JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 3, Juni 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i3.4203 Hal 667−672 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Copyright © 2022 Bagus Priambodo, Page 667 JURIKOM is licensed under a Creative Commons Attribution 4.0 International License Prediksi Perambatan Arus Lalu Lintas Berdasarkan Korelasi Tertinggi Antar Jalan Bagus Priambodo 1,* , Yuwan Jumaryadi 1 , Umniy Salamah 2 1 Fakultas Ilmu Komputer, Program Studi Sistem Informasi, Universitas Mercu Buana, Jakarta, Indonesia 2 Fakultas Ilmu Komputer, Program Studi Teknik Informatika, Universitas Mercu Buana, Jakarta, Indonesia Email: 1,* bagus.priambodo@mercubuana.ac.id, 2 yuwan.jumaryadi@mercubuana.ac.id, 3 umniy.salamah@mercubuana.ac.id Email Penulis Korespondensi: bagus.priambodo@mercubuana.ac.id Submitted 06-06-2022; Accepted 20-06-2022; Published 30-06-2022 Abstrak Selama beberapa tahun terakhir, banyak algoritma untuk prediksi arus lalu lintas telah diusulkan untuk memprediksi arus lalu lintas. Model time series dan model neural network telah diterapkan secara luas untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data trafik, kecepatan kendaraan, cuaca, kecelakaan, dan hari-hari khusus. Akan tetapi kebanyakan dari penelitian sebelumnya hanya digunakan untuk memprediksi arus lalu lintas, tidak diterapkan untuk memprediksi perambatan arus lalu lintas. Perambatan arus lalu lintas merupakan penelitian yang menarik, karena dengan menggunakan hasil ini pengemudi dapat menghindari jalan tetangga yang terkena dampak kemacetan jalan. Kami mengusulkan metode korelasi untuk menemukan hubungan antara jalan. Untuk mengevaluasi hubungan antara jalan, hasil korelasi kami tampilkan dalam peta. Hasil visualisasi menunjukan korelasi trafik pada saat terjadi kemacetan lebih baik dalam menunjukan hubungan antara jalan daripada korelasi pada semua waktu. Kata Kunci: Penyebaran Arus; Hubungan Antara Jalan; Korelasi; Kemacetan; Transportasi Abstract Over the past few years, many algorithms for traffic flow predictions have been proposed to predict traffic flow. Time series models and neural network models have been widely implemented to predict traffic flow and traffic congestion based on traffic data, vehicle speed, weather, accidents, and special days. However, most of previous studies are used to predict traffic flow, not applied to predict the propagation of traffic flow. Traffic flow propagation is an interesting study. Using this finding the driver can avoid neighboring roads affected by road congestion. We propose the correlation method to find the relationship between the road. To evaluate the relationship between the road, we display the correlation results in the map. The visualization show that the correlation of traffic when congestion occurs shows better in showing the relationship between the road than the correlation at all times. Keywords: Congestion Propagation; Relationship Between Roads; Correlation; Traffic Jam; Transportation 1. PENDAHULUAN Kemacetan lalu lintas adalah keadaan dimana pengguna jalan melebihi kemampuan jalan. Ciri ciri kemacetan jalan raya adalah kecepatan lambat, waktu tempuh lebih lama, dan panjang antrian mobil di sepanjang jalan. Selama beberapa tahun terakhir, banyak algoritma untuk prediksi arus lalu lintas telah disarankan untuk memprediksi arus lalu lintas. Model deret waktu dan model jaringan saraf tiruan banyak digunakan untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data trafik sebelumnya. Data trafik di yang diperoleh dari sensor [1] [2] [3] [4] [5]sering diterapkan menggunakan arima atau jaringan saraf tiruan. Peningkatan kinerja prediksi dapat ditingkat dengan penambahan klasifikasi hari [3], [6]–[9], volume lalu lintas dan zona [10], data cuaca [11], [12], serta data kecepatan dari berbagai kendaraan, hari, dan kepadatan lalu lintas [13]. Prediksi lain menggunakan data lintasan GPS, data cuaca, hari khusus , berdasarkan kesamaan temporal spasial. Penelitian lain menyebut tingkat keselamatan lalu lintas berdasarkan surat izin mengemudi, faktor, GDP dan data kecelakaan menggunakan regresi berganda. Selain prediksi menggunakan metode linier dan nonlinier, penelitian menarik lainnya adalah memprediksi kemacetan jalan berdasarkan irisan persimpangan jalan menggunakan model BML, memprediksi arus lalu lintas berdasarkan kesamaan pola kemacetan lalu lintas [14], penelitian ini dapat berguna untuk memprediksi perambatan arus lalu lintas, namun sayangnya hasil menggunakan metode ini kurang memuaskan. Atau secara umum dalam memprediksi arus lalu lintas banyak faktor yang dapat mempengaruhi arus lalu lintas atau kemacetan lalu lintas pada suatu rute, antara lain data temporal [13] kecepatan kendaraan [12], kemacetan [15], dan kecelakaan [16]. Faktor lain yang mempengaruhi kemacetan lalu lintas pada suatu rute adalah kemacetan jalan di sekitarnya. Seperti penelitian yang dilakukan oleh ahn et al, hubungan antar jalan diekstraksi menggunakan model 3D Markov [17], atau dengan memvisualisasikan dan menyoroti dampak lalu lintas mempengaruhi jalan yang berdekatan [16], visualisasi kemacetan mencerminkan penyebaran arus lalu lintas [18], deteksi kemacetan lalu lintas berdasarkan pada irisan antar simpang menunjukkan adanya hubungan antar jalur [19], kemacetan penambangan antar ruas jalan [20] mencatat hubungan antara satu jalan dengan jalan lainnya. Berdasarkan faktor-faktor yang mempengaruhi kemacetan lalu lintas di atas. Kami menganggap faktor kemacetan di suatu jalan akan mempengaruhi jalan-jalan di sekitarnya. Namun, tidak semua ruas jalan mempengaruhi arus lalu lintas di jalan tersebut. Hanya jalan yang sangat terkait dengan jalan tertentu yang dapat mempengaruhi arus lalu lintas di jalan tersebut. Hal ini dapat membantu petugas yang berwenang dalam melakukan rekayasa lalu lintas. Model deret waktu dan model jaringan saraf diterapkan secara luas untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data historis, kecepatan kendaraan, cuaca, kecelakaan, dan hari-hari khusus. Tetapi