Perancangan Sistem Prediksi Kepadatan Lalu Lintas Menggunakan Metode Double Exponential Smoothing Berbasis IoT

Abstract

Jumlah kendaraan dan arus yang cenderung mengalami pertambahan masih menjadi permasalah besar dan menimbulkan banyak kerugian. Hal itu dapat di lihat dari banyaknya jumlah kendaraan dan bertambahnya arus yang melampaui kapasitas ruas lalu lintas dan dapat mengakibatkan ruang bebas lalu lintas tersebut berkurang sehingga terjadinya kepadatan lalu lintas. Dari permalsalahan tersebut maka diperlukan sebuah sistem yang dapat menghitung jumlah kendaraan dan memprediksi kepadatan lalu lintas secara real time.

Dalam penelitian ini sistem menggunakan Haar Cascade sebagai metode deteksi jumlah mobil dan sepeda motor yang akan dikirim oleh Raspberry PI ke Aplikasi website untuk dilakukan visualisasi dan Prediksi menggunakan metode Double Exponential Smoothing sebagai metode untuk meramalkan jumlah kendaraan pada lalu lintas. Perhitungan akurasi Prediksi menggunakan metode MAPE (Mean Absolute Percentage Error) dalam menentukan sistem untuk memilih nilai konstanta permulusan (alpha) terbaik pada Prediksi. Berdasarkan hasil pengujian pada tanggal 13 sampai 20 Juni 2020 mendapatkan hasil Prediksi terbaik diantaranya mobil pada tanggal 14 Juni 2020 dengan alpha 0,5, MAPE 0% , dan sepeda motor pada tanggal 18 Juni 2020 dengan alpha 0,5, MAPE 0,1134%, kemudian hasil MAPE terbesar kendaraan mobil ada pada tanggal 15 Juni 2020 dengan alpha 0,5, MAPE 2,1073%, dan sepeda motor ada pada tanggal 14 Juni 2020 dengan alpha 0,4 ,MAPE 8,5205%. Pada hasil pengujian deteksi haar cascade dengan membandingkan perhitungan aplikasi dan manual selama 3 menit pada total pengujian adalah deteksi mobil dengan 72,58% dan deteksi sepeda motor  81,90%.