1 of 24

Penerapan Machine Learning dalam Memprediksi Kemacetan di 10 Titik Simpang Terpasang Intelligent Traffic Control System (ITCS) berbasis AI di DKI Jakarta

Nafanalitics

2 of 24

Our Team

Mohamad Faza Fauzan

Roissyah Fernanda Khoiroh

Fauzan Ihza Fajar

3 of 24

Outline

Introduction

Data and Methods

Results

Conclusion and Future Work

4 of 24

Introduction

5 of 24

Latar Belakang

Kemacetan merupakan salah satu masalah utama yang dihadapi kota-kota besar di berbagai negara , termasuk Jakarta. salah satu upaya yang dilakukan Pemerintah Provinsi Jakarta adalah dengan merancang ITCS berbasis AI guna mengurai kemacetan.

Tujuan dari penelitian ini yaitu untuk mengembangkan model machine learning dengan tipe klastering, regresi, dan klasifikasi guna memprediksi kemacetan di persimpangan jalan yang telah dipasang ITCS berbasis AI.

6 of 24

Batasan masalah

Keterbatasan variabel terkait topik kemacetan di Here Maps API.
Prediksi kemacetan hanya dilakukan di 10 titik dari 20 titik simpang terpasang ITCS berbasis AI, dengan radius ± 500 meter dari titik tengah lampu merah.
Model hanya mampu memprediksi kemacetan pada jam sibuk (Pukul 06.00-10.00 WIB dan 16.00-20.00 WIB).

7 of 24

Data and Methods

8 of 24

10 Titik Simpang Terpasang ITCS Berbasis AI

9 of 24

1700 baris, 7 kolom

Data

11 of 24

Data Preprocessing

Cek Missing value
Cek Duplicate value
Memisahkan Time menjadi date_split, time_split, Jam dan Menit

12 of 24

EDA

Distribusi variabel numerik
Analisis multivariat
Rerata waktu tempuh berdasarkan hour_split
Rerata waktu tempuh pada jam pagi dan jam sore berdasarkan simpang

13 of 24

Feature Engineering

Menghitung Kecepatan_normal
Transformasi radian, sin, cos untuk Jam dan Menit
Label encoding pada simpang

14 of 24

Feature Selection

Base_duration
Length
simpang
Kecepatan_normal
Jam_radian

Menit_radian
Jam_sin
Jam_cos
Menit_sin
Menit_cos

15 of 24

Modeling

KMeans

Random Forest dan XGBoost Regressor

Random Forest dan XGBoost Classifier

Mengelompokkan waktu tempuh ke dalam n klaster

Memprediksi waktu tempuh

Memprediksi label kategori waktu tempuh

17 of 24

Klastering

Interpretasi Klaster

Kluster 3 : Macet

Kluster 1 : Sedikit Macet

Klaster 2 : Ramai Lancar

Klaster 0 : Lancar

19 of 24

Klasifikasi

20 of 24

Demo

Deployment Link

http://ristek.link/predict-traffic-Nafanalitics

https://predict-cluster-lalu-lintas-h4xargbrrbqhfuugi9tebb.streamlit.app/

21 of 24

Conclusion and Future Works

22 of 24

Conclusion

Variabel waktu tempuh menjadi indikator utama dalam memprediksi kemacetan di 10 titik simpang terpasang ITCS berbasis AI.

Silhouette score pada model KMeans yaitu 0.596, dengan jumlah klaster sebanyak 4.

XGBoost Regressor Tuning memberikan skor SMAPE terkecil yaitu 1.714.

XGBoost Classifier Tuning memberikan performa yang baik dengan metrik precision tertinggi yaitu 95.66%.

Fitur-fitur terpenting dalam model regresi maupun klasifikasi adalah kecepatan normal, base duration, simpang, dan jam sin.

23 of 24

Future Work

Menambahkan variabel lain seperti volume kendaraan, dan lebar jalan di setiap simpang sehingga model lebih akurat dalam memprediksi kemacetan.

Mengeksplor kembali API yang tersedia baik dari Here Maps API maupun dari penyedia layanan lainnya, sehingga cakupan data semakin variatif.

Dengan data yang lebih lengkap, dapat mencoba penerapan model regresi untuk mengatur penambahan/pengurangan durasi lampu merah di suatu simpang yang sudah menerapkan ITCS berbasis AI.