Electronic Theses and Dissertation

Pertumbuhan jumlah kendaraan bermotor di kawasan perkotaan menyebabkan meningkatnya beban lalu lintas pada simpang bersinyal. Salah satu permasalahan utama adalah keterbatasan kapasitas akibat waktu hijau yang relatif singkat. Arus jenuh dasar (Basic Saturation Flow Rate/BSFR) menjadi parameter kunci dalam perhitungan kapasitas simpang, namun metode estimasi konvensional seperti yang digunakan dalam Pedoman Kapasitas Jalan Indonesia (PKJI) masih belum mampu menangkap variasi lalu lintas yang dinamis. Oleh karena itu, diperlukan pendekatan baru yang lebih adaptif dan akurat. Permasalahan utama penelitian ini adalah bagaimana mengembangkan model estimasi BSFR yang lebih tepat dengan memanfaatkan algoritma pembelajaran mesin. Salah satu metode yang dipilih adalah Lasso Regression, karena mampu melakukan seleksi variabel dan mengurangi kompleksitas model, sehingga sesuai untuk menangani data lalu lintas yang bervariasi. Variabel yang mencakup data arus jenuh, waktu hilang, waktu hijau, serta lebar efektif lengan pendekat. Hasil analisis menunjukkan bahwa estimasi arus jenuh dasar menggunakan pendekatan Machine Learning (ML) Lasso regression menghasilkan nilai J0 = 330 x LE. Nilai tersebut kemudian dibandingkan dengan model PKJI 2023 yaitu J0 = 600 x LE , serta dengan model regresi linier konvensional yang memberikan nilai J0 = 314 x LE Perbandingan ini dilakukan untuk menilai sensitivitas dan kinerja model dalam merepresentasikan kondisi lalu lintas aktual.

Kata kunci : Arus Jenuh Dasar; Simpang Bersinyal; Waktu Hijau Pendek; Mechine Learning; Lasso Regression; Pemodelan Lalu Lintas; Optimati Kapasitas Simpang

The growth in the number of motor vehicles in urban areas has led to an increase in traffic load at signalized intersections. One of the main issues is limited capacity due to relatively short green times. The Basic Saturation Flow Rate (BSFR) is a key parameter in calculating intersection capacity; however, conventional estimation methods such as those used in the Indonesian Highway Capacity Guidelines have not been able to capture dynamic traffic variations. Therefore, a new approach that is more adaptive and accurate is required. The main problem addressed in this study is how to develop a more precise BSFR estimation model by utilizing machine learning algorithms. One of the selected methods is Lasso Regression, as it is capable of performing variable selection and reducing model complexity, making it suitable for handling varying traffic data. The variables considered include observed saturation flow, lost time, green time, and effective approach width. The analysis results indicate that the estimation of the Basic Saturation Flow Rate using the Machine Learning (ML) Lasso Regression approach produces a value of J0 = 330 × LE. This value is then compared with the PKJI 2023 model, which yields J0 = 600 × LE, as well as with the conventional linear regression model that produces J0 = 314 × LE. This comparison is conducted to evaluate the sensitivity and performance of the model in representing actual traffic conditions. Keywords: Base Saturation Flow; Signalized Intersection; Short Green Time; Machine Learning; Lasso Regression; Traffic Modeling; Intersection Capacity Optimization.