PENGEMBANGAN MODEL LSTM PREDIKSI KEMACETAN JALAN SUKABUMI BERBASIS ANALISIS KECEPATAN RATA-RATA KENDARAAN

Abstract

Kemacetan lalu lintas di perkotaan seperti Sukabumi berdampak signifikan pada efisiensi mobilitas masyarakat. Model prediksi berbasis deep learning saat ini seringkali memerlukan komputasi berat dan dataset heterogen yang kompleks. Penelitian ini bertujuan mengembangkan model prediksi kemacetan yang ringan dan akurat menggunakan arsitektur Sequence-to-Sequence (Seq2Seq) Long Short-Term Memory (LSTM). Metode yang digunakan memanfaatkan Floating Car Data (FCD) kecepatan kendaraan selama 30 hari dengan interval 15 menit pada 50 ruas jalan. Data mentah direkayasa menjadi 41 fitur spasial-temporal, dinormalisasi menggunakan teknik Hybrid Scaling (Z-Score dan Min-Max), serta distrukturkan melalui metode sliding window dengan lookback 12 langkah untuk memprediksi 4 langkah ke depan. Hasil evaluasi menunjukkan model mencapai Validation Loss (MSE) 0,0576. Pengujian pada data uji menghasilkan Mean Absolute Error (MAE) keseluruhan 1,6905 km/jam dan Root Mean Squared Error (RMSE) 2,4692 km/jam. Hasil prediksi kecepatan ini berhasil diklasifikasikan ke dalam 4 kategori Speed Ratio (Free Flow, Moderate, Congested, Severe Congestion) untuk visualisasi dasbor kemacetan secara real-time.