<![CDATA[Prediksi keparahan cedera pada kecelakaan lalu lintas diperlukan untuk mendukung analisis risiko dan penyusunan strategi keselamatan jalan. Penelitian ini menggunakan data kecelakaan dari Kaggle yang mencakup 172.105 catatan pada periode 2016–2023 dengan 43 fitur. Pemodelan dilakukan melalui beberapa tahapan, yaitu pra-pemrosesan data, seleksi fitur menggunakan korelasi Spearman, penanganan ke pengukuran kelas dengan Synthetic Minority Over-sampling Technique (SMOTE ), serta pelatihan model Random Forest menggunakan GridSearchCV 5-fold . Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada 500 pohon, dengan akurasi 91,55%, presisi 0,918, recall 0,916, dan F1-score 0,916. Dari sisi interpretasi, ACRS Report Type dan Vehicle Damage Extent muncul sebagai dua fitur yang paling dominan dalam memprediksi tingkat keparahan cedera. Temuan ini menunjukkan bahwa pendekatan yang digunakan pada penelitian ini mampu memberikan hasil prediksi yang baik sekaligus membantu menjelaskan faktor-faktor yang berkaitan dengan tingkat keparahan cedera kecelakaan lalu lintas.]]>
Copyrights © 2026
