bpnn
DESCRIPTION
backpropagation neural networkTRANSCRIPT
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
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
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
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
56 http://research.pps.dinus.ac.id
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.
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
http://research.pps.dinus.ac.id 57
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
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
58 http://research.pps.dinus.ac.id
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
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
http://research.pps.dinus.ac.id 59
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.
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
60 http://research.pps.dinus.ac.id
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.
Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999
http://research.pps.dinus.ac.id 61
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.