PENERAPAN SUPPORT VECTOR REGRESSION UNTUK PERAMALAN JUMLAH KECELAKAAN LALU LINTAS DI KABUPATEN BANGKA PROVINSI KEPULAUAN BANGKA BELITUNG

Sarina; Nur Kholisoh; Fintha Karin Lissya; Sulastri; Desti Aulia Pratiwi; Chiyona Saputri; Juwanda Eka Putra; Desy Yuliana Dalimunthe

doi:10.33019/fraction.v5i1.67

Authors

Sarina Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Nur Kholisoh Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Fintha Karin Lissya Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Sulastri Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Desti Aulia Pratiwi Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Chiyona Saputri Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Juwanda Eka Putra Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung
Desy Yuliana Dalimunthe Jurusan Matematika Fakultas Sains dan Teknik Universitas Bangka Belitung

DOI:

https://doi.org/10.33019/fraction.v5i1.67

Keywords:

Kecelakaan Lalu Lintas, Peramalan, Support Vector Regression

Abstract

Kecelakaan lalu lintas merupakan salah satu peristiwa yang sering terjadi dijalan yang dapat menyebabkan adanya korban jiwa. Penelitian ini bertujuan untuk memperkirakan Jumlah Kecelakaan Lalu Lintas di Kabupaten Bangka Provinsi Kepulauan Bangka Belitung. Penelitian ini menggunakan Metode Support Vector Regression dengan 2 kernel yaitu Kernel Polynomial dan Kernel RBF. Data yang digunakan dari Januari 2020 sampai dengan Desember 2023. Data tersebut dikumpulkan menjadi data training dengan jumlah (34 data) dan data testing dengan jumlah (14 data). Hasil peramalan menggunakan kernel Polynomial menghasilkan nilai persentase MAPE sebesar 34.94594% dimana hasil peramalan artinya “kurang akurat”. Hasil peramalan menggunakan kernel RBF memiliki persentase MAPE yang lebih kecil yaitu 0.047608% yang artinya hasil peramalan “sangat akurat”. Penggunaan dari dua kernel tersebut menyatakan bahwa dalam Metode Support Vector Regression untuk memprediksi jumlah kecelakaan lalu lintas dengan lebih tepat menggunakan Kernel RBF. Berdasarkan hasil prediksi jumlah kecelakaan lalu lintas tertinggi yang terjadi pada bulan April 2025 yaitu sebesar 15.9967231 sedangkan jumlah kecelakaan lalu lintasan terendah terjadi pada bulan September 2026 yaitu sebesar 0.9955438.

Downloads

Download data is not yet available.

References

[1] R. Safitri dan R. Amelia, Identifikasi Wilayah Rawan Kecelakaan (Blackarea) Berbasis Sistem Informasi Geografis Di Provinsi Kepulauan Bangka Belitung. 2017.

[2] N. P. R. Apriyanti, I. K. G. D. Putra, and I. M. S. Putra, “Peramalan Jumlah Kecelakaan Lalu Lintas Menggunakan Metode Support Vector Regression,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 8, no. 2, p. 72, 2020, doi: 10.24843/jim.2020.v08.i02.p01.

[3] N. D. Maulana, B. D. Setiawan, and C. Dewi, “Implementasi Metode Support Vector Regression (SVR) Dalam Peramalan Penjualan Roti (Studi Kasus : Harum Bakery),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2986–2995, 2019.

[4] N. A. Putra, B. D. Setiawan, and P. P. Adikara, “Peramalan Harga Saham Menggunakan Support Vector Regression Dengan Algoritma Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 1, pp. 209–216, 2018.

[5] A. S. Rachman, I. Cholissodin, and M. A. Fauzi, “Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1683–1689, 2018.

[6] E. S. Indra Septiawati, E. Budianita, F. Insani, and L. Oktavia, “Prediksi Jumlah Perceraian Menggunakan Metode Support Vector Regression (SVR),” J. Comput. Syst. Informatics, vol. 5, no. 1, pp. 208–217, 2023, doi: 10.47065/josyc.v5i1.4613.

[7] A. M. Priyatno, A. Wiratmo, F. Syuhada, and P. Cholidhazia, “Perbandingan Imputasi Dan Parameter Support Vector Regression untuk Peramalan Cuaca,” J. SIMETRIS, vol. 10, no. 2, pp. 651–660, 2019, doi: 10.24176/simet.v10i2.3402.

[8] S. S. M. Evy Sulistianingsih, “Prediksi Nilai Tukar Dolar Amerika Serikat Terhadap Rupiah Dengan Metode Support Vector Regression (SVR),” Bimaster Bul. Ilm. Mat. Stat. dan Ter., vol. 8, no. 1, pp. 1–10, 2018, doi: 10.26418/bbimst.v8i1.30503.

[9] C. Lopez-Martin, M. Azzeh, A. Bou-Nassif, and S. Banitaan, “Upsilon-SVR Polynomial Kernel for Predicting the Defect Density in New Software Projects,” Proc. - 17th IEEE Int. Conf. Mach. Learn. Appl. ICMLA 2018, pp. 1377–1382, 2018, doi: 10.1109/ICMLA.2018.00224.

[10] L. Nurhani, A. Gunaryati, S. Andryana, and I. Fitri, “Jaringan Syaraf Tiruan Dengan Metode Backpropagation Untuk Memprediksi Jumlah Mahasiswa Baru,” Semin. Nas. Teknol. Inf. dan Multimed., pp. 25–30, 2018.

[11] D. I. Purnama and O. P. Hendarsin, “Peramalan Jumlah Penumpang Berangkat Melalui Transportasi Udara di Sulawesi Tengah Menggunakan Support Vector Regression (SVR),” Jambura J. Math., vol. 2, no. 2, pp. 49–59, 2020, doi: 10.34312/jjom.v2i2.4458.

[12] L. Latipah, S. Wahyuningsih, and S. Syaripuddin, “Peramalan Pendapatan Asli Daerah Provinsi Kalimantan Timur Menggunakan Model Grey-Markov (1,1),” Jambura J. Math., vol. 1, no. 2, pp. 89–103, 2019, doi: 10.34312/jjom.v1i2.2347.