Analisis atau Review Kritis Artikel Tentang Korelasi dan Regresi

 Nama              : Cindy Tyas Harvina

NIM                : 250321829945

Mata Kuliah    : Metodologi Penelitian Kuantitatif

Tema               : Statistik 2: Korelasi dan Regresi

Offering          : A25

Link Artikel

Review Artikel

Judul Artikel: “Impact of road geometry on school-area traffic congestion using regression and machine learning analysis: lessons from six Saudi cities”

Tujuan:

Penelitian ini bertujuan untuk menganalisis bagaimana karakteristik geometrik jalan, seperti kategori jalan, jumlah lajur, keberadaan median, arah lalu lintas, dan parkir di pinggir jalan, mempengaruhi tingkat kemacetan di sekitar area sekolah pada jam antar-jemput di enam kota besar Arab Saudi. Selain itu, penelitian ini juga bertujuan membandingkan kinerja model Multiple Regression (MR) dan Machine Learning (ML) (khususnya XGBoost) dalam memprediksi tingkat kemacetan menggunakan Travel Time Reliability (TTR) metrics seperti Travel Time Index (TTI), Planning Time Index (PTI), dan Buffer Time Index (BTI)

 

Metode:

Metode yang digunakan bersifat kuantitatif dengan kerangka kerja multi-tahap (multi-stage framework). Data dikumpulkan dari 242 segmen jalan di sekitar 40 sekolah di enam kota besar (Riyadh, Makkah, Hassa, Hail, Najran, dan Abha) melalui observasi lapangan. Waktu tempuh kendaraan diperoleh dari Google Maps API menggunakan skrip Python pada 20 interval waktu harian, kemudian dihitung nilai TTI, PTI, dan BTI. Analisis dilakukan dengan regresi berganda (SPSS) serta model pembelajaran mesin XGBoost untuk mengidentifikasi variabel geometrik paling berpengaruh terhadap kemacetan. Selain itu, penelitian juga menilai hubungan antara waktu tempuh, konsumsi bahan bakar, dan emisi CO₂ untuk mengukur dampak lingkungan.

 

Hasil:

·       Hasil regresi berganda menunjukkan bahwa kategori jalan dan jumlah lajur per arah merupakan faktor yang paling signifikan memengaruhi kemacetan. Nilai R² model TTI berkisar antara 0,035–0,112.

·       Model XGBoost (Machine Learning) memberikan hasil yang jauh lebih akurat dengan nilai R² mencapai 71% untuk TTI, menunjukkan keunggulan ML dibanding regresi tradisional dalam menangkap hubungan non-linear antarvariabel.

·       TTI terbukti sebagai indikator paling representatif untuk menggambarkan kemacetan dibanding PTI dan BTI.

·       Variabel medians dan on-street parking memiliki pengaruh berbeda: median justru meningkatkan kemacetan karena membatasi pergerakan, sedangkan parkir pinggir jalan yang tertata baik justru mengurangi kemacetan.

·       Analisis lingkungan menunjukkan adanya korelasi positif antara peningkatan TTI dan peningkatan konsumsi bahan bakar serta emisi CO₂.

 

Kesimpulan:

Penelitian ini menyimpulkan bahwa desain geometrik jalan memiliki pengaruh signifikan terhadap kinerja lalu lintas di area sekolah. XGBoost lebih akurat dibanding regresi dalam memprediksi kemacetan berdasarkan parameter geometrik. Faktor paling dominan adalah tipe jalan dan jumlah lajur per arah, sementara keberadaan median dan pengelolaan parkir perlu diperhatikan dalam desain kawasan sekolah. Penelitian ini juga menegaskan bahwa indikator TTI paling efektif untuk menggambarkan reliabilitas waktu tempuh dan dapat digunakan untuk menilai implikasi lingkungan dari kemacetan.

 

Kelebihan penelitian:

·       Menggunakan kombinasi pendekatan statistik dan machine learning (XGBoost) sehingga menghasilkan model prediksi yang lebih akurat.

·       Mencakup enam kota besar dengan data lapangan riil (242 segmen jalan), meningkatkan validitas eksternal.

·       Mengintegrasikan aspek lingkungan (emisi CO₂ dan konsumsi bahan bakar) ke dalam analisis lalu lintas.

·       Menggunakan data real-time dari Google Maps API dengan validasi temporal dan bootstrapping untuk reliabilitas statistik.

 

Kekurangan/gap penelitian:

·       Ketergantungan pada data Google Maps, yang mungkin tidak menangkap kondisi lalu lintas real-time akibat kecelakaan atau pekerjaan jalan.

·       Model tidak memasukkan faktor kontekstual seperti kepadatan pejalan kaki, ukuran sekolah, atau kondisi tata guna lahan sekitar.

·       Ruang lingkup terbatas pada kota besar; belum dapat digeneralisasikan untuk wilayah rural atau semi-urban.

·       Asumsi homogenitas kendaraan dan konsumsi bahan bakar pada analisis lingkungan bisa menyebabkan bias estimasi.

·       Interaksi antarvariabel (seperti efek gabungan median dan jumlah lajur) tidak dimasukkan karena risiko multikolinearitas.

 

Novelty:

Kebaruan utama penelitian ini terletak pada:

“However, few studies have systematically quantified how road geometry affects traffic performance during school pick-up and drop-off periods in rapidly urbanizing, car-centric regions such as Saudi Arabia.” (Shokry et al., 2025)

Artinya, penelitian ini secara sistematis mengkuantifikasi pengaruh karakteristik geometrik jalan terhadap kemacetan di area sekolah di konteks kota-kota berkembang yang bergantung pada mobil pribadi. Selain itu, studi ini mengintegrasikan metode Machine Learning (XGBoost) dengan Travel Time Reliability (TTR) metrics untuk menganalisis hubungan tersebut, sesuatu yang belum dilakukan pada penelitian-penelitian sebelumnya.

 

Daftar Pustaka:

Shokry, S., Alrashidi, A., El-Bany, M. E.-S., & Darwish, A. M. (2025). Impact of road geometry on school-area traffic congestion using regression and machine learning analysis: lessons from six Saudi cities. Transportation Research Interdisciplinary Perspectives, 34, 101686. https://doi.org/10.1016/j.trip.2025.101686