ILMAN, HAFIZAN ROFIQY (2026) SKRIPSI PREDIKSI VOLUME KENDARAAN PADA GERBANG TOL MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM). Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
22013071-SKRIPSI-ABSTRAK.pdf Download (1MB) | Preview |
|
|
Text (BAB 1)
22013071-SKRIPSI-BAB_1.pdf Download (81kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB 2)
22013071-SKRIPSI-BAB_2.pdf Restricted to Registered users only Download (413kB) | Request a copy |
|
|
Text (BAB 3)
22013071-SKRIPSI-BAB_3.pdf Restricted to Registered users only Download (423kB) | Request a copy |
|
|
Text (BAB 4)
22013071-SKRIPSI-BAB_4.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
|
Text (BAB 5)
22013071-SKRIPSI-BAB_5.pdf Download (119kB) | Preview |
|
|
Text (LAMPIRAN)
22013071-SKRIPSI-LAMPIRAN.pdf Restricted to Registered users only Download (2MB) | Request a copy |
Abstract
Jalan Tol Pandaan–Malang merupakan salah satu ruas tol dengan tingkat utilisasi tinggi yang menghubungkan Surabaya dengan Kota Malang. Fluktuasi volume kendaraan yang dipengaruhi hari kerja, akhir pekan, dan musim libur menyulitkan perencanaan kapasitas gardu tol, sementara metode statistik konvensional seperti ARIMA, Double Moving Average, dan Double Exponential Smoothing memiliki keterbatasan dalam menangkap pola nonlinier dan ketergantungan temporal jangka panjang pada data volume kendaraan. Penelitian ini bertujuan membangun model prediksi volume kendaraan menggunakan metode Long Short-Term Memory (LSTM) dengan target akurasi sebesar 70%, serta mengevaluasi hasil prediksi pada lima gerbang tol ruas Pandaan–Malang (Gerbang Tol Purwodadi, Lawang, Pakis, Singosari, dan Malang) selama 12 bulan mendatang. Penelitian menggunakan data historis volume kendaraan periode Januari 2023 hingga Desember 2025 yang diperoleh dari sistem Traffic Collection PT Jasamarga Pandaan Malang. Tahapan penelitian meliputi preprocessing data (penanganan missing values dan outliers, agregasi data bulanan, normalisasi StandardScaler), eksplorasi data, pembentukan arsitektur model LSTM dengan optimasi hyperparameter menggunakan Optuna, pelatihan model, evaluasi, hingga prediksi. Hasil evaluasi pada data testing menunjukkan model memperoleh nilai RMSE sebesar 2.785,34, MAE sebesar 2.021,40, MAPE sebesar 3,43%, dan R² sebesar 0,8833, yang menunjukkan tingkat kesalahan prediksi rendah dan kemampuan model menjelaskan hubungan data aktual dengan hasil prediksi secara baik. Hasil prediksi menunjukkan total volume kendaraan tahun 2026 diperkirakan mencapai 20.584.344 kendaraan, dengan volume bulanan tertinggi pada Juli 2026 dan terendah pada Februari 2026, serta Gerbang Tol Singosari sebagai gerbang dengan volume tertinggi. Hasil penelitian ini diharapkan dapat menjadi dasar perencanaan kapasitas operasional gerbang tol bagi PT Jasamarga Pandaan Malang dan Badan Pengatur Jalan Tol.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | prediksi volume kendaraan, Long Short-Term Memory (LSTM), gerbang tol, time series, Optuna |
| Subjects: | T Technology > TE Highway engineering. Roads and pavements |
| Divisions: | Rekayasa Sistem Transportasi Jalan > Rekayasa Sistem Transportasi Jalan |
| Depositing User: | 22013071 22013071 |
| Date Deposited: | 28 Jul 2026 02:17 |
| Last Modified: | 28 Jul 2026 02:17 |
| URI: | http://eprints.pktj.ac.id/id/eprint/4941 |
Actions (login required)
 |
View Item |
