<![CDATA[Abstrak - Pangkal Pinang, ibu kota Provinsi Kepulauan Bangka Belitung, menghadapi tantangan signifikan dalam mengatasi kemacetan di persimpangan utama kota. Penelitian ini mengembangkan Sistem Analisis Simpang Tak Bersinyal (SASTB) berbasis machine learning sebagai solusi inovatif untuk meningkatkan efisiensi pengaturan lalu lintas. Sistem ini dirancang menggunakan metode Prototype, yang melibatkan pengumpulan data lalu lintas, perancangan sistem, pengembangan model, serta pengujian dan penyempurnaan iteratif. Dengan algoritma seperti Support Vector Machine (SVM), SASTB mampu memprediksi kepadatan lalu lintas secara dinamis berdasarkan parameter seperti volume kendaraan dan waktu tunggu. Sistem ini menunjukkan keunggulan dalam pembelajaran berkelanjutan dari data baru, meningkatkan akurasi prediksi, dan menyesuaikan kinerjanya dengan kondisi lalu lintas yang berubah-ubah. Hasil penelitian menunjukkan bahwa implementasi SASTB dapat mengurangi waktu tunggu kendaraan, meningkatkan alur lalu lintas, dan menjadi acuan bagi pengembangan kebijakan transportasi yang berkelanjutan. Sistem ini juga dirancang dengan antarmuka pengguna (UI) intuitif untuk mendukung kemudahan operasional, mencakup fitur visualisasi prediksi kepadatan lalu lintas dalam tiga kategori: rendah, sedang, dan tinggi. Penelitian ini berkontribusi pada pengembangan solusi teknologi untuk mengatasi kemacetan, mendukung mobilitas perkotaan, dan mewujudkan kota cerdas yang berkelanjutan di IndonesiaKata kunci: Simpang tak bersinyal; Machine Learning; Support Vector Machine; kepadatan lalu lintas. Abstract - Pangkal Pinang, the capital city of Bangka Belitung Province, faces significant challenges in addressing traffic congestion at its main intersections. This study develops a Non-Signalized Intersection Analysis System (SASTB) based on machine learning as an innovative solution to improve traffic management efficiency. The system is designed using the Prototype method, involving traffic data collection, system design, model development, as well as iterative testing and refinement. Using algorithms such as Support Vector Machine (SVM), SASTB dynamically predicts traffic density based on parameters such as vehicle volume and waiting time. The system demonstrates advantages in continuously learning from new data, improving prediction accuracy, and adapting its performance to changing traffic conditions. The study results show that implementing SASTB can reduce vehicle waiting times, enhance traffic flow, and serve as a model for developing sustainable transportation policies. The system is also designed with an intuitive user interface (UI) to support ease of operation, featuring traffic density prediction visualization categorized into three levels: low, medium, and high. This research contributes to the development of technological solutions for traffic congestion, supporting urban mobility, and realizing sustainable smart cities in Indonesia.Keywords: Non-Signalized Intersection; Machine Learning; Support Vector Machine; Traffic Density.]]>
Copyrights © 2025
