Penerapan Exponential Smoothing untuk Optimasi Linear Regression dalam Peramalan Perkara Lalu Lintas

Abstract

Pelanggaran lalu lintas merupakan salah satu masalah yang memicu terjadinya kecelakaan yang dapat menyebabkan adanya korban jiwa, luka ringan maupun luka berat. Sehingga pentingnya meramalkan perkara lalu lintas guna memberikan informasi kepada pemerintah dan pihak terkait mengenai kenaikan atau penurunan perkara lalu lintas yang terjadi pada bulan berikutnya, sehingga pemerintah dan pihak yang terkait dapat lebih serius dalam mengatasi kasus perkara lalu lintas di tahun berikutnya. Salah satu cara yang dapat dilakukan pengolahan data dengan menggunakan data mining. Dalam penelitian ini menggunakan peramalan atau forecasting untuk memperoleh gambaran mengenai nilai dari suatu data di masa mendatang. Metode Linear Regression mempunyai kelebihan diantaranya metode ini simple dan mudah dipahami tetapi memiliki hasil yang akurat, dan dapat memprediksi perkara lalu lintas dimasa mendatang berdasarkan nilai pelanggaran lalu lintas dimasa lampau. Maka pada penelitian ini, menggunakan algoritma Linear Regression  yang dikembangkan dengan metode Exponential Smoothing guna meningkatkan kualitas data sehingga dapat meningkatkan akurasi prediksi pada Linear Regression dengan nilai Root Mean Square Error (RMSE) yang lebih baik. Kesimpulan yang didapatkan dari eksperimen yang dilakukan adalah bahwa memprediksi jumlah perkara lalu lintas menggunakan Split dataset dengan metode Linear Regression menghasilkan nilai RMSE sebesar 0.011 dan eksperimen menggunakan Split dataset dengan metode Linear Regression yang dikembangkan melalui metode Exponential Smoothing lebih akurat dengan nilai RMSE sebesar 0.002 dibanding metode Neural Network sebesar 0.003, metode Deep Learning sebesar 0.003 dan metode Support Vector Machine sebesar 0.916.