MODEL PREDIKSI TABRAKAN BERBASIS MACHINE LEARNING DALAM SISTEM INTERNET OF VEHICLES (IoV)

Aug 4, 2026

Perkembangan Internet of Vehicles (IoV) membuka peluang besar untuk meningkatkan keselamatan berkendara melalui sistem prediksi tabrakan berbasis data. Penelitian ini mengembangkan model prediktif menggunakan machine learning, khususnya algoritma klasifikasi seperti Support Vector Machine (SVM), Random Forest, dan Multi Layer Perceptron (MLP). Dataset Kaggle berjumlah 207.000 entri dengan fitur kecepatan, jarak antar kendaraan, status pengemudi, kondisi lingkungan, dan atribut jaringan komunikasi. Tahapan meliputi eksplorasi data, preprocessing, seleksi fitur, pelatihan, serta evaluasi akurasi, presisi, recall, dan F1-score. Hasil menunjukkan akurasi sangat tinggi (99,99%), recall 100%, serta AUC ROC 0,9999999, menandakan kemampuan diskriminasi hampir sempurna.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman7

Waktu Membaca11 mnt

AksesGratis untuk diunduh

Daftar Isi

Abstrak

Pendahuluan

Metodologi

Teori Pendukung

Desain Penelitian

MODEL PREDIKSI TABRAKAN BERBASIS MACHINE LEARNING DALAM SISTEM INTERNET OF VEHICLES (IoV) Raden Teddy Iswahyudi 1, Nizirwan Anwar 2 1,2 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Esa Unggul [raden.teddy@esaunggul.ac.id](raden.teddy@esaunggul.ac.id) [nizirwan.anwar@esaunggul.ac.id](nizirwan.anwar@esaunggul.ac.id) ABSTRAK Perkembangan Internet of Vehicles (IoV) menghadirkan peluang signifikan dalam peningkatan keselamatan berkendara melalui sistem prediksi tabrakan berbasis data. Penelitian ini bertujuan untuk mengembangkan model prediktif yang akurat dan efisien dengan menggunakan pendekatan machine learning, khususnya algoritmaklasifikasi seperti Support Vector Machine (SVM), Random Forest, dan Multi Layer Perceptron (MLP) . Dataset yang digunakan berasal dari Kaggle dan mencakup 207.000 entri dengan fitur-fitur seperti kecepatan kendaraan, jarak antar kendaraan, status pengemudi, kondisi lingkungan, dan atribut jaringan komunikasi. Tahapan penelitian meliputi eksplorasi data, preprocessing, seleksi fitur, pelatihan model, dan evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan performa model yang sangat tinggi, yaitu akurasi 99,99%, presisi 99,99%, recall 100%, dan F1-score 99,99% . Evaluasi confusion matrix menunjukkan bahwa hampir semua kasus diklasifikasikan dengan benar, dan nilai AUC ROC curve sebesar 0,9999999 menandakan kemampuan diskriminasi yang hampir sempurna. Fitur paling berpengaruh dalamprediksi tabrakan adalah status pengemudi, jumlahjalur, dan kapabilitas pengereman. Temuan ini menunjukkan bahwa model berbasis machine learning mampu mendeteksi potensi tabrakan secara tepat dan real-time, sertadapat diintegrasikan ke dalam sistem peringatan dini pada kendaraan cerdas, menjadikannya solusi potensialuntuk mengurangi risiko kecelakaan dalam ekosistem IoV yang dinamis dan kompleks. Kata kunci: Internet of Vehicles, Prediksi Tabrakan, Machine Learning, Feature Selection, SVM 1. PENDAHULUAN Perkembangan teknologi komunikasi dalam sektor transportasi telah mendorong kemunculan konsep Internet of Vehicles (IoV), yaitu ekosistem kendaraan yang saling terkoneksi melalui jaringan data untuk bertukar informasi secara real-time. IoV tidakhanya meningkatkan kenyamanan dan keselamatan dalam berkendaraan, tetapi jugamenjadi solusi potensial dalam menekanangka kecelakaan lalu lintas melalui sistemprediksi dan peringatan dini berbasis data (Chang et al., 2021; Qian, 2022) . Dalam konteks ini, prediksi tabrakan menjadi salah satu komponen vital yang membutuhkan pemodelan cerdas berbasis data dinamis, seperti kecepatan kendaraan, jarak antarkendaraan, status pengemudi, kondisi lingkungan, dan pola lalu lintas (Almutairi et al., 2023a; Yang et al., 2022) . Namun demikian, implementasi sistemprediksi tabrakan masih diemukan dan menghadapi sejumlah tantangan dan peluang, seperti pemilihan fitur yang relevan, ketersediaan data yang berkualitas, dan pemilihan algoritma yang tepat untuk mengolah data kompleks dan heterogen secaraefisien (Manchala & Vijaya Kishore, 2024) . Selain itu, kemampuan sistem dalam memberikan respons secara real-time dalam kondisi lalu lintas yang dinamis menjadi faktor penentu keberhasilan sistem prediksi tabrakanyang efektif. Identifikasi faktor-faktor yang paling berkontribusi terhadap terjadinyatabrakan menjadi penting untuk meningkatkanakurasi model dan efektivitas sistem penghindaran tabrakan (Jeong et al., 2020) . Urgensi dari penelitian ini pada meningkatnya ketergantungan kendaraan terhadap sistem berbasis data (datasets) untuk mendukung keamanan. Dalam perubahan global dunia yang semakin terotomatisasi, sistem prediksi berbasis IoV bukan lagi pilihan, melainkan kebutuhan mendesak. Oleh karena itu, dibutuhkan pemodelan yang mampu mengakomodasi kondisi nyata di lapangan dengan mempertimbangkan parameter teknis, perilaku, dan lingkungan secara simultan. Rumusan masalah yang dikaji dalam studi ini adalah:

Pertanyaan Umum

Model prediksi tabrakan dalam penelitian ini dibangun dengan pendekatan apa?

Penelitian menggunakan pendekatan machine learning, khususnya supervised learning untuk klasifikasi kondisi berisiko tabrakan dan tidak berisiko.

Algoritma machine learning apa saja yang digunakan pada model?

Algoritma yang digunakan meliputi Support Vector Machine (SVM), Random Forest, dan Multi Layer Perceptron (MLP) atau neural network.

Bagaimana kualitas performa model dievaluasi?

Performa dinilai menggunakan metrik akurasi, presisi, recall, dan F1-score, serta analisis confusion matrix dan AUC ROC untuk mengukur kemampuan diskriminasi model.

Aug 4, 2026

Unggah oleh Seraphina