Perbandingan Algoritma Random Forest dan Gradient Boosting dalam Memprediksi Tingkat Kemacetan Lalu Lintas Pada Kabupaten Karawang
Abstract
Kemacetan lalu lintas merupakan salah satu permasalahan yang sering terjadi di Kabupaten Karawang sebagai kawasan industri dengan tingkat mobilitas yang tinggi. Kondisi ini berdampak pada efisiensi transportasi, aktivitas ekonomi, dan kenyamanan masyarakat. Oleh karena itu, diperlukan metode prediksi yang mampu membantu mengidentifikasi tingkat kemacetan secara lebih efektif. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan Gradient Boosting dalam memprediksi tingkat kemacetan lalu lintas di Kabupaten Karawang menggunakan data Google Traffic. Metode penelitian yang digunakan adalah kuantitatif dengan pendekatan eksperimen. Data sekunder sebanyak 585 data dikumpulkan melalui observasi Google Maps pada delapan titik rawan kemacetan selama periode April–Mei 2026. Tahapan penelitian meliputi preprocessing data, transformasi dan encoding fitur, pembagian data latih dan data uji dengan rasio 80:20, pemodelan menggunakan algoritma Random Forest dan Gradient Boosting, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting memiliki performa lebih baik dibandingkan Random Forest. Gradient Boosting memperoleh accuracy sebesar 58,12% dan F1-score macro sebesar 0,44, sedangkan Random Forest memperoleh accuracy sebesar 51,28% dan F1-score macro sebesar 0,39. Faktor waktu dan lokasi menjadi variabel yang paling berpengaruh terhadap tingkat kemacetan.
References
W. Zheng, H. Yang, J. Cai, P. Wang, X. Jiang, S. S. Du, Y. Wang, and Z. Wang,“Integrating Traffic Science with Representation Learning for City-Wide Network Congestion Prediction,” Information Fusion, vol. 100, Art. no. 101837, 2023, doi: 10.1016/j.inffus.2023.101837.
M. F. Febrianto, A. Priyatno, H. A. Saputri, R. Amanullah, T. P. Krissella, N. I. Matondang, and others, "Prediksi Situasi Lalu Lintas Menggunakan Machine Learning Dengan Algoritma K-Nearest Neighbors Classifier," Informatik: Jurnal Ilmu Komputer, vol. 20, no. 1, 2024, doi: 10.52958/iftk.v20i1.7042.
R. Vindua et al., "Prediksi kemacetan lalu lintas menggunakan algoritma Random Forest," TIN: Terapan Informatika Nusantara, vol. 6, no. 7, 2025, doi: 10.47065/tin.v6i7.8806.
M. A. Angka Kurniawan, S. S. Prasetiyowati, and Y. Sibaroni, "Prediction and Classification of Vehicle Traffic Congestion in Bandung City Using the Random Forest and K-Nearest Neighbour Algorithm," International Journal on Information and Communication Technology (IJoICT), vol. 11, no. 2, pp. 90–110, Dec. 2025, doi:10.21108/ijoict.v11i2.9602.
J. Weng, K. Feng, Y. Fu, J. Wang, and L. Mao, "Extreme gradient boosting algorithm based urban daily traffic index prediction model: A case study of Beijing, China," Digital Transportation and Safety, vol. 2, no. 3, pp. 220–228, 2023, doi: 10.48130/DTS-2023-0018.
A. Lisanthoni, F. I. Sari, E. L. Gunawan, and C. A. Adhigiadany, “Model Prediksi Kepadatan Lalu Lintas: Perbandingan Algoritma Random Forest dan XGBoost,” Pros. Semin. Nas. Sains Data, vol. 3, no. 1, pp. 296–303, 2023, doi: 10.33005/senada.v3i1.126.
I. Hidayatullah and B. N. Sari, "Penentuan jalur alternatif menghindari jalan rawan macet di Kota Karawang menggunakan algoritma Dijkstra," Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 13, pp. 190–199, 2022.
R. M. Sinaga et al., "Pemanfaatan teknik Machine Learning dalam memprediksi kepadatan lalu lintas guna efisiensi transportasi," PROSISKO, vol. 12, 2025.
R. R. Huizen, "Optimalisasi rekayasa lalu lintas melalui teknologi deteksi objek," Jurnal Sistem Informatika (JSI), vol. 18, no. 2, p.112-120, 2024. Available: https://mail.jsi.stikom-bali.ac.id/index.php/jsi/article/view/605
A. Fikri, "Prediksi kemacetan lalu lintas urban menggunakan model pembelajaran mesin dan data mobilitas real-time," Journal of Engineering and Technological Science, vol. 1, no. 2, pp. 61–67, 2025.https://ejournal.kalibra.or.id/index.php/jets/article/view/133/150
S. A. Khairi, A. R. Adriansyah, and L. Rosyidi, “Perbandingan XGB Regressor dengan algoritma lain untuk prediksi tarif tol,” Journal of Digital Business and Technology Innovation, vol. 2, no. 1, p. 128, 2024. Available: https://journal.nurulfikri.ac.id/index.php/DBESTI/article/view/1477/408
D. Tribuana, Baharuddin, and A. M. Resky, “Penerapan algoritma XGBoost untuk prediksi kepuasan pelanggan pada layanan e-commerce: Studi pada dataset transaksi nyata,” JTBC: Jurnal Teknologi dan Bisnis Cerdas, vol. 1, no. 1, pp. 50–59, 2025. Available: https://jtbcjournal.org/index.php/jtbc/article/view/5/7
L. Fink, "Why and How Online Experiments Can Benefit Information Systems Research," Journal of the Association for Information Systems, vol. 23, no. 6, pp. 1333–1346, 2022, doi: 10.17705/1jais.00787.
M. Sintong et al., “Analisis pemanfaatan peta digital dalam mengidentifikasi titik kemacetan di Kota Medan,” Indo Green Journal, vol. 3, no. 1, pp. 18–23, 2025, doi: 10.31004/green.v3i1.90.
J. A. Kamińska and J. Kajewska-Szkudlarek, “The Importance of Data Splitting in Combined NOx Concentration Modelling,” Science of the Total Environment, vol. 868, Art. no. 161744, 2023, doi: 10.1016/j.scitotenv.2023.161744..
N. U. Khan, M. A. Shah, C. Maple, E. Ahmed, and N. Asghar, "Traffic Flow Prediction: An Intelligent Scheme for Forecasting Traffic Flow Using Air Pollution Data in Smart Cities with Bagging Ensemble," Sustainability, vol. 14, no. 7, Art. 4164, 2022, doi: 10.3390/su14074164.
Z. Su, Q. Liu, C. Zhao, and F. Sun, "A Traffic Event Detection Method Based on Random Forest and Permutation Importance," Mathematics, vol. 10, no. 6, Art. no. 873, 2022, doi: 10.3390/math10060873.
Hardani et al., Metode Penelitian Kualitatif & Kuantitatif, Cet. 1. Pustaka Ilmu, 2022. Available: https://penerbitpustakailmu.com/product/metode-penelitian-kualitatif-kuantitatif/
M. N. Adlini et al., “Metode penelitian kualitatif studi pustaka,” Edumaspul: Jurnal Pendidikan, vol. 6, no. 1, pp. 974–980, 2023, doi: 10.33487/edumaspul.v6i1.3394.
L. Zhang, Y. Chen, and H. Wang, “Impact of feature engineering strategies on Gradient Boosting models for urban congestion forecasting,” Expert Systems with Applications, vol. 238, p. 121943, 2024, doi: 10.1016/j.eswa.2023.121943.
M. Han, A. Li, Z. Gao, D. Mu, S. Liu, Y. Wang, and Y. Zhang, "A Survey of Multi-Class Imbalanced Data Classification Methods," Journal of Intelligent & Fuzzy Systems, vol. 44, no. 2, pp. 2471–2501, 2023, doi: 10.3233/JIFS-221902.
A. Ramadhan, B. M. Sopha, and M. K. Ridwan,“Sensitivity Analysis of Hyperparameter in Solar Energy Prediction Model Using Gradient Boosting Method,”cASEAN Journal of Systems Engineering, vol. 9, no. 1, pp. 1–13, 2024, doi: 10.22146/ajse.v9i1.78322.
Google Developers, “Classification: Accuracy, recall, precision, and related metrics,” Google Machine Learning Crash Course, 2025.. Available: https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall
F. Pargent, F. Pfisterer, J. Thomas, and B. Bischl, "Regularized Target Encoding Outperforms Traditional Methods in Supervised Machine Learning with High Cardinality Features," Computational Statistics, vol. 37, no. 5, pp. 2671–2692, 2022, doi: 10.1007/s00180-022-01207-6.
