Model Prediksi Kepadatan Lalu Lintas: Perbandingan Algoritma Random Forest dan XGBoost

Abstract

Populasi manusia secara umum akan terus bertambah sehingga kepadatan lalu lintas adalah fenomena yang perlu diatasi. Oleh sebab itu, diperlukan prediksi kepadatan lalu lintas yang akurat untuk menyusun strategi yang tepat guna mengurangi tingkat kemacetan. Sehingga tujuan dari penelitian ini adalah membandingkan algoritma Random Forest dan XGBoost yang merupakan salah satu algoritma pembentuk model prediksi. Hasil akan dibandingkan berdasarkan tiga jenis evaluasi parameter diantaranya koefisien determinasi , Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Berdasarkan penelitian yang dilakukan, menunjukkan bahwa tidak ada perbedaan signifikan dalam melakukan prediksi volume lalu lintas antara algoritma Random Forest dan XGBoost. Kedua algoritma yang dibandingkan memiliki hasil akurasi kurang lebih 95% namun, XGBoost memiliki kelebihan yakni waktu yang dibutuhkan dalam prediksi 532% lebih cepat dibanding Random Forest.  Dengan mempertimbangkan akurasi dan efisiensi, algoritma XGBoost adalah pilihan yang tepat dalam membangun model prediksi kepadatan lalu lintas.