Perbandingan Algoritma Random Forest dan XGBoost dalam Memprediksi Tipe Kecelakaan Lalu Lintas

Wachela Naidu, Bhakta (2025) Perbandingan Algoritma Random Forest dan XGBoost dalam Memprediksi Tipe Kecelakaan Lalu Lintas. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (1MB)
[img] PDF
BAB_I.pdf

Download (219kB)
[img] PDF
BAB_II.pdf

Download (411kB)
[img] PDF
BAB_III.pdf

Download (262kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (572kB)
[img] PDF
BAB_V.pdf

Download (206kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (216kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (355kB)

Abstract

Kecelakaan lalu lintas merupakan salah satu permasalahan utama dalam keselamatan transportasi yang terus meningkat setiap tahunnya. Sebagian besar penelitian terdahulu berfokus pada faktor manusia seperti usia, jenis kelamin, dan pengaruh zat psikoaktif, padahal faktor lingkungan seperti kondisi jalan, cuaca, serta infrastruktur juga memiliki pengaruh signifikan terhadap penyebab kecelakaan lalu lintas. Penelitian ini bertujuan untuk memprediksi kategori penyebab utama kecelakaan yang dibedakan menjadi human error dan non-human error, dengan mempertimbangkan faktor-faktor lingkungan menggunakan algoritma random forest dan XGBoost. Dilakukan pembangunan model awal tanpa parameter tuning. Kemudian, dilakukan hyperparameter tuning menggunakan GridSearchCV untuk meningkatkan performa model. Model dievaluasi menggunakan confusion matrix dan classification report. Hasil pengujian menunjukkan bahwa algoritma XGBoost memiliki akurasi sebesar 92,49% dan random forest sebesar 92,5%. Analisis feature importance memperlihatkan perbedaan preferensi fitur dari kedua model, yang mencerminkan pendekatan internal masing-masing algoritma dalam membentuk keputusan. Berdasarkan hasil evaluasi, dapat disimpulkan bahwa kedua model sama-sama mampu memprediksi tipe kecelakaan berbasis lingkungan dengan performa yang sebanding.

Item Type: Thesis (Bachelor Thesis)
Keywords: Classification report, Hyperparameter Tuning, Non-Human Error, Random forest, XGBoost
Subjects: ?? T58.5-58.64 ??
Divisions: Faculty of Engineering & Informatics > Informatics
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 04 Aug 2025 11:01
Last Modified: 04 Aug 2025 11:01
URI: https://kc.umn.ac.id/id/eprint/39802

Actions (login required)

View Item View Item