Electronic Theses and Dissertation

Optimasi kapasitas simpang bersinyal dengan waktu hijau pendek menjadi tantangan di kawasan perkotaan. arus jenuh dasar (base saturation flow rate) adalah parameter utama, namun estimasinya belum optimal dengan metode konvensional seperti pedoman kapasitas jalan indonesia (pkji), terutama karena variasi lalu lintas yang dinamis. penelitian ini bertujuan mengembangkan model estimasi base saturation flow rate (bsfr) yang lebih akurat menggunakan machine learning (ml) yang berfokus pada pendekatan ridge regression. metode penelitian terdiri dari data arus jenuh, waktu hilang, waktu hijau, dan lebar efektif lengan pendekat. metode penelitian meliputi pengumpulan data lapangan, pra-pemrosesan data, pemodelan menggunakan algoritma ml, serta evaluasi model untuk memastikan akurasi estimasi. hasil analisis menunjukkan untuk perhitungan arus jenuh dasar dengan menggunakan pemodelan machine learning (ml) ridge regression pada kondisi saat ini yaitu j0 = 260 le, karena model ini akan dibandingkan dengan nilai model pkji 2023 yaitu j0 = 600 le, dan akan dibandingkan juga dengan arus jenuh dasar yang menggunakan pemodelan regresi linier pada saat ini yaitu j0 = 256 le. kata kunci : arus jenuh dasar; simpang bersinyal; waktu hijau pendek; machine learning; ridge regression; optimasi kapasitas simpang

Optimizing the capacity of signalized intersections with short green times poses a challenge in urban areas. The base saturation flow rate (BSFR) is a primary parameter, but its estimation remains suboptimal using conventional methods such as the Indonesian Highway Capacity Manual (PKJI 2023), particularly due to dynamic traffic variations. This research aims to develop a more accurate BSFR estimation model using Machine Learning (ML) focused on the Ridge Regression approach. The research methods consist of saturation flow data, lost time, green time, and effective approach lane width. The research methods include field data collection, data preprocessing, modeling using ML algorithms, and model evaluation to ensure estimation accuracy. The analysis results indicate that the calculation of base saturation flow using ML Ridge Regression modeling under current conditions yields J0 = 260 LE, as this model will be compared with the PKJI 2023 model value of J0 = 600 LE, and will also be compared with the saturation flow using linear regression modeling under current conditions, which yields J0 = 256 LE. Keywords: Base Saturation Flow; Signalized Intersection; Short Green Time; Machine Learning; Ridge Regression; Intersection Capacity Optimization