UNUGHAUNUGHA

PROCEEDING AL GHAZALI International ConferencePROCEEDING AL GHAZALI International Conference

Studi ini mengeksplorasi penerapan model pembelajaran mesin yang disematkan dengan logika fuzzy untuk klasifikasi dan prediksi kemacetan lalu lintas. Tujuan utama penelitian ini adalah untuk membandingkan kinerja model Fuzzy Logic-Embedded Long Short-Term Memory (FL LSTM), Fuzzy Logic-Embedded Random Forest (FL RF), dan Fuzzy Logic-Embedded Support Vector Machine (FL SVM) dalam memprediksi tingkat kemacetan lalu lintas. Dataset simulasi, yang mencakup fitur seperti volume lalu lintas, kecepatan kendaraan, dan okupansi jalan, digunakan untuk melatih dan menguji model-model tersebut. Hasil penelitian menunjukkan bahwa model FL RF mengungguli FL LSTM dan FL SVM dalam hal akurasi, dengan akurasi klasifikasi tertinggi dan tingkat kesalahan klasifikasi terendah yang terlihat dalam matriks kebingungannya. Model FL LSTM, meskipun efektif dalam menangkap ketergantungan temporal, mengalami penurunan akurasi, sementara FL SVM kesulitan membedakan antara beberapa tingkat kemacetan. Kinerja FL RF disebabkan oleh kemampuannya yang tangguh dalam menangani data berdimensi tinggi dan kebisingan, yang sangat penting untuk prediksi lalu lintas di dunia nyata. Penelitian ini menyoroti potensi integrasi logika fuzzy dengan pembelajaran mesin untuk menangani ketidakpastian dan ketidakjelasan dalam data lalu lintas, dan menyarankan agar penelitian selanjutnya dapat berfokus pada penerapan teknik deep learning untuk perbaikan lebih lanjut dalam akurasi dan kemampuan prediksi waktu nyata.

FL RF model memberikan kinerja terbaik, mengungguli model FL LSTM dan FL SVM dalam hal akurasi klasifikasi dan ketahanan terhadap data yang bising dan tidak pasti.Penelitian selanjutnya dapat mengeksplorasi integrasi teknik deep learning seperti convolutional neural networks (CNN) dengan logika fuzzy untuk menangkap fitur spasial dan temporal data lalu lintas.Selain itu, penggunaan dataset dunia nyata yang lebih besar dan pengujian model dalam lingkungan waktu nyata akan lebih memvalidasi kegunaannya dalam sistem manajemen lalu lintas dinamis.

Berdasarkan temuan ini, beberapa arah penelitian lanjutan dapat dieksplorasi. Pertama, penelitian dapat difokuskan pada pengembangan model yang mampu mengintegrasikan data cuaca secara real-time untuk meningkatkan akurasi prediksi kemacetan, mengingat kondisi cuaca seringkali menjadi faktor signifikan. Kedua, penelitian dapat menyelidiki penggunaan data dari berbagai sumber, seperti sensor lalu lintas, kamera CCTV, dan data GPS dari kendaraan, untuk menciptakan model yang lebih komprehensif dan adaptif terhadap perubahan kondisi lalu lintas. Terakhir, penelitian dapat mengeksplorasi penerapan teknik pembelajaran penguatan (reinforcement learning) untuk mengembangkan sistem kontrol lalu lintas adaptif yang dapat secara otomatis menyesuaikan pengaturan sinyal lalu lintas berdasarkan prediksi kemacetan, sehingga dapat mengurangi kemacetan secara proaktif dan meningkatkan efisiensi lalu lintas secara keseluruhan.

Read online
File size395.59 KB
Pages12
DMCAReport

Related /

ads-block-test