UTOMО, MUHAMMAD FIKRI (2026) FORECASTING ANGKA KECELAKAAN LALU LINTAS DENGAN MACHINE LEARNING BERDASARKAN DATA PT. JASA RAHARJA. S2 thesis, Universitas Malikussaleh.

	Text COVER MUHAMMAD FIKRI UTOMО.pdf Download (334kB)
	Text ABSTRAK MUHAMMAD FIKRI UTOMО.pdf Download (1MB)
	Text BAB 1 MUHAMMAD FIKRI UTOMО.pdf Download (3MB)
	Text DAPUS MUHAMMAD FIKRI UTOMО.pdf Download (2MB)
	Text TESIS - FORECASTING ANGKA KECELAKAAN LALU LINTAS DENGAN MACHINE LEARNING BERDASARKAN DATA PT. JASA RAHARJA - MUHAMMAD FIKRI UTOMO 237110201006.pdf Restricted to Registered users only Download (50MB)

Abstract

Kecelakaan lalu lintas merupakan permasalahan serius yang berdampak pada keselamatan masyarakat serta menimbulkan beban sosial dan ekonomi yang signifikan, khususnya di wilayah kerja PT. Jasa Raharja Cabang Lhokseumawe. Keterbatasan informasi prediktif mengenai jumlah kecelakaan menyebabkan pengambilan kebijakan sering bersifat reaktif. Penelitian ini bertujuan untuk mengembangkan model peramalan (forecasting) angka kecelakaan lalu lintas berbasis machine learning menggunakan pendekatan K-Means Clustering dan Recurrent Neural Network (RNN). Data yang digunakan merupakan data historis kecelakaan lalu lintas periode 2022-2024 yang telah melalui tahapan prapemrosesan dan agregasi mingguan pada tingkat kecamatan. K-Means Clustering diterapkan untuk mengelompokkan kecamatan berdasarkan pola jumlah kecelakaan mingguan, dengan jumlah cluster optimal sebanyak dua cluster berdasarkan nilai silhouette score. Selanjutnya, model RNN dibangun secara terpisah pada masingmasing cluster untuk memprediksi jumlah kecelakaan mingguan. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model RNN pada cluster dengan pola kecelakaan yang relatif stabil menghasilkan tingkat akurasi yang lebih baik dibandingkan cluster dengan pola kecelakaan yang fluktuatif. Secara keseluruhan, kombinasi metode clustering dan RNN mampu memberikan prediksi yang cukup akurat.

Item Type:	Thesis (S2)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Pascasarjana > 71102 - Magister Teknologi Informasi
Depositing User:	mr Fikri Utomo
Date Deposited:	03 Sep 2026 03:35
Last Modified:	03 Sep 2026 03:35
URI:	https://rama.unimal.ac.id/id/eprint/22200

Actions (login required)

View Item