Perencanaan efektif yang dilakukan oleh pihak PT Jasa Marga dalam rangka mengurangi kemacetan dan antrean panjang di Gerbang Tol Pasteur 2 memerlukan sejumlah data kendaraan yang akan melintasinya. Oleh karena itu, perlu dilakukan prediksi jumlah kendaraan yang akan masuk menuju Kota Bandung melalui Gerbang Tol Pasteur 2. Penelitian dilakukan dengan tujuan memprediksikan jumlah kendaraan pada setiap golongan yang akan masuk ke Kota Bandung melalui Gerbang Tol Pasteur 2 menggunakan JST (Jaringan Saraf Tiruan) metode Propagasi Balik dengan software Matlab versi 2016b. Hasil prediksi jumlah kendaraan yang baik tergantung pada model JST yang dibuat. Pada Tugas Akhir ini, penulis membuat model JST berdasarkan trial presentasi pembagian data pelatihan dan data pengujian serta trial jumlah neuron hidden layer. Presentase data yang digunakan dalam pembuatan model JST untuk memprediksikan jumlah kendaraan di Gerbang Tol Pasteur 2 yaitu 71,43% data pelatihan dan 28,57% data pengujian. Presentase data ini memberikan hasil korelasi yang sangat kuat dengan koefisien korelasi sebesar 0,8573 dan nilai MAPE 1,305% yang menunjukkan akurasi prediksi tinggi. Neuron hidden layer yang digunakan pada setiap golongan kendaraan memiliki jumlah yang berbeda-beda dengan rata-rata nilai MAPE ≤ 10%. Dari model JST yang dibuat dengan parameter terbaik, didapatkan data prediksi jumlah kendaraan pada tahun 2018–2020.

The effective planning which is done by PT Jasa marga (Persero) in order to decrease the number of traffic jump and vehicle queue in Pasteur Toll Gate 2 requires a number of vehicle data prediction. Therefore, forecasting or predicting the number of exit vehicle from Pasteur Toll Gate 2 then go to Bandung city is needed. The purpose of this final report is to predict the number of vehicle which is come to Bandung city through Pasteur Toll Gate 2 using Artificial Neural Network Back Propagation method and the tool used is Matlab 2016b version. The result of the prediction is depend on the creation of Artificial Neural Network model. In this final report, researchers made the artificial neural network model based on trial of training data and testing data percentage and also based on trial and error the amount of neuron hidden layer. The variation data that used for predicting the number of vehicle in Pasteur Toll Gate 2 is 71,43 % for training data and 28,57 % for testing data. The results of this trial give the strength correlation with the value of correlation coefficient is 0,8573 and MAPE value is 1,305 % which shows that the prediction has a high accuracy. Each vehicle groups have different neuron hidden layer amount with the average of MAPE value ≤ 10 %. Artificial Neural Network models with the best parameter will produce the the number of vehicle data prediction in 2018 – 2020.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-151121007f-10938