Model Prediktif Kerusakan Jalan Berbasis Tren Pertumbuhan Kendaraan Melalui Analisis Data Historis Provinsi Sumatera Selatan Tahun 2015–2024
DOI:
https://doi.org/10.61423/k441ah56Keywords:
Kerusakan jalan, pertumbuhan kendaraan, model prediktif, machine learning, random forest regression, data historisAbstract
Infrastruktur jalan merupakan komponen penting dalam mendukung pertumbuhan ekonomi daerah dan mobilitas logistik. Di Provinsi Sumatera Selatan, percepatan kerusakan jalan menjadi permasalahan serius seiring dengan pesatnya pertumbuhan jumlah kendaraan bermotor, khususnya kendaraan berat yang memberikan beban struktural tinggi pada perkerasan jalan. Penelitian ini bertujuan membangun model prediktif kerusakan jalan berbasis tren pertumbuhan kendaraan menggunakan data historis periode 2015–2024. Dataset yang digunakan mencakup data tahunan volume kendaraan berdasarkan jenis serta data kondisi jalan yang diklasifikasikan sebagai rusak dan rusak berat pada seluruh kabupaten/kota. Tahapan pra-pemrosesan meliputi pembersihan data, encoding variabel kategorikal, dan seleksi fitur. Peramalan pertumbuhan kendaraan dilakukan menggunakan regresi linier, sedangkan prediksi kerusakan jalan menggunakan algoritma Random Forest Regression. Evaluasi model dengan Mean Absolute Error (MAE) dan R-squared (R²) menunjukkan kinerja yang sangat baik, dengan nilai R² sebesar 0,9194 untuk jalan rusak dan 0,8899 untuk jalan rusak berat. Hasil penelitian menegaskan adanya hubungan kuat antara pertumbuhan kendaraan dan tingkat kerusakan jalan, serta pentingnya penerapan strategi pemeliharaan preventif.
Downloads
References
Aisyah Seisarina, “Statistik Perhubungan Sumatera Selatan,” vol. 12, hlm. 1–74, 2025, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://sumsel.bps.go.id/id/publication/2025/08/13/9de38fc402d5af266d788741/statistik-perhubungan-provinsi-sumatera-selatan-2024.html
[2] M. A. Sembiring dan F. W. Sembiring, “Analisa Kinerja Model Regresi Dalam Machine Learning Untuk Memprediksi Harga Beras,” JOISIE (Journal of Information Systems and Informatics Engineering), vol. 8, hlm. 144–152, 2024, [Daring]. Tersedia pada: https://www.ejournal.pelitaindonesia.ac.id/ojs32/index.php/JOISIE/article/view/3902
[3] Vinsensius Budiman Pantas, Niakku Imanuel Maggang, dan Anie Adrianti Tuati, “Analisis Pengaruh Kendaraan Over Dimension Overload (ODOL) Terhadap Perkerasan Pada Ruas Jalan Timor Raya,” Jurnal Teknologi dan Manajemen Industri Terapan, vol. 4, no. I, hlm. 181–189, 2025, doi: 10.55826/jtmit.v4iI.1028.
[4] Y. Syam, M. Jinca, dan W. Humang, “The Effect of Overdimension Overload (ODOL) Vehicles on Road Technical Life (Case Study: Enrekang Regency National Road Segment),” Civil Engineering and Architecture, vol. 12, hlm. 1411–1427, Mei 2024, doi: 10.13189/cea.2024.120311.
[5] Pusdatin PUPR, “Kondisi Permukaan Jalan Nasional,” hlm. 1, 2023, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://data.pu.go.id/dataset/kondisi-permukaan-jalan-nasional
[6] U. Tho’atin, A. Setyawan, dan M. Suprapto, “PENGGUNAAN METODE INTERNATIONAL ROUGHNESS INDEX (IRI), SURFACE DISTRESS INDEX (SDI) DAN PAVEMENT CONDITION INDEX (PCI) UNTUK PENILAIAN KONDISI JALAN DI KABUPATEN WONOGIRI,” Prosiding Semnastek, vol. 10, hlm. 1–9, 2016, [Daring]. Tersedia pada: https://jurnal.umj.ac.id/index.php/semnastek/article/view/685
[7] S. N. Utari, A. R. Nurdin, dan Tamrin Mallawangeng, “Analisa Dampak Volume Lalu Lintas dan Estimasi Berat Kendaraan Terhadap Umur Layanan Jalan,” Jurnal Penelitian Teknk Sipil, vol. 3, hlm. 73, 2025, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.56326/jptsk.v3i1.4181
[8] Y. Wati, H. Pramanda, dan K. Kamalia, “Pengaruh Volume Kendaraan Terhadap Tingkat Kerusakan Jalan di Daerah Lamreung,” Journal of Planning and Research, vol. 4, hlm. 662–669, 2025, [Daring]. Tersedia pada: https://ejournal.unida-aceh.ac.id/prince/article/view/1041
[9] R. Hidayat, H. T. Saputra, dan M. Husnah, “Implementasi Algoritma Random Forest Regression Untuk Memprediksi Penjualan Produksi di Supermarket,” Jurnal Sistem Informasi dan Sistem Komputer, vol. 10, hlm. 101–109, 2025, Diakses: 7 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.51717/simkom.v10i1.703
[10] I. Putra dan I. K. G. Suhartana, “Implementasi Algoritma Random Forest Regression dalam Sistem Prediksi Harga Rumah di Jabodetabek,” Jurnal Nasional Teknologi dan Aplikasinya, vol. 4, hlm. 27–38, 2025, Diakses: 7 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.24843/JNATIA.2025.v04.i01.p04
[11] I Made Gede Aryadana Baraja Putra dan I Ketut Gede Suhartana, “Penerapan Random Forest Regression Untuk Memprediksi Harga Jual Rumah Dan Cosine Similarity Untuk Rekomendasi Rumah Pada Provinsi Jawa Barat,” Neliti, vol. 4, hlm. 27–38, 2025, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.22441/fifo.2022.v14i2.003
[12] N. Nur, F. Wajidi, S. Situju, dan W. Wildayani, “Implementasi Algoritma Random Forest Regression untuk Memprediksi Hasil Panen Padi di Desa Minanga,” Jurnal Komputer Terapan, vol. 9, hlm. 58–64, Jun 2023, doi: 10.35143/jkt.v9i1.5917.
[13] A. B. Raharjo, A. Ardianto, dan ..., “Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya,” Briliant: Jurnal Riset dan Konseptual, vol. 7, hlm. 1058–1075, 2022, [Daring]. Tersedia pada: http://jurnal.unublitar.ac.id/index.php/briliant/article/view/1036
[14] D. T. Susetianingtias dan E. Patriya, “Model Random Forest Regression Untuk Peramalan Penyebaran Covid-19 Di Indonesia,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 2, hlm. 84–95, 2022, Diakses: 7 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.51454/decode.v2i2.48
[15] F. E. Penalun, A. Hermawan, dan D. Avianto, “Perbandingan random forest regression dan support vector regression pada prediksi laju penguapan,” Jurnal Fasilkom, vol. 13, hlm. 104–111, 2023, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.37859/jf.v13i02.4976
[16] E. Fitri dan S. N. Nugraha, “Optimasi Kinerja Linear Regression, Random Forest Regression Dan Multilayer Perceptron Pada Prediksi Hasil Panen,” Inti Nusa Mandiri, 2024, [Daring]. Tersedia pada: https://ejournal.nusamandiri.ac.id/index.php/inti/article/view/5269
[17] G. N., P. Jain, A. Choudhury, P. Dutta, K. Kalita, dan P. Barsocchi, “Random Forest Regression-Based Machine Learning Model for Accurate Estimation of Fluid Flow in Curved Pipes,” Processes, vol. 9, no. 11, 2021, doi: 10.3390/pr9112095.
[18] A. A. Suryanto dan A. Muqtadir, “Penerapan metode mean absolute error (MEA) dalam algoritma regresi linear untuk prediksi produksi padi,” Saintekbu, vol. 11, hlm. 78–83, 2019, Diakses: 4 Januari 2026. [Daring]. Tersedia pada: https://doi.org/10.32764/saintekbu.v11i1.298
[19] I. Ghozali, Aplikasi Analisis Multivariete SPSS 23. 2016.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Kharisma Elan, Rijalul Fikri, Terttiaavini Elan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Teknologi dan Informatika (Teknomatika) is licensed under CC BY-SA 4.0
