UBMUBM

Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi

Penelitian ini menyajikan pengembangan sistem klasifikasi titik rawan kemacetan menggunakan algoritma Self-Organizing Maps (SOM), yang diintegrasikan ke dalam aplikasi mobile berbasis android. Tujuan utama dari penelitian ini adalah untuk memfasilitasi deteksi dan visualisasi waktu nyata terhadap titik-titik kepadatan lalu lintas melalui teknik machine learning tanpa supervisi. Data lalu lintas yang mencakup volume kendaraan, distribusi tipe kendaraan, dan koordinat geospasial dikumpulkan secara sistematis, dipraolah, dan diubah menjadi vektor fitur multidimensi. Vektor-vektor ini kemudian diproses oleh algoritma SOM untuk mengungkap pola laten kemacetan pada berbagai segmen jalan. Hasil pengujian menunjukkan bahwa model yang diusulkan mampu mengidentifikasi area rawan kemacetan secara akurat, yang selanjutnya divisualisasikan melalui antarmuka pemetaan berwarna dalam aplikasi mobile. Integrasi ini memberikan wawasan berbasis data yang dapat ditindaklanjuti bagi pengguna jalan dan otoritas lalu lintas dalam upaya optimalisasi rute dan mitigasi kemacetan.

Penelitian ini menunjukkan bahwa penerapan algoritma Self-Organizing Map (SOM) dalam mengklasifikasikan area rawan kemacetan memberikan solusi praktis dan terukur untuk mengatasi tantangan manajemen lalu lintas di Kota Makassar.Dengan memproses fitur-fitur kunci seperti volume lalu lintas, komposisi kendaraan, dan pola temporal, model SOM berhasil mengelompokkan segmen jalan perkotaan berdasarkan tingkat keparahan kemacetan.Ketika diintegrasikan ke dalam aplikasi berbasis Android, sistem ini menyediakan visualisasi real-time yang ramah pengguna bagi pengguna dan otoritas lalu lintas.Secara keseluruhan, pendekatan ini menawarkan kerangka kerja berbasis data dan berorientasi pengguna untuk mendukung optimalisasi rute, perencanaan infrastruktur, dan strategi mitigasi lalu lintas proaktif, yang pada akhirnya berkontribusi pada sistem transportasi perkotaan yang lebih berkelanjutan.

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan analisis lebih mendalam mengenai pengaruh faktor eksternal seperti cuaca dan kejadian khusus (misalnya konser atau demonstrasi) terhadap pola kemacetan, sehingga model dapat disesuaikan secara dinamis. Kedua, pengembangan model prediktif kemacetan jangka panjang dengan memanfaatkan data historis dan algoritma machine learning yang lebih canggih dapat memberikan informasi yang lebih akurat bagi perencanaan transportasi. Ketiga, integrasi data dari berbagai sumber seperti sensor lalu lintas, kamera CCTV, dan media sosial dapat meningkatkan akurasi dan cakupan sistem deteksi kemacetan, serta memungkinkan identifikasi dini potensi masalah lalu lintas. Dengan menggabungkan ketiga saran ini, diharapkan dapat tercipta sistem manajemen lalu lintas yang lebih adaptif, responsif, dan mampu memberikan solusi yang optimal bagi permasalahan kemacetan di perkotaan.

  1. IOS Press Ebooks - Characterizing Cluster-Based Frailty Phenotypes in a Multicenter Prospective Cohort... ebooks.iospress.nl/doi/10.3233/SHTI231094IOS Press Ebooks Characterizing Cluster Based Frailty Phenotypes in a Multicenter Prospective Cohort ebooks iospress nl doi 10 3233 SHTI231094
  2. Enhancing Urban Mobility through Adaptive Traffic Analysis: A Case Study in Singapore | Research Square.... researchsquare.com/article/rs-4591616/v1Enhancing Urban Mobility through Adaptive Traffic Analysis A Case Study in Singapore Research Square researchsquare article rs 4591616 v1
  3. A Review and Case Study on Android Malware: Threat Model, Attacks, Techniques and Tools | Journal of... journals.riverpublishers.com/index.php/JCSANDM/article/view/5261A Review and Case Study on Android Malware Threat Model Attacks Techniques and Tools Journal of journals riverpublishers index php JCSANDM article view 5261
Read online
File size673.51 KB
Pages9
DMCAReport

Related /

ads-block-test