PENERAPAN TEKNIK SMOTE DAN CROSS VALIDATION PADA DECISION TREE UNTUK KLASIFIKASI TINGKAT KEMACETAN LALU LINTAS

Abstract

Kemacetan merupakan suatu keadaan dimana jumlah kendaraan yang lalu lalang melebihi kapasitas jalan yang dapat ditampung. Kemacetan lalu lintas, disebabkan oleh volume kendaraan melebihi kapasitas jalan, merugikan secara ekonomi dan sosial. Kemacetan juga mempengaruhi mobilitas penduduk, perekonomian, dan lingkungan, sehingga menimbulkan biaya ekonomi yang signifikan melalui peningkatan konsumsi bahan bakar, hilangnya waktu, dan dampak negatif terhadap produktivitas. Tujuan penelitian ini adalah untuk mengurangi kemacetan lalu lintas.  Penelitian ini menerapkan metode Decision Tree dan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas. Proses Knowledge Discovery in Database (KDD) dan Cross Validation digunakan untuk evaluasi. Hasilnya menunjukkan Decision Tree dengan SMOTE memiliki akurasi 96,54%. Dengan Cross Validation, akurasi mencapai 96,03% +/- 0,85% (rata-rata mikro: 96,03%). Model ini dianggap baik dan efektif dalam mengklasifikasikan tingkat kemacetan lalu lintas, memberikan kontribusi penting pada pemahaman dan manajemen lalu lintas perkotaan. Implementasi ini dapat membantu mengoptimalkan solusi untuk mengurangi dampak negatif kemacetan dan meningkatkan kualitas hidup masyarakat