Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Informatik : Jurnal Ilmu Komputer
Adisty, Hawna
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Situasi Lalu Lintas Menggunakan Machine Learning Dengan Algoritma K-Nearest Neighbors Classifier Febrianto, Muhammad Fatur; Priyatno, Abimanyu; Adisty, Hawna; Saputri, Anisa Fadilah; Amanullah, Rizki; Pebrianti Krissella, Thesa; Irzavika, Nindy; Matondang, Nur Hafifah
Informatik : Jurnal Ilmu Komputer Vol 20 No 1 (2024): April 2024
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v20i1.7042

Abstract

Setiap tahunnya kepadatan arus lalu lintas pada daerah kota-kota besar terus meningkat. Situasi lalu lintas yang semakin padat telah menjadi tantangan serius bagi pengelolaan transportasi di berbagai kota di seluruh dunia. Penelitian ini memberikan solusi untuk mengatasi kepadatan lalu lintas di kota-kota besar dengan menerapkan metode Machine Learning, khususnya Algoritma K-Nearest Neighbors (K-NN). Berfokus pada peningkatan kepemilikan kendaraan bermotor sebagai penyebab utama kepadatan lalu lintas, penelitian ini mengeksplorasi prediksi situasi lalu lintas guna meningkatkan efisiensi transportasi. Metodologi penelitian melibatkan enam tahap, termasuk pengumpulan data, pembagian dataset (80% data latih dan 20% data uji), dan pengujian K-NN Classifier dengan akurasi terbaik mencapai 85% melalui validasi silang. Kesimpulan menunjukkan bahwa K-NN Classifier dapat memprediksi situasi lalu lintas dengan tingkat akurasi tinggi, terutama pada data latih dengan nilai 1.0. Penerapan metode ini dapat meningkatkan pengelolaan lalu lintas perkotaan dan mendukung otoritas transportasi serta pemerintah kota dalam mengimplementasikan tindakan yang lebih tepat waktu. Meskipun demikian, penelitian ini memiliki keterbatasan, dan saran untuk penelitian selanjutnya mencakup eksplorasi aspek tertentu serta pengembangan metode, tool, dan pelatihan model untuk perbandingan dengan K-NN.
Co-Authors Amanullah, Rizki Febrianto, Muhammad Fatur Matondang, Nur Hafifah Nindy Irzavika Pebrianti Krissella, Thesa Priyatno, Abimanyu Saputri, Anisa Fadilah