Klasifikasi Multi-Kelas Kondisi Lalu Lintas Perkotaan Menggunakan Random Forest

Abstract

Kemacetan lalu lintas perkotaan membutuhkan pendekatan klasifikasi yang mampu membedakan kondisi jalan secara lebih rinci agar pengelolaan lalu lintas dapat dilakukan berbasis data. Penelitian ini bertujuan mengklasifikasikan kondisi lalu lintas perkotaan secara multi-kelas menggunakan algoritma Random Forest berbasis volume kendaraan dan fitur temporal. Dataset yang digunakan adalah Traffic Prediction Dataset dari Kaggle yang terdiri atas 2.976 observasi dengan empat kelas target, yaitu low, normal, high, dan heavy. Fitur prediktor meliputi jumlah mobil, sepeda motor, bus, truk, total kendaraan, serta fitur temporal seperti jam, menit, periode waktu, dan status akhir pekan. Penelitian ini menggunakan dua skenario pemodelan, yaitu skenario dengan fitur Total dan skenario tanpa fitur Total. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-score, 5-fold cross validation, ROC-AUC One-vs-Rest, serta analisis feature importance. Hasil penelitian menunjukkan bahwa skenario dengan fitur Total menghasilkan accuracy sebesar 0,9916 dan weighted F1-score sebesar 0,9915. Skenario tanpa fitur Total tetap memperoleh performa baik dengan accuracy sebesar 0,9396 dan weighted F1-score sebesar 0,9379. Analisis feature importance menunjukkan bahwa fitur Total menjadi prediktor paling dominan pada skenario pertama, sedangkan CarCount, TruckCount, dan BusCount menjadi fitur utama setelah fitur Total dihapus. Temuan ini menunjukkan bahwa Random Forest efektif untuk klasifikasi kondisi lalu lintas multi-kelas, sementara pemisahan skenario fitur membantu menjelaskan pengaruh fitur agregatif terhadap performa dan interpretasi model.