Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2026
- Tujuan
- Nomor
- 42d20711-d749-46b2-aa3c-fa66f8cf5a3d
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan kegiatan yang mengkaji dampak panjang data historis terhadap peramalan arus lalu lintas multi-langkah. Kegiatan ini menggunakan dua model deep learning, yaitu LSTM dan Single Block Encoder-Decoder Transformer, untuk mengeksplorasi jumlah data historis yang diperlukan guna menghasilkan prediksi yang akurat. Penerapan peramalan melibatkan volume lalu lintas per jam dan peramalan satu hari ke depan. Ruang lingkup kegiatan mencakup empat panjang masukan historis, yaitu 1, 2, 3, dan 4 minggu. Dataset yang digunakan adalah dataset I5-North Freeway District 10, California. Peserta kegiatan yang tercantum dalam karya ini adalah Omar, Mas; Yakub, Fitri; Azizan, Azizul; Mamat, Normaisharah; Dhamanti, Inge; Govindan, Niranjana; Chinnathambi, Dhaya; Muljono, Muljono; dan Monterio, Cancio.
Pada kedua model, panjang masukan historis 2 minggu menghasilkan akurasi keseluruhan terbaik berdasarkan metrik Combined Accuracy. Data selama 1 minggu dapat digunakan, tetapi memberikan konteks yang tidak mencukupi. Sebaliknya, penggunaan data selama 3 dan 4 minggu tampak memberikan informasi yang tidak diperlukan bagi kedua model dan menurunkan akurasi karena overfitting serta noise tambahan. Kegiatan ini menunjukkan bahwa penambahan data masukan historis melampaui panjang tertentu tidak selalu meningkatkan prediksi dan dapat membuat prediksi menjadi lebih buruk. Kegiatan tersebut membahas peramalan volume lalu lintas dan pengelolaan lalu lintas yang efektif melalui pengkajian masukan historis, model deep learning, dan akurasi prediksi. Informasi lebih lanjut mengenai prosedur penelitian, hasil selain perbandingan akurasi yang dilaporkan, atau penerapan temuan secara institusional tidak tersedia.