ABSTRAK :
Kecelakaan lalu lintas dapat menyebabkan kerugian besar, sehingga
diperlukan sistem prediksi tingkat keparahan kecelakaan yang akurat. Penelitian ini
bertujuan mengembangkan model Ensemble Learning untuk meningkatkan akurasi
prediksi keparahan kecelakaan lalu lintas. Model yang digunakan terdiri dari
Random Forest, Artificial Neural network (ANN), Gradient Boosting Classifier,
dan XGBoost Classifier, yang dikombinasikan menggunakan Voting Classifier.
Dataset kecelakaan dari Kaggle tahun 2017–2022 dengan 500.000 data digunakan
dalam penelitian ini. Hasil evaluasi menunjukkan bahwa metode Voting Classifier
menghasilkan prediksi lebih akurat dibandingkan model individu. Faktor utama
yang memengaruhi tingkat keparahan kecelakaan berdasarkan analisis model
adalah lampu lalu lintas, jarak pandang, kondisi cuaca, dan waktu kejadian. Model
ini telah diterapkan dalam aplikasi berbasis web yang memungkinkan pengguna
memasukkan data kecelakaan untuk mendapatkan prediksi real-Time. Hasil
penelitian ini telah membuktikan bahwa tingkat keparahan kecelakaan dapat
diprediksi dengan akurasi 86% menggunakan teknik Ensemble Learning.
Kata Kunci: Kecelakaan Lalu Lintas, Prediksi Keparahan, Machine Learning,
Ensemble Learning, Voting Classifier.
|