelitian Penelitian ini mengusulan peningatan model K-NN untu meningatan aurasi peramalan berdasaran orelasi spatiotemporal dan untu mencapai peramalan multi tahapan. Jara fisi antara ruas jalan diganti dengan jara yang setara, yang didefinisian oleh data statis dan dinamis yang diumpulan dari jaringan jalan yang nyata. Keadaan lalu lintas dari ruas jalan digambaran oleh matris negara spatiotemporal buan hanya serangaian watu seperti pada model K-NN asli. Para tetangga terdeat dipilih sesuai dengan jara Gaussian Weighted Euclidean, yang menyesuaian pengaruh watu dan ruang fator di matris negara spatiotemporal. Aurasi peramalan peningatan K-NN dan empat model lainnya aan dibandingan, dan hasil esperimen menunjuan bahwa model peningatan K-NN yang lebih tepat untu janga pende peramalan lalu lintas multi tahapan dari model-model lain. Penelitian ini juga membahas penerapan model K-NN dalam eadaan lalu lintas watu yang bervariasi.

29 Keteraitan Penelitian Penelitian ini menjadi salah satu acuan dalam pengerjaan tugas ahir.. Profil Daerah Studi Kasus Jalan Basui Rahmat Surabaya adalah jalan yang berada pada pusat Surabaya dimana jalan ini merupaan jalan satu arah. Jalan basui rahmat merupaan salah satu jalanan tersibu pada Kota Surabaya yang ramai dilalui endaraan arena seitar jalan ini terdapat hotel, tempat berbelanja dan perantoran.. Arus Lalu Lintas Arus lalu lintas adalah eadaan dimana sebuah jalan yang sedang dilalui pengendara dengan mempertimbangan lebar jalan dan volume endaraan yang melalui suatu jalan tersebut. Arus lalu lintas terpantau ramai atau padat etia volume endaraan yang melalui jalan tersebut besar sehingga menimbulan emacetan.. Kemiripan Pola Arus Lalu Lintas Kemiripan atau esamaan pola arus lalu lintas didapatan dari data histori. Pola yang dianggap mirip atau sama etia pada watu tertentu atau tanggal tertentu mengalami arus lalu lintas yang sama [].. Peramalan Peramalan adalah ilmu pengetahuan untu mempredisian sesuatu yang aan terjadi di masa depan. Peramalan dapat dilauan menggunaan data-data masa lalu yang diolah menggunaan metode peramalan []. Tujuan dari peramalan adalah menjadi acuan pengambilan eputusan tentang sesuatu yang terjadi di masa depan yang telah diperiraan di masa saat

30 ini. Teni peramalan terbagi menjadi dua, diantaranya adalah []:. Peramalan ualitatif Peramalan yang menggunaan intuisi, pengalaman pribadi dan berdasaran pendapat (judgement) dari yang melauan peramalan.. Peramalan uantitatif Peramalan menggunaan berbagai model matematis atau metode statisti dan data historis atau variabelvariabel ausal untu meramalan permintaan. Peramalan uantitatif dapat dibedaan menjadi dua berdasaran metode peramalan, yaitu: a. Time series Metode yang dipergunaan untu menganalisis serangaian data yang merupaan fungsi dari watu. b. Causal atau Explanatory Mengasumsian variabel yang diramalan menunjuan adanya hubungan sebab aibat dengan satu atau beberapa variabel bebas (independent variable).. Pola Data dalam Peramalan Pola data menjadi hal yang sangat diperhatian dalam peramalan arena metode yang aan digunaan dalam peramalan berdasaran pola data yang didapatan. Pola data dalam peramalan dibagi menjadi empat, diantaranya adalah []:. Trend Pola Trend adalah pola data dimana adanya enaian atau penurunan secara terus-menerus dalam janga watu panjang. Seasonal

31 Pergeraan berosilasi dalam data yang terjadi secara berala (dalam janga pende) dan berulang-ulang.. Stasioner Pergeraan data hanya berada di seitar rata-rata dan perubahan tida begitu terlihat atau onstan pada rentang watu yang panjang.. Cycle Geraan bergelombang dalam data, atas dan bawah, yang berulang selama rentang watu yang panjang (lebih dari tahun).. Janga Watu Peramalan Secara umum, peramalan dapat dilasifiasian menurut janga watunya, diantaranya adalah [] :. Peramalan janga pende Peramalan janga pende biasanya mencaup watu deat dan lebih memperhatian operasi-operasi seharihari dari perusahaan bisnis, seperti permintaan atau sumber daya ebutuhan sehari-hari. Ramalan janga pende jarang melampaui beberapa bulan e depan.. Janga menengah Peramalan janga menengah biasanya meliputi atau bulan sampai tahun.. Janga panjang Peramalan janga panjang umumnya lebih terait dengan rencana tahunan perusahaan atau instansi, janga watunya lebih dari atau tahun.. Error Peramalan Error peramalan yang digunaan sebagai indiator inerja dalam aurasi metode peramalan yang diusulan, yaitu Root Mean Square Error () [] dan MAPE. Root Mean Square

32 Error () memberian esalahan yang terjadi dari perbedaan perhitungan. Nilai menunjuan ada beberapa variasi dalam besarnya esalahan peramalan yang dibuat. = n n n (O i F i ) i= Dimana F i adalah nilai peramalan e-i O i adalah nilai atual e-i n adalah jumlah sampel yang digunaan Mean Absoulute Percentage Error merupaan fator yang penting dalam mengevaluasi aurasi peramalan. MAPE aan menunjuan seberapa besar esalahan peramalan dibandingan dengan nilai atual dari series. N MAPE = N e t t= X t Dimana e t adalah esalahan pada watu e-t N adalah jumlah data X t adalah nilai atual. Semain rendah nilai MAPE, maa model peramalan dapat diataan memilii emampuan yang bai. Signifiansi nilai MAPE dapat dilihat pada Tabel. [] Tabel. Signifiansi nilai MAPE MAPE Signifiansi <% Kemampuan peramalan sangat bai

33 MAPE Signifiansi -% Kemampuan peramalan bai -% Kemampuan peramalan laya >% Kemampuan peramalan buru. Algoritma K-Nearest Neighbor (K-NN) K-Nearest Neighbor (K-NN) digunaan sebagai algoritma dasar untu mengidentifiasi profil lalu lintas. K-NN adalah teni non-parametri pengenalan pola yang umum digunaan untu tujuan lasifiasi dan regresi []. Jia diberian obje tida berlabel, pencarian algoritma untu obje yang sama atau tetangga dari ruang pencarian dan memberian label untu obje tida berlabel berdasaran sifat dari tetangga terdeat. Konsep yang sama juga dapat diterapan untu urutan pengamatan, misalnya, penguuran tingat arus. Algoritma mengidentifiasi urutan K dari data masa lalu yang paling mirip dengan pola yang sama dengan yang sedang diperisa. Kombinasi dari nilai-nilai terdeat sesuai dengan langah watu di mana periraan diinginan yang aan dibuatan nilai masa depan yang diharapan. Peramalan berbasis K-NN mengacu bahwa pola urutan pengamatan diulang dari watu e watu. Oleh arena itu, jia pola sebelumnya dapat diidentifiasi menjadi mirip dengan pola saat ini, maa nilainilai beriutnya dari urutan sebelumnya dapat digunaan untu mempredisi nilai masa depan [] [].. Euclidean Distance Jara Euclidean adalah jara dari garis lurus yang menghubungan dua titi dan uuran jara yang paling umum []. Untu urutan poin, x T m dan y T m, diperoleh dengan menggabungan jara antara titi-titi data yang sesuai dalam urutan seperti yang ditunjuan pada persamaan:

34 m D (xt m,y m T ) = (x T i y T i ) i=. Tahapan Analisa Algoritma K-Nearest Neighbor Setelah menganalisis efetivitas setiap uuran esamaan untu data lalu lintas, terdapat penguuran jara yang dapat dipertimbangan, yaitu euclidean distance []. Variabel nilai K yang digunaan sangat penting untu meminimalan esalahan predisi. Nilai K yang dipilih dapat mempengaruhi aurasi peramalan. Dengan dipertimbangannya peningatan nilai K, esalahan peramalan menurun dan emudian mulai meningat sediit demi sediit [] []... Pemilihan Data Langah pertama yang harus dilauan adalah memilih data. Data histori yang didapatan aan menjadi dataset penelitian. Dari dataset tersebut, % dari dataset aan digunaan sebagai traning data untu estimasi variabel model. % dari dataset digunaan untu ing data []... Analisis Data Analisis data menurut para ahli [] merupaan sebuah proses pencarian dan penyusunan data sistematis untu menemuan hubungan, pola dan mana terhadap data. Pada penelitian ini, dilauannya analisis data untu menghindari terjadinya overfitting. Digunaan teni validasi cross validation dari model pelatihan yang digunaan pada dataset yang digunaan sebagai dataset ting untu estimasi variabel model peramalan arus lalu lintas janga pende berdasaran K-NN, yaitu, uuran jara optimal untu digunaan, dan nilai K. Setelah

35 parameter optimum diidentifiasi menggunaan sepertiga dari dataset, Model K-NN diterapan untu semua dataset dan aurasi peramalan eseluruhan diperisa... Estimasi Parameter untu K-NN dalam Peramalan Arus Lalu Lintas Beberapa parameter harus ditentuan terlebih dahulu sehingga esalahan peramalan dapat seecil mungin. Parameter ini meliputi:. Pemilihan uuran jara yang coco Pemilihan jara yang digunaan untu mempertimbangan emiripan pola arus lalu lintas pada data histori.. Nilai. Nilai K ditentuan berdasaran jara yang telah dietahui. Semain besar nilai K yang ditentuan, maa esahanan peramalan aan meningat berangsurangsur sehingga dibutuhan analisa nilai K yang sesuai... Identifiasi nilai K yang optimal Nilai K yang optimal digunaan untu meminimalan esalahan peramalan. Penetapan nilai K aan disesuaian dengan mempertimbangan aurasi menggunaan... Identifiasi Penguuran Jara Optimum Untu mengidentifiasi jara optimum, sebelumnya dilauannya penguuran jara menggunaan Euclidean Distance.

36 (halaman ini sengaja diosongan)

37 BAB III METODOLOGI PENELITIAN Bab metodologi membahas mengenai alur penyelesaian penelitian. Tujuan dari bab ini adalah agar penyusunan dan penyelesaian penelitian dapat terstrutur dan selesai tepat pada watu yang telah direncanaan.. Diagram Metodologi Beriut ini disajian metodologi pengerjaan tugas ahir Peramalan Arus Lalu Lintas Janga Pende menggunaan Algoritma K-Nearest Neighbor:. Uraian Metodologi Gambar. Metodologi penelitian Berdasaran pada diagram alur metodologi yang telah diemuaan pada sub bab sebelumnya, di bawah ini adalah

38 penjelasan pada setiap proses pengerjaan tugas ahir sesuai dengan metodologi yang telah dibuat:.. Identifiasi Masalah Masalah didapatan dari pengamatan peneliti pada jalanjalan yang sering dilalui oleh pengendara hingga sering menimbulan emacetan pada Kota Surabaya. Masalah yang aan dibahas pada Tugas Ahir ini adalah emacetan yang sering terjadi pada Jalan Basui Rahmat... Studi Literatur Studi literatur dilauan pada buu pustaa, penelitianpenelitian sebelumnya berupa paper yang memilii eteraitan dengan masalah yang ingin diselesaian dan informasi-informasi dari media eletroni yang membahas mengenai masalah tersebut. Studi literatur digunaan untu referensi penggunaan metode dalam penyelesaian masalah dan menentuan variabel-variabel yang dapat diadopsi untu penyelesaian masalah... Menentuan Metode Penelitian Metode penelitian didapatan dari hasil identifiasi masalah dan studi literatur yang telah dilauan. Dari studi literatur dengan masalah yang serupa, dilauan perbadingan antara satu dengan yang lainnya mempertimbangan eurangan dan elebihan serta variabel-variabel yang paling mendeati dengan penyelesaian masalah. Hasil perbandingan tersebut, didapatan metode Algoritma K-Nearest Neighbor sebagai metode yang dianggap paling tepat untu menyelesaian masalah... Pengumpulan Data Data merupaan hal penting dalam sebuah penelitian. Data yang dibutuhan dalam penelitian berupa data masa lalu sebagai acuan dalam mengerjaan penelitian. Dalam hal

39 ini, pengumpulan data dilauan peneliti dengan bantuan piha Dinas Perhubungan Kota Surabaya meliputi data arus lalu lintas dari tahun sampai tahun. Dinas Perhubungan Surabaya melauan pengambilan data dibagi menjadi periode. Periode yang dimasud adalah periode pengambilan data, dimana dalam setahun, Dinas Perhubungan Surabaya melauan pengambilan data sebanya ali. Periode pengambilan data adalah bulan Maret, sedangan periode pengambilan data adalah bulan Otober... Analisa Algoritma K-Nearest Neighbor Data yang telah terumpul merupaan data yang aan digunaan pada proses peramalan menggunaan K-Nearest Neighbor. Gambar. Alur pengerjaan K-NN... Pemilihan Data Data yang didapatan aan dibagi untu dijadian data pada proses ting dan data untu proses ing K-NN. Data traning yang digunaan adalah data dari tahun periode hingga periode dan data ing yang digunaan adalah data tahun periode. Untu

40 peramalan tahun periode, digunaan data dari tahun periode hingga periode.... Normalisasi data Data yang digunaan aan dilauan normalisasi menggunaan metode Min-Max dengan range normalisasi antara sampai dengan [].... Menentuan Parameter Untu eperluan dari algoritma K-Nearest Neighbor, diperluan parameter untu tercapainya hasil yang optimal, sehingga esalahan error minimum. Parameter yang digunaan untu dilauannya peramalan berdasaran K- NN adalah jara optimal dan nilai yang optimal. Untu menguur jara optimum, digunaan Euclidean Distance []. Setelah melauan penguuran jara optimum, identifiasi parameter lainnya yaitu nilai dalam peramalan. menurut penelitian sebelumnya yang terait [], semain besar nilai yang dipaai, aan terjadi peningatan esalahan peramalan berangsur-angsur. Nilai yang digunaan juga bergantung dengan jumlah data yang diamati. Nilai yang optimum untu dipertimbangan dalam peramalan arus lalu lintas berdasaran K-NN adalah diantara sampai [].... Proses Ting dan Testing Proses ting dan ing dilauan bersama-sama untu menemuan model-model peramalan dengan input dan parameter yang telah ditentuan. Proses ini aan menghasilan model-model berdasaran nilai dari sampai dengan mempertimbangan data observasi mulai tahun periode hingga tahun periode beserta esalahan atau error pada setiap model [] []. Adapun beberapa langah yang dilauan pada saat proses ting dan ing menggunaan algoritma dari K-Nearest Neighbor, diantaranya:

41 . Tentuan terlebih dahulu range nilai yang aan diamati.. Menentuan input pada proses, diantaranya adalah data untu proses ting, data untu proses ing dan data observasi.. Masuan input dan parameter nilai pada algoritma K-NN. Perhitungan jara optimal menggunaan euclidean distance berdasaran atribut ( periode data). Jara-jara tersebut aan diurutan berdasaran jara terdeat sampai jara terjauh. Urutan jara terdeat dengan data yang disebut nearest neighbor. Perhitungan nilai dari nearest neighbor terhadap. Hasil nilai dari nearest neighbor terhadap =i aan dirata-rata emudian menjadi output. Nilai-nilai yang dihasilan pada =i dengan data observasi aan menjadi model. Perhitungan nilai error pada setiap model. Perhitungan dengan data target sebagai untu ting, dan dengan data ing dihasilan untu ing. Langah - diulangi sebanya dan data observasi... Menentuan Model Terbai Model terbai didapatan berdasaran model-model yang telah didapatan pada proses ting dan ing. Dengan melihat tingat esalahan atau error, model terbai didapatan dari nilai esalahan yang paling rendah antara model-model proses ing. Model yang terbai dengan tingat esalahan paling rendah aan digunaan untu acuan pada peramalan tahun periode [].

42 ... Melauan Peramalan Peramalan dilauan pada masing-masing data dengan menggunaan nilai yang telah didapatan pada model terbai yang telah dilauan pada proses ing pada masing-masing data. Hasil peramalan yang didapatan adalah data jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya pada tahun periode dari puul. hingga..... Analisa Hasil Peramalan Peramalan yang telah dilauan aan dianalisa mengacu pada data histori. Analisa hasil peramalan dapat berupa persentase peningatan atau penurunan jumlah endaraan, jumlah masimal dan jumlah minimal endaraan yang melaju pada jalan Basui Rahmat beserta watunya [] []... Penyusunan Laporan Tugas Ahir Tahapan ahir adalah penyusunan laporan tugas ahir. Laporan ini bertujuan untu menjelasan dengan rinci hasil dari penelitian yang dilauan pada tugas ahir. Laporan tugas ahir meliputi: Bab I Pendahuluan Bab ini menjelasan tentang latar belaang, rumusan dan batasan masalah, tujuan, manfaat dan relevansi dalam pengerjaan tugas ahir. Bab II Tinjauan Pustaa dan Dasar Teori Bab ini menjelasan tentang penelitian-penelitian sebelumnya yang terait dengan masalah yang diangat pada tugas ahir dan dasar-dasar teori yang digunaan sebagai acuan dalam pengerjaan tugas ahir.

43 Bab III Metodologi Penelitian Bab ini menjelasan mengenai langah-langah pembuatan tugas ahir beserta penjelasannya. Bab IV Rancangan Bab ini menjelasan tentang rancangan tugas ahir untu pembuatan peramalan arus lalu lintas janga pende yang meliputi proses pengumpulan data, identifiasi variabel dan proses pengolahan data. Bab V Implementasi Bab ini menjelasan tentang proses peramalan yang dilauan, meliputi analisis data, penguuran jara optimum, menentuan lag durasi dan nilai K yang coco. Setelah itu dilauan peramalan serta melauan aurasi peramalan. Bab VI Hasil dan Pembahasan Bab ini menjelasan tentang hasil dan pembahasan yang didapaan dari proses peramalan yang dilauan berupa hasil ujicoba dan hasil peramalan untu masa mendatang. Bab VII Kesimpulan dan Saran Bab ini menjelasan tentang esimpulan yang dapat ditari dari hasil pembahasan serta saran yang dapat ditujuan untu menyempurnaan tugas ahir dan saran yang ditujuan untu penelitian selanjutnya.

44 (halaman ini sengaja diosongan)

45 BAB IV PERANCANGAN Bab ini menjelasan tentang perancangan penilitian tugas ahir. Pada bab ini berisian tentang proses pengumpulan data, pra proses data dan proses pengolahan data saat clustering dan peramalan.. Pengumpulan dan Pra-Proses data Pada tahapan ini, ativitas yang dilauan adalah pengumpulan data dan melauan pra-proses data sehingga data siap digunaan... Pengumpulan data Data yang digunaan untu penelitian adalah data hasil survey banyanya endaraan yang melaju pada jalan Basui Rahmat Surabaya yang dilauan oleh bagian Lalu Lintas pada Dinas Perhubungan Kota Surabaya pada tahun sampai tahun. Pada tahun,,, dan survey data dilauan ali ( periode) dalam setahun, sedangan pada tahun dan survey dilauan ali ( periode) dalam setahun. Data yang didapatan setahun ali memilii watu survey lapangan pada bulan Maret (periode ) dan Otober (periode ). Sedangan survey tahunan seali yang dilauan pada tahun adalah bulan Maret (periode ) dan tahun dilauan pada bulan Otober (periode ).... Gambaran data Data yang telah didapatan, dilauan plot data berdasaran tipe dan tahun. Gambaran data untu jumlah endaraan setiap tahunnya, dilauan plot data berdasaran tipe endaraan dari tahun sampai tahun. Gambar. adalah salah satu contoh plot data pada tipe endaraan motor.

46 jumlah Gambar. menjelasan grafi jumlah motor yang melaju pada jalan Basui Rahmat tida selalu sama setiap tahunnya. Pada tahun periode, dapat dilihat dari puul. hingga puul. dan puul. hingga puul. adalah jumlah motor terbanya dibandingan tahun-tahun lainnya. Selain itu pada tahun periode pernah mengalami pelonjaan jumlah endaraan pada puul.. hingga mencapai. watu Gambar. Grafi jumlah motor tahun Plot data pada endaraan motor dengan rincian pertahun pada gambar. sampai..

47 jumlah jumlah watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode. watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode.

48 jumlah jumlah watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode. watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode.

49 jumlah jumlah watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode. watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode.

50 jumlah jumlah watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode. watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode.

51 jumlah jumlah watu Gambar. Grafi jumlah motor tahun periode Gambar. adalah rincian dari jumlah endaraan motor yang melintas pada jalan Basui Rahmat pada tahun periode. watu Gambar. Grafi jumlah motor tahun periode.. Pra-Proses data Pra proses data adalah tahapan pengolahan data awal yang didapatan agar data siap digunaan. Setelah mendapatan data

52 awal, dilauan normalisasi data. Normalisasi dilauan pada data untu menjadian data yang ada sama rata dalam range yang sama. Normalisasi dilauan menggunaan metode Min- Max.. Pemilihan data Data yang digunaan untu dilauan KNN adalah data jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya pada tahun sampai tahun dari puul. sampai puul.. Data dipisahan berdasaran tipe endaraan, sehingga terdapat data tipe endaraan dengan data histori dari tahun periode hingga periode. Data aan digunaan pada dua proses, yaitu proses ting dan proses ing. Data yang digunaan untu proses ting adalah eseluruhan data ecuali tahun periode sedangan data yang digunaan untu proses ing adalah data pada tahun periode.. Proses Ting dan Testing Proses ting dan ing dijalanan bersama-sama untu mengetahui model-model yang dihasilan pada ting dan ing. Pada proses ini, dilibatan dua parameter penting pada proses K-NN ini yaitu nilai dan jara optimal. Proses ting menggunaan input data ting dari tahun periode hingga periode dan proses ing menggunaan input data ing tahun periode dengan melibatan percobaan menggunaan nilai sama dengan hinga nilai sama dengan. Output yang didapatan dari proses ting dan ing adalah nilai-nilai yang didapatan dengan mempertimbangan nilai sampai dengan. Output dari ting dan ing tersebut aan dihitung errornya menggunaan. Nilai error yang

53 dhasilan aan dibandingan dengan model-model lainnya dan model terbai aan didapatan berdasaran hasil pada proses ing dengan melihat nilai error pada yang paling ecil. Model terbai aan digunaan untu proses peramalan data periode... Menentuan Jara Optimal Menentuan jara yang optimal dapat dilauan menggunaan euclidean distance yang didapatan dari penguuran antara dua titi atau data. Jara antar dua data tersebut aan diurutan berdasaran jara terdeat hingga jara terjauh. Jara-jara tersebut aan digunaan untu menentuan nearest neighbor pada masing-masing data... Menentuan nilai K Penentuan nilai pada data dilauan dengan menggunaan mengamati hasil dari proses ting dan ing yang dilauan pada data. Setelah dilauan proses ting dan ing dengan nilai sama dengan sampai, diambil nilai dengan tingat error paling rendah pada proses ing sesuai dengan reomendasi dari []. Pada dataset yang ada, nilai berorelasi dengan jumlah baris dari data yang dipertimbangan untu menjadi acuan pada peramalan. Nilai dicari berdasaran data per tipe endaraan. Sehingga, nilai yang optimal untu eseluruhan data terdapat delapan nilai... Output Ting dan Testing Output yang dihasilan pada proses ini adalah nilai-nilai dengan melibatan sama dengan sampai dan data observasi dimana dianggap nilai-nilai pada nilai adalah model. Nilainilai yang dihasilan per nilai dapat berbeda-beda, sehingga

54 diperluan untu menentuan model terbai dari output yang dihasilan untu dijadian acuan peramalan periode... Perhitungan Error Model Ting dan Testing Perhitungan error pada model ting dan ing dilauan setelah mendapatan output atau hasil pada proses ting dan ing. Output yang didapatan pada proses ting dan ing aan dilauan perhitungan error menggunaan, sehingga pada masing-masing output dengan nilai = i, memilii nilai error yang berbeda-beda. Nilai error yang didapatan aan menjadi acuan untu pemilihan model terbai. Nilai error yang paling ecil pada model dengan nilai = i pada proses ing aan dijadian model terbai untu dijadian acuan peramalan tahun periode.. Peramalan Tahapan peramalan dilauan untu mengetahui nilai atau output masa datang dari arus lalu lintas pada Jalan Basui Rahmat Surabaya pada tahun periode. Peramalan dilauan menggunaan model terbai ing dengan nilai = i... Penggunaan data Dataset untu penelitian ini dapat dilihat di LAMPIRAN A. Kolom pada dataset adalah atribut periode (per semester) data dari tahun sampai. Sedangan data pada baris adalah jumlah endaraan pada interval watu setiap menit dari puul. hingga.. Data yang digunaan dalam peramalan adalah data jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya dari puul. sampai puul. dari tahun periode sampai tahun periode dengan total data yang menjadi input peramalan adalah data histori periode.

55 .. Menentuan tujuan Tujuan dilauan peramalan menggunaan metode K-Nearest Neighbor adalah untu meramalan jumlah endaraan pada periode periode pada Jalan Basui Rahmat Surabaya... Melauan peramalan dengan Model Terbai Peramalan dilauan pada tools R Studio menggunaan data histori yang ada dan model terbai yang telah ditetapan sebelumnya. Peramalan yang dilauan sangat mempertimbangan nilai yang dimasuan pada proses peramalan, sehingga aan didapatan hasil peramalan yang optimal... Hasil peramalan Hasil dari peramalan yang dilauan adalah jumlah endaraan yang melaju pada Jalan Basui Rahmat Surabaya dari puul. sampai. pada tahun periode dengan interval watu menit.. Analisa hasil peramalan Dari hasil pemodelan sampai peramalan yang dilauan, dapat disimpulan beberapa hal, diantaranya adalah eefetifan pemodelan K-NN untu peramalan, hasil analisa data peramalan yang didapat dan analisa hasil peramalan terhadap data histori, termasu peningatan atau penurunan jumlah endaraan pada tahun periode.

56 (halaman ini sengaja diosongan)

57 BAB V IMPLEMENTASI Bab ini menjelasan tentang pelasanaan penelitian tugas ahir dan pembuatan model untu peramalan.. Normalisasi data Normalisasi data dilauan menggunaan metode normalisasi Min-Max dengan range nilai sampai menggunaan bantuan tool Microsoft Excel. Rumus yang digunaan adalah: x Min(y) Max(y) Min (y) Dengan eterangan: x = data yang aan dinormalisasi Min(y) = nilai minimal dari eseluruhan data Max(y) = nilai masimal dari eseluruhan data Tabel. Hasil Normalisasi

58 ,,, Normalisasi jumlah motor Gambar. Grafi normalisasi data motor Frutuasi dari data tida berubah, sehingga dapat diataan bahwa normalisasi data telah benar. Normalisasi dapat dilauan pula pada R Studio dengan menggunaan script normalisasi Min-Max. Pertama adalah menghapus olom watu pada data. data <- data [,-] Setelah itu lauan normalisasi. Maxs <- max(data) Mins <- min(data) hasilnormalisasi = (data-mins)/(maxs-mins) Keterangan: hasilnormalisasi = data hasil normalisasi yang dilauan. data = data jumlah endaraan.

59 min(data) = nilai minimal pada data. max(data) = nilai masimal pada data. Hasil Normalisasi yang dilauan pada R Studio aan menghasilan nilai yang sama dengan yang dilauan pada Microsoft Excel.. Pemisahan Data untu Ting dan Testing Data yang telah dinormalisasi aan dilauan pemisahan data yang aan digunaan untu proses ting dan proses ing. t <- data.frame(hasilnormalisasi [:]) <- data.frame(hasilnormalisasi [,col]) Keterangan: t = hasil data untu proses ting (hasilnormalisasi [:]) = pengambilan data dari hasilnormalisasi pada olom sampai, atau sama saja dengan pengambilan data dari tahun periode hingga periode. = hasil data (hasilnormalisasi [,col]) = pengambilan data dari hasilnormalisasi pada olom terahir atau tahun periode.. Proses Ting dan Testing Proses ting menggunaan metode KNN menggunaan tools R Studio dan pacage FNN pada R Studio.

60 library(fnn) Keterangan: Library(FNN) = memanggil pacage FNN untu menjalanan fungsi-fungsi yang ada di dalam pacage tersebut... Menentuan Input pada Proses Ting dan Testing Input yang digunaan untu proses ting adalah data t dan y. T adalah data yang digunaan untu proses ting dan y adalah data observasi pada data t. Untu penggunaan data observasi, dilauan percobaan pada data tiap periode sehingga proses ting aan dijalanan sembilan ali untu mendapatan model terbai. t <- data.frame(hasilnormalisasi [:]) y<-t$`_` Keterangan: T = data yang digunaan untu proses ting t$`_` = penggunaan data pada tahun periode pada data ting, dan aan terus berganti setiap pergantian percobaan. Dilauan untu periode hingga periode. Untu proses ing, input untu proses ing adalah jumlah endaraan pada tahun periode dengan nilai dan percobaan pada setiap data observasi. <- data.frame(hasilnormalisasi[,col]) y <- t$`_`

61 Keterangan: Test = data untu menjadi input proses ing y = data observasi pada data ting.. Menjalanan Proses Ting dan Testing Setelah menetapan inputan data t dan y untu ting serta data dan y untu proses ing, dijalanan script untu menghasilan model. Model yang dimasudan adalah model data dengan melibatan nilai dari sampai dan data observasi. = ; z=; Selanjutnya, jalanan script untu menjalanan ting dan ing dari sama dengan sampai. predt <- nn.reg(t, =NULL, y, =i) predt_ <- as.numeric(predt$pred) pred <- nn.reg(, =NULL, y, =i) pred_ <- as.numeric(pred$pred) Keterangan: predt <- hasil model untu KNN nn.reg <- function yang digunaan untu ting K-NN. i = jumlah nearest neighbor () yang diinginan. Pada pemodelan ini digunaan nearest neighbor () sampai. predt$pred = mengambil hasil model dengan = i yang disimpan pada predictiont dengan sub pred.

62 Data.frame = function untu membuat tabel... Denormalisasi Hasil Ting dan Testing Hasil dari proses ting dan ing adalah model-model yang melibatan =i. Model-model tersebut masih berbentu data normalisasi, sehingga selanjutnya adalah lauan denormalisasi pada hasil model-model ting dan ing untu mendapatan nilai yang sebenarnya. hasilt <- (predt_ )*(maxs-mins) + mins hasil <- (pred_ )*(maxs-mins) + mins Selain itu, lauan pula denormalisasi untu data yang digunaan pada proses ting dan ing. tden <- data[:] den <- data[] Keterangan: Tden = hasil denormalisasi data t Testden = hasil denormalisasi data.. Error Model Ting dan Testing Model-model yang telah didapatan pada proses ting dan ing aan dilauan perhitungan error. Perhitungan error model i menggunaan ini digunaan untu membandingan esalahan pada model-model yang ada. t_ <- data$_ t <- sum((t_ - hasilt)^)/nrow(t) t<- sqrt(t) _ <- den MS <- sum((_ - hasil)^)/nrow() <- sqrt(ms)

63 Keterangan: T_ = mengambil data denormalisasi pada tahun periode t = hasil perhitungan pada data atual periode dengan output model ting. t = hasil perhitungan pada data atual periode dengan output model ting... Menentuan Model Terbai Setelah melauan proses ting dan ing dengan jumlah nearest neighbor () dari sampai dan perhitungan error model, didapatan model dengan jumlah nearest neighbor sampai pada masing-masing percobaan. Karena dilauan ali percobaan, artinya terdapat model yang didapatan pada setiap proses ting dan model pada proses ing di delapan data tipe endaraan. Dari banyanya model tersebut, model terbai didapatan berdasaran nilai terecil pada proses ing. Perhatian contoh penentuan model terbai pada data motor pada proses ing pada Tabel. sampai Tabel. Tabel. Error model untu data observasi periode dan periode - nilai. t t MS,,,,,,,,,,,,,,,

64 ,,,,,,,,,,,,,,,,,,,,,,, - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error model untu data observasi periode dan periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,

65 - nilai. t t MS,,,,,,,,,,,,,,,,,,,, - nilai. t t MS.,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error model untu data observasi periode dan periode - nilai. t t MS,,,,,,,,,,,

66 - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,, - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error model untu data observasi periode dan periode - nilai. t t MS,,,,,,,,

67 - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,, - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,

68 Tabel. Error model untu data observasi periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel Tabel. hingga Tabel. adalah hasil error pada model ting dan ing untu data tipe endaraan motor. Dari ali percobaan pada data observasi dan nilai sampai, didapatan hasil bahwa nilai error terecil pada proses ing ada pada nilai = dan menggunaan data observasi periode. Sehingga model terbai ing pada data motor yang aan dijadian acuan peramalan jumlah motor tahun periode adalah nilai = dengan data observasi periode. Pemilihan model terbai dilauan pada tipe endaraan lainnya dengan cara yang sama.. Peramalan Langah selanjutnya adalah lauan peramalan untu periode menggunaan model terbai yang telah didapatan pada proses ing.

69 Input <- data.frame(hasilnormalisasi[,:col]) y <- t$`_` set.seed(); predisiahir <- nn.reg(input, =NULL, y, =) predisiahir_ <- as.numeric(predisiahir$pred) FORECAST <- (predisiahir_)*(maxs-mins) + mins Keterangan: Input = data input untu melauan peramalan. Pada peramalan ali ini, input yang diperluan adalah data normalisasi dari tahun periode sampai tahun periode. y = data observasi yang telah ditetapan pada proses ting = nilai optimal yang didapatan pada proses ting predisiahir_ = hasil peramalan dalam bentu nilai-nilai normalisasi FORECAST = hasil ahir peramalan dengan nilai-nilai yang telah di denormalisasi.

70 (halaman ini sengaja diosongan)

71 BAB VI HASIL DAN ANALISA Bab ini menjabaran tentang detail hasil dan pembahasan dari implementasi masing-masing tahapan penelitian.. Hasil dan Analisa Proses Ting dan Testing Proses ting dan ing yang dilauan pada masing-masing data tipe endaraan, menghasilan model dengan mempertimbangan nilai yang optimal dan data observasi yang sesuai. Keseluruhan nilai-nilai yang ada aan dihitung nilai untu didapatan model terbai. Keseluruhan perhitungan pada proses ting dan ing dapat dilihat pada LAMPIRAN D ERROR MODEL TRAINING DAN TESTING... Ting dan Testing pada Data Motor Ting dan ing yang dilauan pada data motor dengan mempertimbangan hasil dari sembilan data observasi, didapatan hasil jumlah dan data observasi yang optimal yang dapat dilihat pada Tabel. sampai Tabel. Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,

72 ,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,

73 - nilai. t t MS,,,,,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS.,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,

74 - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,

75 Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,

76 - nilai. t t MS,,,, Tabel. Error ting dan ing data motor dengan data observasi tahun periode - nilai. t t MS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Dari rincian hasil nilai pada setiap model pada proses ting dan ing, didapatan analisa untu menentuan model terbai pada data motor digunaan nilai terecil pada proses ing. Tabel. Error model ing pada data motor Data Error nilai observasi,,,,,

77 Data Error nilai observasi,,,, Tabel. sampai Tabel. menjelasan tentang error yang didapatan etia melauan ting dan ing pada data motor. Tabel. merupaan ringasan dari nilai terecil pada masing-masing data observasi pada proses ing. Didapatan jumlah yang optimal pada data motor adalah dengan mempertimbangan data observasi periode dengan nilai ing sebesar,.... Ting dan Testing pada Data Mobil Hasil dari proses ting dan ing pada data mobil adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. Error model ing pada data mobil Data Error nilai observasi,,,,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari

78 nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan mobil adalah = dengan nilai, dan mempertimbangan data observasi periode... Ting dan Testing pada Data Angot Hasil dari proses ting dan ing pada data angot adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. Error model ing pada data angot Data Error nilai observasi,,,,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan angot adalah = dengan nilai, dan mempertimbangan data observasi periode... Ting dan Testing pada Data Bus Besar Hasil dari proses ting dan ing pada data bus besar adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing.

79 Tabel. Error model ing pada data bus besar Data Error nilai observasi,,,,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan bus besar adalah = dengan nilai, dan mempertimbangan data observasi periode.... Ting dan Testing pada Data Bus Mini Hasil dari proses ting dan ing pada data bus mini adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. Error model ing pada data bus mini Data Error nilai observasi,,,,,,,,

80 Data Error nilai observasi, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan bus mini adalah = dengan nilai, dan mempertimbangan data observasi periode.... Ting dan Testing pada Data Mini Tru Hasil dari proses ting dan ing pada data mini tru adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. error model ing pada data mini tru Data Error nilai observasi,,,,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan mini tru adalah = dengan nilai, dan mempertimbangan data observasi periode

81 ... Ting dan Testing pada Data Tasi Hasil dari proses ting dan ing pada data tasi adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. Error model ing pada data tasi Data Error nilai observasi,,,,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan tasi adalah = dengan nilai, dan mempertimbangan data observasi periode... Ting dan Testing pada Data Tru SB Hasil dari proses ting dan ing pada data tru sb adalah masing-masing terdapat model. Untu menentuan model terbai pada data, dilihat model terbai pada proses ing. Tabel. Error model ing pada data tru SB Data Error nilai observasi,,,

82 Data Error nilai observasi,,,,,, Tabel. menunjuan nilai terendah pada masingmasing data observasi dengan nilai yang ada didalamnya. Dari nilai-nilai tersebut, didapatan bahwa model terbai pada proses ing untu tipe endaraan motor adalah = dengan nilai, dan mempertimbangan data observasi periode.. Hasil dan Analisa Model Terbai Setelah melauan proses ting dan ing dan didapatannya nilai error pada setiap model, model terbai untu menjadi acuan dalam peramalan didapatan berdasaran hasil proses ing, dimana telah dietahui pada proses ing, model terbai dengan nilai error paling rendah telah ditetapan. Lihat Tabel. Tabel. Hasil error model terbai No. Data Data observasi Nilai optimal ing. Motor,. Mobil,. Angot,. Bus besar,. Bus mini,. Mini tru,. Tasi,. Tru sb,

83 Tabel. Hasil error model terbai menjelasan bahwa hasil error terendah pada masing-masing tipe data pada saat proses ing aan digunaan sebagai model terbai dalam melauan peramalan tahun periode. Tabel. MAPE model terbai No. Data MAPE. Motor,%. Mobil,%. Angot,%. Bus besar DIV. Bus mini DIV. Mini tru DIV. Tasi,%. Tru sb DIV Tabel. adalah error MAPE yang didapatan pada proses ing, didapatan bahwa untu tipe endaraan motor emampuan untu meramalan bai, sedangan untu endaraan mobil, angot dan tasi, emampuan untu meramalan laya.. Hasil dan Analisa Peramalan Setelah melauan peramalan pada masing-masing data, didapatan hasil peramalan jumlah endaraan yang melaju pada jalan Basui Rahmat Surabaya pada tahun periode yang dapat dilihat pada LAMPIRAN F DATA PERAMALAN.

84 jumlah Peramalan jumlah motor periode watu Gambar. Hasil peramalan motor tahun periode Gambar. adalah salah satu grafi hasil peramalan untu periode pada data motor. Dari grafi di atas dapat dietahui untu jumlah endaraan motor yang aan melintas di jalan Basui Rahmat mempunyai range dari hingga. Selain grafi pada data motor, terdapat grafi hasil peramalan dari tipe-tipe endaraan lainnya yang dapat dilihat pada LAMPIRAN E HASIL PERAMALAN. Gambar. adalah persentase total endaraan per masingmasing tipe endaraan yang melaju pada jalan Basui Rahmat tahun periode berdasaran hasil peramalan.

85 Angot % Mini tru % Mobil % Tasi % Bus besar % Motor % Tru sb % Bus mini % Motor Mobil Tasi Angot Bus besar Bus mini Mini tru Tru sb Gambar. Grafi persentase jumlah endaraan tahun periode Dari grafi di atas, endaraan motor masih menjadi persentase terbesar terhadap arus lalu lintas yang ada pada jalan Basui Rahmat, yaitu % pada tahun periode, lalu diiuti oleh persentase mobil yaitu % pada tahun periode. Oleh arena itu, dapat dibuat esimpulan bahwa motor dan mobil adalah tipe endaraan yang sangat berpengaruh pada arus lalu lintas di jalan Basui Rahmat Surabaya, melihat bahwa persentase endaraan lainnya tida begitu besar. Dari hasil peramalan yang dilauan pula, didapatan hasil bahwa pada tahun periode ada beberapa tipe endaraan yang mengalami peningatan dan ada pula yang mengalami penurunan dilihat berdasaran perhitungan antara data periode dengan data histori periode, dijelasan pada tabel.. Tabel. Peningatan atau penurunan jumlah endaraan tahun periode Tipe endaraan Tahun Keterangan

86 jumlah - - Motor -% Mobil -% Tasi % Angot -% Bus besar -% Bus mini -% Mini tru -% Tru sb % Tanda minus (-) pada persentase menandaan tipe endaraan tersebut mengalami penurunan jumlah endaraan, sedangan tanda plus (+) menandaan adanya peningatan jumlah endaraan pada tipe endaraan. Selain itu, dari total seluruh endaraan yang melaju pada jalan Basui Rahmat tahun periode, dapat dietahui watu terpadat dan watu tersenggang pada tahun periode. Perhatian Gambar. total endaraan yang melintas pada jalan Basui Rahmat periode watu Gambar. Grafi total endaraan pada jalan Basui Rahmat tahun periode

87 Gambar. adalah grafi total endaraan yang melaju di jalan Basui Rahmat tahun periode. Lingaran merah yang ditunjuan pada Gambar. adalah tanda untu menunjuan watu terpadat dan watu tersenggang pada tahun periode. Minimal endaraan yang melaju pada jalan Basui Rahmat adalah endaraan, sedangan masimal endaraan yang melaju pada jalan Basui Rahmat adalah endaraan. Sehingga dapat dietahui watu terpadat dan watu tersenggang pada jalan tersebut, ditunjuan pada tabel Tabel. Tabel. Analisa watu terpadat dan tersenggang Watu terpadat Watu tersenggang.... Analisa berdasaran grafi yang ditunjuan pada gambar., didapatan hasil bahwa watu terpadat arus lalu lintas pada jalan Basui Rahmat adalah puul... Sedangan watu tersenggang arus lalu lintas pada jalan Basui Rahmat adalah puul. hingga puul..

88 (halaman ini sengaja diosongan)

89 BAB VII KESIMPULAN DAN SARAN. Kesimpulan Terdapat beberapa esimpulan yang didapatan dari penelitian yang telah dilauan, diantaranya adalah:. Metode K-Nearest Neighbor dapat digunaan untu mendapatan hasil peramalan arus lalu lintas janga pende dari Jalan Basui Rahmat Surabaya.. Estrasi informasi sebagai input model pada K- Nearest Neighbor dibedaan berdasaran tipe endaraan. Terdapat tipe endaraan, sehingga data mentah yang didapatan pada Dinas Perhubungan aan dipecah menurut tipe endaraan.. Input data untu menerapan K-Nearest Neighbor adalah data jumlah endaraan pada masing-masing tipe endaraan pada tahun hingga tahun.. Parameter untu melauan peramalan adalah nilai optimal dan jara optimal untu mendapatan output data peramalan.. Performa yang dihasilan dari penerapan K-Nearest Neighbor untu menyelesaian peramalan arus lalu lintas janga pende dengan mempertimbangan pola emiripan arus lalu lintas data histori dan nilai yang optimal berbeda-beda pada masing-masing data tipe endaraan.. Berdasaran model terbai pada masing-masing data diantaranya setelah melauan penelitian, nilai yang optimal untu masing-masing data adalah = dengan error, untu model terbai motor, = dengan error, untu model mobil, = dengan error, untu model angot, = dengan error, pada model bus besar, = dengan error,

90 pada model bus mini, = dengan error, pada model mini tru, = dengan error, pada model tasi, dan = dengan error, untu model tru SB.. Saran Setelah menyelesaian penelitian ini, penulis menyaranan beberapa hal untu penelitian selanjutnya, diantaranya adalah sebagai beriut.. Untu penelitian selanjutnya, diharapan untu mencoba data menggunaan data time series, maa performa KNN aan lebih masimal.. Menggunaan tools lain untu menguji performa KNN, salah satunya menggunaan MATLAB.. Menentuan nilai sangat berpengaruh pada hasil peramalan, semain besar nilai belum tentu didapatan hasil yang lebih bai arena nilai semain besar maa esalahan atau tingat error aan berangsur-angsur mengalami peningatan.

91 DAFTAR PUSTAKA [] A. Erawan, Kota Paling Macet di Indonesia, Otober. [Online]. Available: [Diases Februari ]. [] A. Bramastra, Duh, Indonesia Borong Daftar Kota Termacet di Dunia, Adaah Kota Anda Tinggal?, September. [Online]. Available: [Diases Februari ]. [] Jawa Pos, Jawa Pos, Desember. [Online]. Available: [Diases September ]. [] B. W. Taylor III, Introduction to Management Science, Ninth Edition, Virginia Polytechnic Institute and State University: Prentice Hall,. [] F. G. Habtemichael dan M. Cetin, Short-term traffic flow rate forecasting based on identifying similar traffic patterns, Transportation Research Part C: Emerging Technologies, vol., pp. -,. [] L. Zhang, Q. Liu, W. Yang, N. Wei dan D. Dong, An Improved K-Nearest Neighbor Model for Short-term

92 Traffic Flow Prediction, International Conference of Transportation Professionals, vol., pp. -,. [] H. Xiaoyu, W. Yisheng dan H. Siyu, Short-term flow forecasting based on two-tier -nearest neighbor algoritm, International Conference of Transportation Professionals, vol., no., pp. -,. [] P. Cai, Y. Wang, G. Lu, P. Chen, C. Ding dan J. Sun, A spatiotemporal correlative -nearest neighbor model for short-term traffic multistep forecasting, Transportation Research Part C: Emerging Technologies, vol., pp. -,. [] Arief, Teni Peramalan, Januari. [Online]. Available: [Diases September ]. [] P. C. Chang, Y. W. Wang dan C. H. Liu, The development of a weighted evolving fuzzy neural networ for PCB sales forecasting, Expert Systems with Applications, pp. -,. [] M. Nigel, A comparison of the accuracy of short term foreign exchange forecasting methods, International Journal of Forecasting, vol., no., pp. -,. [] Analytics Vidhya, Best way to learn NN Algorithm using R Programming, Agustus. [Online]. Available: -concept-nn-algorithms-programming/. [Diases Mei ].

93 [] Dr. Saed Sayad, K Nearest Neighbors - Regression, [Online]. Available: m. [Diases Mei ]. [] A. D. Tiaratuti dan S. Sudaryanto, M.Kom, IMPLEMENTASI METODE K-NEAREST NEIGHBOR DALAM PERAMALAN PENJUALAN MOBIL PADA PT BENGAWAN ABADI MOTOR. [] R. Hutami dan E. Z. Astuti, IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK PREDIKSI PENJUALAN FURNITURE PADA CV. OCTO AGUNG, Doumen Karya Ilmiah Tugas Ahir Program Studi Teni Informatia - S Faultas Ilmu Komputer Universitas Dian Nuswantoro Semarang,. [] stac exchange, nn.reg utilisation in R, [Online]. Available: [Diases Juni ]. [] A. S. Amiun, Pengertian analisa data, tujuan dan teninya, Informasi Ahli,. [Online]. Available: [Diases Otober ]. [] Meta Stac Exchange, How to normalize data to - range?, [Online]. Available: [Diases Juni ].

94 [] Stac Overflow, Use a KNN-regression algorithm in R, [Online]. Available: [Diases Juni ]. [] D. Dalpiaz, Chapter -Nearest Neighbors, [Online]. Available: [Diases Juni ]. [] stac overflow, r - Prediction for new observation in nn, [Online]. Available: [Diases Mei ]. [] wiihow, Cara Menghitung Persentase Kenaian, [Online]. Available: Persentase-Kenaian. [Diases Juni ]. [] Math is fun, Percentage Change, [Online]. Available: [Diases Juni ]. [] Z. Zheng dan D. Su, Short-term traffic volume forecasting: a K-nearest neighbor approach enhanced by consted linearly sewing principle component, Transportation Research Part C: Emerging Technologies, vol., no., pp. -,.

95 BIODATA PENULIS Penulis lahir di Serang pada tanggal bulan April tahun. Penulis merupaan ana pertama dari tiga bersaudara. Penulis telah menempul Pendidian formal pada SDN Serdang II, SMPIT Raudhatul Jannah dan SMAN Cahaya Madani Banten Boarding School dan ini menepuh pendidian perguruan tinggi di Institut Tenologi Sepuluh Nopember pada Departemen Sistem Informasi tahun dengan jalur undangan dengan nomor indu (NRP). Selama peruliahan, penulis atif di organisasi dan epanitiaan, antara lain menjadi staff SRD di BEM FTIF dan staff ahli di SRD BEM FTIF, sebagai staff Film Festival acara ITS Expo dan juga menjadi staff bagian Doumentasi dan Publiasi IS EXPO.