bpnn

Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999

54 http://research.pps.dinus.ac.id

PREDIKSI DATA ARUS LALU LINTAS JANGKA PENDEK

MENGGUNAKAN OPTIMASI NEURAL NETWORK BERBASIS

GENETIK ALGORITHM

Sucianna Ghadati Rabiha dan Stefanus Santosa Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

ABSTRAK

Survei lalu lintas dilakukan dengan tujuan untuk memperoleh data arus lalu lintas sehingga dapat

dimanfaatkan sebagai acuan dalam kontrol Manajemen lalu lintas di jalan raya. Dengan adanya

kontrol Manajemen lalu lintas yang tepat maka kemacetan dan kecelakaan di jalan raya dapat

dihindari. Survei lalu lintas yang dilakukan di Indonesia masih kurang efektif, maka untuk membantu

perolehan data lalu lintas diperlukan adanya prediksi dengan akurasi yang tinggi. Pada penelitian

ini, diterapkan pendekatan komputasi cerdas yaitu Neural Network yang di optimasi menggunakan

Genetik Algorithm untuk memprediksi data time series. Sehingga dapat meminimalkan nilai root

mean square error (RMSE) dari penelitian sebelumnya yang hanya menerapkan Neural Network

dengan metode Backpropagation dengan nilai RMSE yang dihasilkan sebesar 108.780. Optimasi

dengan menggunakan Genetik Algorithm terbukti dapat meminimalkan nilai RMSE sebesar 2,54%

dengan perolehan RMSE sebesar 106.016.

Kata kunci: arus lalu lintas, backpropagation, genetik algorithm,neural network

1. PENDAHULUAN

Manajemen lalu lintas di jalan raya perkotaan sangat penting untuk menyediakan mobilitas dalam kota

dan sekitarnya. Kontrol Manajemen Lalulintas yang tepat dapat diimplementasikan untuk

menghindari kemacetan dan menangani kecelakaan Prasarana lalu-lintas yang baik akan mendukung

kelancaran arus barang, jasa, serta aktifitas masyarakat.

Perolehan Data arus lalu lintas di Indonesia dilakukan dengan cara manual, yaitu melalui survei

langsung ke lokasi sesuai dengan pedoman yang dikeluarkan oleh Dinas Pekerjaan Umum

Departemen Pemukiman dan Prasarana Wilayah tentang Survei Pencacahan Lalu lintas [2]. Oleh

karena itu untuk mempermudah survei arus lalulintas jangka pendek dibutuhkan prediksi arus

lalulintas jangka pendek agar dapat mengetahui perkembangan situasi arus lalulintas jangka pendek

dalam periode waktu tertentu. Sehingga dengan adanya prediksi tersebut dapat memberikan solusi

yang lebih tepat dan efisien.

Beberapa penelitian mengenai prediksi arus lalu lintas jangka pendek dilakukan oleh Ming Zhong

et al, mereka menggunakan metode Naive meliputi model langsung menggunakan last year value

(LYV), last month value (LMV), dan average value of last few years (HA). Meskipun penerapan

mekanisme model average value of last few years (HA) ini bermanfaat untuk mengurangi kesalahan

estimasi yang besar, namun prosentase sebagian besar kesalahan masih lebih dari 15%. Oleh karena

itu Ming Zhong et al [1], mencoba membandingkannya menggunakan metode Neural Network dengan

model exponential weighted moving average (EWMA) dan autoregressive integrated moving average

(ARIMA) menggunakan model analisis time-series dan ternyata dapat menghasilkan lebih banyak data

historis untuk prediksi. Sehingga, model ini memiliki tingkat akurasi yang lebih baik dengan

kesalahan rata-rata yang berkisar 5-6%.

Pada tahun 2010, Vedat Topuz mencoba membandingkan kinerja generalisasi dari model Neural

Network yang berbeda seperti jenis seperti Multi Layer Perceptron (MLP), Radial Basis Function

Network (RBF), Elman Recurrent Neural Networks (ERNN) dan masukan Non-linear Auto


http://research.pps.dinus.ac.id 55

Regressive and eXogenous masukan (NARX). Vedat Topuz, menyimpulkan bahwa, banyak studi

prediksi transportasi data lainnya dapat diimplementasikan dengan mudah dan berhasil dengan

menggunakan arsitektur Neural Network yang berbeda.

Kemudian Penelitian yang dilakukan oleh Young Jung Yu pada tahun 2008 [4], mengusulkan

model prediksi lalu lintas jangka pendek menggunakan Bayesian Network. Prediksi ini meramalkan

status arus lalu lintas jangka pendek selama 60 menit kedepan. Salah satu indeks yang digunakan

dalam penelitian ini adalah Root Mean Square Error (RMSE) dan yang lainnya adalah menentukan

waktu perjalanan dengan mengambil tiga jenis jalur terpendek untuk pola yang diberikan. Selain itu,

meskipun prediksi dilakukan untuk jangka waktu selama 60 menit kedepan, penelitian pada model ini

dapat memberikan solusi kurang dari 8 nilai RMSE dan korelasi perjalanan waktu dari jalur terpendek

memiliki lebih dari prosentase 85% dengan data lalu lintas yang sesungguhnya.

Pada tahun 2010 Teja P.V et al mengusulkan penerapan pola klasifikasi dan teknik regresi yang

baru saja dikembangkan yaitu Support Vector Machine (SVM) untuk prediksi lalu lintasjangka

pendek.Dalam penelitian ini juga membandingkan kinerja model Neural Network dengan Support

Vector Machine. Hasil yang diperoleh menunjukkan bahwa SVM dapat mengurangi tingkat error

dengan SVM dalam banyak kasus. Sehingga SVM bisa menjadi alternatif prediksi lalu lintas jangka

pendek dengan parameter yang disesuaikan dalam kondisi lalu lintas India.

Setelah Tedja P.V, Yuesheng Gu et al pada tahun 2011 [6], melakukan penelitian tentang arus

lalu lintas jangka pendek menggunakan pendekatan peramalan Hybrid baru yang cerdas pada integrasi

berbasis Wavelet Transform (WT), Genetik Algorithm (GA) dan Fuzzy Neural Network (FNN). Hasil

analisis menunjukkan bahwa metode yang diusulkan dapat mengekstrak aturan yang mendasari data

pengujian dan meningkatkan akurasi prediksi sebesar 15% atau lebih baik bila dibandingkan hanya

dengan menggunakan pendekatan Neural Network .

Selain itu pada tahun 2011 Yuli Fitrianto melakukan penelitian prediksi arus lalu lintas jangka

pendek menggunakan Neural Network untuk data time-series dengan metode backpropagation

sehingga diperoleh prediksi dengan target light vehicle (LV) dengan hasil tingkat keakuratan 78% dan

dengan target heavy vehicle (HV) dengan hasil tingkat keakuratan 76%.

Menurut Amit Ganatra et al pada tahun 2011 [8] Neural Network dapat dilatih untuk

membedakan kriteria yang secara umum dapat digunakan untuk mengklasifikasikan input yang baru

dengan mudah sehingga memungkinkan klasifikasi sukses selama tidak digunakan pelatihan.

Backpropagation Neural Network dapat dioptimalkan dengan menggunakan Algoritma Genetika

(GA). Algoritma Backpropagation ditingkatkan dengan menerapkan algoritma genetik, untuk

meningkatkan kinerja keseluruhan classifier. Tujuan dari algoritma Hybrid adalah untuk melakukan

penyesuaian bobot untuk meminimalkan Mean Square Error antara output yang diperoleh dan output

yang diinginkan. Keuntungan dari Genetik Algorithm adalah untuk mempercepat pelatihan dari Neural

Network, dan terbukti dapat memberikan nilai akurasi yang tinggi sebesar 93% dengan menggunakan

jenis data set tertentu.

Dari penelitian yang pernah dilakukan maka pada penelitian ini akan melakukan penelitian

tentang penerapan arus lalu lintas jangka pendek untuk data time-series menggunakan Neural Network

dan Optimasi Genetic Algorithm agar dapat menghasilkan tingkat Root Mean Square Error (RMSE)

yang lebih rendah. Penggunaan Neural Network berbasis Genetik Algorithm (GA) terbukti dapat

meningkatkan akurasi prediksi sebesar 15% pada penelitian tentang arus lalu lintas jangka pendek.

2. TINJAUAN PUSTAKA Untuk memilih arsitektur Neural Network yang tepat, agar meminimalkan Root Mean Square Error

(RMSE), diperlukan pengaturan (adjustment) untuk parameter-parameter Neural Network yang akan

di optimasi menggunakan Genetik Algorithm. Berikut ini adalah langkah dalam pemilihan parameter-

parameter dan arsitektur yang diusulkan berdasarkan contoh pada penelitian yang dilakukan oleh Amit

Ganatra et al [8]:

Tiga operator yang digunakan oleh algoritma genetik:

1. Seleksi ( p intitialize). Mengacu pada Operator seleksi



2. Crossover (p crossover). Operator crossover yang melakukan rekombinasi, menciptakan dua

keturunan baru secara acak memilih lokus dan bertukar subsequence ke kiridan kanan bahwa

lokus antara dua kromosom dipilih selama seleksi. 3. Mutasi (p mutation). Mutasi memperkenalkan informasi baru untuk kolam genetic dan

melindungi konvergen yang terlalu cepat ke optimum lokal.

Data input harus dibagi menjadi dua bagian. Pelatihan set dan set Test.

a. Set pelatihan harus dibuat untuk memasukkan jumlah yang sama dari pola untuk setiap kelas.

b. Set pelatihan harus disajikan sebagai masukan untuk BPNN tersebut.

Output dari algoritma : Label kelas akan diprediksi untuk pola masukan yang diberikan.

a. Akan ada satu neuron pada lapisan output untuk memprediksi kelas.

b. Output neuron akan memprediksi apakah pola yang diberikan diklasifikasikan sebagai kelas itu

atau tidak.

2.1 Neural Network Sebuah Neural Network dapat dianalisa dari dua sisi:

1. Bagaimana neuron-neuron tersebut dirangkaikan dalam suatu jaringan (arsitektur)

2. Bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang dikehendaki

(algoritma pembelajaran). Algoritma pembelajaran ini menentukan cara bagaimana nilai penguatan

yang optimal diperoleh secara otomatis.

Berdasarkan arsitekturnya, Neural Network dapat dikategorikan, antara lain, singlelayer Neural

Network, multilayer Neural Network, dan recurrent Neural Network. Berbagai algoritma pembelajaran

antara lain Hebb’s law, Delta rule, Backpropagation algorithm, dan Self Organizing Feature Map.

Berawal dari diperkenalkannya model matematika neuron oleh Mc. Culloch dan Pitts, penelitian di

bidang Neural Network berkembang cukup pesat, dan mencapai puncak keemasan pertama pada era

tahun 60, dan puncak kedua pada pertengahan tahun 80-an.

2.2 Metode Backpropagation Ada dua proses dalam belajar algoritma BP yang proses feedforward dan proses backward. Dalam

proses feedforward, dataset disajikan ke input lapisan dan jaringan menyebarkan pola masukan dari

lapisan ke lapisan sampai output pola yang dihasilkan. Pada intinya, pelatihan dengan metode

backpropagation terdiri dari tiga langkah, yaitu:

1. Data dimasukkan ke input jaringan (feedforward)

2. Perhitungan dan propagasi balik dari error yang bersangkutan

3. Pembaharuan (adjustment) bobot dan bias.

Saat umpan maju (feedforward), setiap unit input ( ) akan menerima sinyal input dan akan

menyebarkan sinyal tersebut pada tiap hidden unit ( ), setiap hidden unit kemudian akan menghitung

aktivasinya dan mengirim sinyal ( ) ke tiap unit output. Kemudian setiap unit output ( ) juga akan

menghitung aktivasinya ( ) untuk menghasilkan respons terhadap input yang diberikan jaringan.Saat

proses pelatihan (training), setiap unit output membandingkan aktivasinya ( ) dengan nilai target ( )

untuk menentukan besarnya error. Berdasarkan error ini dihitung faktor , di mana faktor ini

digunakan untuk mendistribusikan error dari output ke layer sebelumnya. Dengan cara yang sama,

faktor juga dihitung pada hidden unit , di mana faktor ini digunakan untuk memperbaharui bobot

antara hidden layer dan input layer. Setelah semua faktor ditentukan, bobot untuk semua layer

diperbaharui.

2.3 Genetik Algorithm

Algoritma genetik mencoba untuk meniru proses komputasi dimana seleksi alam beroperasi dan

menerapkannya untuk memecahkan masalah bisnis dan penelitian. Algoritma Genetik dikembangkan

oleh John Holland pada tahun 1960 dan 1970-an, algoritma genetika menyediakan kerangka kerja

untuk mempelajari efek dari factor biologis seperti seleksi pasangan, reproduksi, mutasi dan informasi

genetik crossover. Dalam dunia nyata, kendala dan tekanan lingkungan tertentu memaksa spesies yang

berbeda (dan individu yang berbeda dalam spesies) bersaing untuk menghasilkan keturunan terbaik.

Dalam dunia algoritma genetik, kesesuaian potensi berbagai solusi yang dibandingkan dan solusi

potensial terbaik berevolusi untuk menghasilkan solusi yang lebih optimal.



Tiga operator yang digunakan oleh algoritma genetik:

1. Seleksi

Operator seleksi mengacu pada metode yang digunakan untuk memilih kromosom yang akan

bereproduksiFungsi fitness mengevaluasi setiapkromosom (kandidat solusi), dan kromosom

terbaik, semakinbesar solusi terbaik maka akan dipilih untuk bereproduksi.

2. Crossover.

Operator crossover yang melakukan rekombinasi, menciptakan dua keturunan barudengan cara

acak memilih lokus dan bertukar subsequence ke kiridan kanan, lokus terdiri dari dua kromosom

yang dipilih selama seleksi. Misalnya, dalam representasi biner, dua string 11111111 dan

00000000 bisaakan menyeberang pada lokus keenam di masing-masing untuk menghasilkandua

keturunanbaru 11111000 dan 00000111.

3. Mutasi.

Operator mutasi acak mengubah bit atau digit pada khususnyalokus dalam kromosom, namun

denganprobabilitas yang sangat kecil.Misalnya, setelah crossover, string anak 11111000 dapat

bermutasi pada lokusdua menjadi 10111000.Mutasi memperkenalkan informasi baru untuk kolam

geneticdan melindungi konvergen terlalu cepat terhadap situasi ke optimum lokal.

Algoritma genetik berfungsi dengan iteratif memperbarui koleksi potensisolusi yang disebut

populasi.Setiap anggota populasi dievaluasi untuk fitnes pada setiap siklus.Sebuah populasi baru

kemudian mengganti populasi tua menggunakanoperator di atas, dengan anggota terkuat dipilih untuk

reproduksi atau kloning.Fungsi fitnessf(x) adalah fungsi bernilai real operasi pada kromosom

(potensialsolusi), bukan gen, sehingga x pada f(x)mengacu pada nilai numerik diambiloleh kromosom

pada saat evaluasi fitnes.

2.4 Menggunakan Algoritma Genetika Untuk Melatih Jaringan Syaraf

Sebuah jaringan saraf terdiri dari jaringan, berlapis feedforward, benar-benar terhubung dari buatan

neuron atau node.JST digunakan untuk klasifikasi atau estimasi [11].

Gambar 2.4.1 Diagram Jaringan Syaraf Sederhana

Untuk rincian tentangtopologi jaringan saraf dan operasi. Gambar 2.4.1 menyediakan dasar

diagram dari jaringan syaraf sederhana. Sifat jaringan feedforward membatasi jaringan untuk aliran

satu arah dan tidak memungkinkan perulangan. Jaringan saraf tersebut terdiri dari dua atau lebih

lapisan, meskipun sebagian besar jaringan terdiri dari tiga lapisan : lapisan input, lapisan tersembunyi dan lapisan output. Mungkin ada lebih dari satu lapisan tersembunyi, meskipun sebagian besar

jaringan mengandung hanya satu, yang cukup untuk sebagian besar tujuan. Jaringan saraf terhubung

sepenuhnya, yang berarti bahwa setiap node dalam layer tertentu terhubung kesetiap node pada lapisan

berikutnya, meskipun tidak untuk node lainnya pada lapisan yang sama. Setiap koneksi antara node

memiliki bobot (misalnya,W1A) yang terkait dengannya. Pada inisialisasi,bobot secara acak

ditugaskan untuk nilai-nilai antara nol dan 1.

Jaringan saraf merupakan metode pembelajaran terawasi, membutuhkan catatan training set besar

yang lengkap, termasuk sasaran variabel. Karena setiap pengamatan dari set pelatihan diproses



melalui jaringan, nilai output dihasilkan dari output node (dengan asumsi bahwa kita memiliki hanya

satu node output). Ini nilai output ini kemudian dibandingkan dengan nilai sebenarnya dari variable

target untuk pengamatan training set dan kesalahan (yang sebenarnya - output) adalah dihitung. Ini

kesalahan prediksi analog dengan residu dalam model regresi.

Untuk mengukur seberapa baik prediksi output cocok dengan nilai-nilai target yang sebenarnya, model jaringan saraf menggunakan jumlah kesalahan kuadrat dimana kesalahan prediksi kuadrat

dijumlahkan atas semua node output dan ditambah semua catatan pada training set.

Tujuan menggunakan algoritma genetika untuk pemilihan masukan jaringan saraf adalah untuk

mencapai pelatihan lebih cepat dan meningkatkan akurasi dengan jumlah input minimum. Berikut ini

adalah salah satu aplikasi yang paling umum dari GA ke jaringan syaraf tiruan . Skema Enkoding telah

diusulkan dalam hal ini untuk mewakili parameter jaringan seperti bobot koneksi dan istilah bias. Whitely dan Hanson [13] [14] merupakan yang pertama menggunakan algoritma genetik untuk

mencari bobot parameter yang optimal tanpa bergantung pada setiap gradient informasi. Proses ini

dilakukan menurut langkah-langkah berikut :

Langkah 1 : Encode satu set lengkap bobot di satuan tertentu dengandefinisi nilai fitness terbaik.

Langkah 2 : Mulai dengan populasi yang dipilih secara acak (dimana individu merupakan satuan

bobot dan bias dari jaringan yang memerintahkan dengan cara tertentu).

Langkah 3 : Lanjutkan dengan operator GA konvensional untuk membangun populasi anak dari

salah satu orang tua.

Operasi crossover pada proses ini memiliki peran yang penting dalam perakitan ”good” sub-block dari

satuan untuk membangun populasi baru yang terbaik. Salah satu cara untuk encoding parameter dari

jaringan adalah mencari bobot dan bias dalam sebuah struktur struktur. Kromosom kemudian dapat

dinyatakan sebagai : (0.8, 0.5,-0.1,,-0.1, 2.3, 1.1, 0.1,-1, 0.2,-1, 1.2, -0.8,-0.7, 1.3)

Dimana nomor yang dicetak tebal mewakili nilai bias, sementara semua nomor lain mewakili

nilai-nilai bobot.

Gambar 2.4.2 Encoding of a Neural Network

Setelah dikodekan dalam kromosom, pola pelatihan disampaikan kepada sistem dan kesalahan

dihitung. Dalam prosedur ini, fungsi fitness sering diambil sebagai nilai kebalikan (inverse) dari skala

kesalahan jaringan oleh kesalahan jumlah populasi keseluruhan. Skema gabungan algoritma genetika

dengan jaringan saraf (GANN) memiliki kemampuan untuk menemukan solusi yang lebih optimal dan

lebih cepat dari yang ditemukan menggunakan metode pembelajaran konvensional (seperti backpropagation).

3. OPTIMASI NEURAL NETWORK BERBASIS GENETIK ALGORITHM

3.1 Pengolahan Awal Data Jumlah total data yang didapatkan adalah 307 baris data time-series dengan 13 kolom. Selanjutnya

kolom-kolom tersebut dapat disederhanakan lagi menjadi kolom jam, sepeda motor atau motor cycle

(MC), kendaraan ringan atau light vehicle (LV) dan kendaraan berat atau heavy vehicle (HV)

sedangkan untuk kendaraan tak bermotor tidak diperhitungkan pada penelitian ini. Kendaraan tak

bermotor tidak dianggap sebagai bagian dari arus lalu lintas tetapi sebagi unsur hambatan samping. Berdasarkan pengertian tersebut, maka penyederhanaan kolom menjadi seperti berikut:

Kolom I = JAM

Kolom II = MC menggantikan nama kolom golongan 1

Kolom III = LV meliputi kolom golongan 2, 3 dan 4



Kolom IV = HV meliputi kolom 5a, 5b, 6a, 6b, 7a, 7b dan 7c

Untuk lebih jelasnya, dapat dilihat pada tabel berikut:

JAM MC LV HV

09.15

09.30

Tabel 3.1.1Tabel Penyederhanaan Kolom Survei Arus Lalu Lintas

3.2 Parameter Neural Network

Berdasarkan percobaan yang telah dilakukan sebelumnya, didapatkan hasil arsitektur Neural Network

terbaik dengan parameter sebagai berikut : 1. training cycles: 200

2. learning rate: 0.1

3. momentum: 0.5

4. jumlah hidden layer: 1

5. size hidden layer: 18

Plot view penerapan neural network untuk arus lalu lintas jangka pendek dengan motor cycle (MC)

sebagai target prediksi.

3.3 Parameter Genetic Algorithm

Berdasarkan hasil percobaan di atas, maka untuk parameter Genetic Algorithm dipilih nilai sebagai berikut, dengan RMSE terbaik sebesar 106.016 dan estimasi waktu 00:09:11.

Berdasarkan percobaan yang telah dilakukan, didapatkan hasil terbaik:

1. p initialize : 0.7

2. p mutation : 0.7

3. p crossover : 0.5

Hasil Plot view penerapan Genetik Algorithm untuk optimasi Neural Network pada arus lalu lintas

jangka pendek dengan Motor Cycle (MC) sebagai target prediksi, dapat dilihat pada gambar berikut:

Gambar 3.3.1 Grafik Penerapan Genetik Algorithn untuk Optimasi Neural Network pada arus lalu

lintas jangka pendek

Root mean square error (RMSE) digunakan untuk mengukur kinerja dari penerapan Optimasi Genetik

Algorithm ke dalam Neural Network. Pada penelitian ini, rmse yang dihasilkan adalah 106.016.



Sehingga dibandingkan dengan Algoritma Backpropagation Neural Network sebelumnya yang

menghasilkan nilai RMSE sebesar 108.780, didapatkan penurunan nilai RMSE sebesar 2,54%.

BPNN

BPNN

+GA

Prosentase

penurunan RMSE

108,780 106,016 2,54%

Tabel 3.3.1 Tabel Perbandingan Algoritma

Gambar 3.3.2 Grafik Perbandingan Nilai Prediksi BPNN dengan BPNN+GA

4. KESIMPULAN Berdasarkan penerapan Genetik Algorithm pada Neural Network untuk prediksi arus lalu lintas jangka

pendek dengan data time-series yang telah dilakukan di atas, menunjukkan bahwa arus lalu lintas

jangka pendek, yaitu pada penelitian ini dengan rentang waktu 15 menit, berhasil dilakukan untuk

mengetahui model Genetik Algorithm Terbaik dalam penerapannya pada penelitian Arus Lalu lintas

jangka pendek.

Kendala pada penelitian ini adalah lamanya estimasi waktu yang dibutuhkan untuk melakukan training

data set. Dari Optimasi Neural Network berbasis Genetik Algorithm yang diusulkan diperlukan waktu

00:09:11 untuk melakukan training dan testing data set. Meskipun nilai RMSE yang dihasilkan sudah

jauh lebih baik dan dapat meminimalkan dari nilai RMSE sebelumnya sebesar 2,54 % daripada hanya

menerapkan model Neural Network.



5. REKOMENDASI PENELITIAN

Untuk menghasilkan prediksi yang lebih akurat dari penelitian ini, diperlukan pembersihan (data

cleansing) dari masukan data yang tidak konsisten dan data yang rusak atau yang disebut dengan data

sampah, pada tahap pengolahan awal data. Selain itu juga diperlukan penelitian pada tahap selanjutnya

yaitu dengan mengoptimasi neural network dengan pendekatan komputasi cerdas lainnya. Contohnya

optimasi neural network dengan Particle Swarm Optimization (PSO).Selain itu juga bisa dengan

memperbaiki nilai parameter yang digunakan dan memperbanyak variabel pendukung untuk

menambah tingkat keakuratan data. Hendaknya penelitian yang sudah dilakukan bisa

diimplementasikan secara langsung terhadap instansi terkait, sehingga hasil dan manfaatnya juga bisa

dirasakan secara riil.

DAFTAR PUSTAKA

[1] Min Zhong, Satish Sharma, and Pawan Lingras, "Genetically-Designed Time Delay Neural

Network for Multiple-Interval Urban Freeway Traffic Flow Forecasting," Neural Information

Processing - Letters and Review, 2006.

[2] DPU, Survei Pencacahan Lalu Lintas dengan Cara Manual, Haryanto C Pranowo, Agusbari

Sailendra, and Tasripin Sartiyono, Eds. Jakarta, Indonesia: Departemen Pemukiman dan

Prasarana Wilayah, 2004.

[3] Vedat Topuz, "Hourly Traffic Flow Prediction by Different ANN Model," The Marmara

University Istanbul, Turkey, 2010.

[4] Young Jung Yu and Mi-Gyung Cho, "A Short-Term Prediction Model for Forecasting Traffic

Information Using Bayesian Network," in International Conference on Convergence and Hybrid

Information Technology, 2008.

[5] Theja P V V K, "Short Term Prediction of Traffic Parameters Using Support Vector Machines

Technique," IEE, 2010.

[6] Yuesheng Gu, Yancui Li, Jiucheng Xu, and Yanpei Liu, "Novel Model Based on Wavelet

Transform and GA-Fuzzy Neural Network Aplied to Short Time Traffic Flow Prediction,"

Information Technology Journal, 2011.

[7] Yuli Fitrianto, "Penerapan Neural Network Untuk Prediksi Data Time-Series Arus Lau Lintas

Jangka Pendek," Universitas Dian Nuswantoro, Teknik Informatika 2011.

[8] Amit Ganatra, Y P Kosta, Gaurang Panchal, and Chintan Gajjar, "Initial Clatification Through

Back Propagation In a Neural Network Following Optimication Through GA to Evaluate the

Fitness of An Algorithm," International Journal of Computer Science & Information Technology,

2011.

[9] Manual Kapasitas Jalan Indonesia (MKJI).: Dirjen Bina Marga, 1997.

[10] Daniel T Larose, Data Mining Methods and Models. Hoboken, New Jersey, United States of

America: John Wiley & Sons, Inc., 2006.

[11] Jeff Heaton, Introduction to Neural Networks with Java, Second Edition ed., Kerrin Smith, Ed.

St. Louis, United States of America: Heaton Research, Inc, 2008.

bpnn

Documents