PEMODELAN URUTAN JANGKA PENDEK VS JANGKA PANJANG: LSTM VS TSFORMER DALAM PREDIKSI LALU LINTAS PERKOTAAN

Prediksi lalu lintas jangka pendek berperan penting dalam pengembangan Intelligent Transportation Systems (ITS), khususnya di wilayah metropolitan yang dinamis. Penelitian ini membandingkan kinerja dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Time Series Transformer (TSFormer), menggunakan lima sensor dengan tingkat kelengkapan data tertinggi dari dataset METR-LA yang merekam kecepatan kendaraan setiap lima menit. Tahapan eksperimen mencakup penghapusan nilai nol yang diperlakukan sebagai data hilang, pengisian data menggunakan interpolasi spline, normalisasi Min–Max, serta pembentukan data terawasi melalui pendekatan sliding window sepanjang 72 langkah waktu. Kedua model dilatih dengan pengaturan yang sama, meliputi penggunaan optimizer Adam, learning rate yang seragam, dan penerapan early stopping. Evaluasi kinerja dilakukan menggunakan MAE, MSE, RMSE, dan MAPE. Hasil pengujian memperlihatkan bahwa LSTM menunjukkan kinerja yang lebih stabil dan secara konsisten lebih baik dibandingkan TSFormer pada seluruh sensor. LSTM mencapai MAE 0,0026, RMSE 0,0057, dan MAPE 0,58%, sedangkan TSFormer mencatat MAE 0,0075, RMSE 0,0135, dan MAPE 0,96%. Waktu pelatihan LSTM tercatat lebih singkat, yakni sekitar 174 detik, dibandingkan TSFormer yang membutuhkan sekitar 397 detik. Kondisi ini memperlihatkan bahwa LSTM tetap menawarkan keseimbangan yang baik antara stabilitas dan efisiensi untuk prediksi lalu lintas jangka pendek pada lingkungan ITS dengan sumber daya terbatas.