Perbandingan XGB Regressor dengan Algoritma Lain untuk Prediksi Tarif Tol

Penulis

  • Said Al Khairi STT Terpadu Nurul FIkri
  • Ahmad Rio Adriansyah STT Terpadu Nurul Fikri
  • Lukman Rosyidi STT Terpadu Nurul Fikri

DOI:

https://doi.org/10.54914/dbesti.v2i1.1477

Kata Kunci:

Tarif Tol, Machine learning, XGB Regressor, prediksi tarif, regresi linier

Abstrak

Beberapa tahun terakhir jalan tol di Indonesia telah berkembang pesat, banyak jalan tol di Indonesia dibangun guna memperlancar lalu lintas di daerah yang telah berkembang dan meningkatkan pelayanan distribusi barang dan jasa guna menunjang pertumbuhan ekonomi. Selain itu, jalan tol memainkan peran penting sebagai bagian dari upaya untuk meningkatkan konektivitas antar kota dan wilayah serta mempercepat mobilitas masyarakat. Banyak manfaat jalan tol yang sudah dirasakan masyarakat Indonesia seperti, jalan tol Jagorawi yang melancarkan lalu lintas sehingga mempersingkat waktu tempuh daerah ke daerah lain, dan masih banyak lagi. Tujuan dari penelitian ini adalah membuat machine learning prediksi tarif jalan tol guna memberi acuan kepada masyarakat, mengoptimalkan tarif tol di Indonesia, serta memberikan masukkan tarif tol sebagai pertimbangan pemerintah terkait. Pendekatan penelitian ini adalah kuantitatif menggunakan regresi linier dengan algoritma xgb regressor. Hasil pembuatan machine learning prediksi tarif tol ini cukup akurat dimana hasil uji akurasi yang menggunakan metrik root mean squared error (RMSE) berada di angka 3390.691, dengan hasil testing menunjukan adanya beberapa tarif prediksi yang sesuai dengan tarif asli.

Unduhan

Data unduhan belum tersedia.

Referensi

[1] Indonesia, “Peraturan Pemerintah (PP) Nomor 15 Tahun 2005 Tentang Jalan Tol,” 2005.

[2] Sistem Informasi Geografis Badan Pengatur Jalan Tol, “Peta Jalan Tol Indonesia,” bpjt.pu.go.id . Accessed: Mar. 14, 2024. [Online]. Available: https://sigi.pu.go.id/portalpupr/apps/dashboards/ad691982b770462d8e236f8ca7e450f4

[3] Indonesia, “Peraturan Pemerintah (PP) Nomor 30 Tahun 2017 Tentang Perubahan Ketiga atas Peraturan Pemerintah Nomor 15 Tahun 2005 tentang Jalan Tol,” 2017.

[4] Rosalita L, Purba A, and Sulistiyorini R, “Analisis Tarif Tol Terbanggi Besar – Pematang Panggang Berdasarkan Kemauan Membayar dan Kemampuan Membayar Masyarakat,” Jurnal Teknik Sipil, vol. 7, no. 2, Jun. 2019.

[5] Indonesia, “Undang - Undang Republik Indonesia Nomor 38 Tahun 2004 Tentang Jalan,” 2004.

[6] Indonesia, “Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat (PUPR) No. 16/PRT/M/2017,” 2017.

[7] B. Jange, “Prediksi Harga Saham Bank BCA Menggunakan XGBoost,” ARBITRASE: Journal of Economics and Accounting, vol. 3, no. 2, pp. 231–237, Nov. 2022, doi: 10.47065/arbitrase.v3i2.495.

[8] J. Avanija, G. Sunitha, K. Reddy Madhavi, P. Kora, and R. Vittal Sai Hitesh, “Prediction of House Price Using XGBoost Regression Algorithm,” 2021.

[9] S. Zahedian, A. Nohekhan, and K. F. Sadabadi, “Dynamic toll prediction using historical data on toll roads: Case Study of the I-66 Inner Beltway,” Transportation Engineering, vol. 5, Sep. 2021, doi: 10.1016/j.treng.2021.100084.

[10] T. Parnell et al., “SnapBoost: A Heterogeneous Boosting Machine”.

[11] Badan Pengatur Jalan Tol Kementerian Pekerjaan Umum dan Perumahan Rakyat, “Tarif Tol,” bpjt.pu.go.id. Accessed: Feb. 03, 2024. [Online]. Available: https://bpjt.pu.go.id/tabel-tarif-tol

[12] Badan Pengatur Jalan Tol Kementerian Pekerjaan Umum dan Perumahan Rakyat, “Cek Tarif Tol,” bpjt.pu.go.id. Accessed: Feb. 03, 2024. [Online]. Available: https://bpjt.pu.go.id/cek-tarif-tol

[13] M. Yusuf Aristyanto, “Indonesian Toll Road Rates in June 2020,” kaggle.com.

Unduhan

Diterbitkan

04-06-2025

Cara Mengutip

Al Khairi, S., Adriansyah, A. R., & Rosyidi, L. (2025). Perbandingan XGB Regressor dengan Algoritma Lain untuk Prediksi Tarif Tol. DBESTI: Journal of Digital Business and Technology Innovation, 2(1), 127–132. https://doi.org/10.54914/dbesti.v2i1.1477

Terbitan

Bagian

Artikel