Penelitian ini bertujuan untuk membangun sistem prediksi volume kendaraan parkir berbasis web menggunakan algoritma Random Forest Regression dan Support Vector Regression (SVR) sebagai model pembanding. Metodologi penelitian yang digunakan adalah CRISP-DM (Cross Industry Standard Process for Data Mining) yang terdiri atas tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Model dikembangkan menggunakan bahasa pemrograman Python dengan framework FastAPI, kemudian diintegrasikan ke dalam aplikasi web berbasis CodeIgniter 3. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Coefficient of Determination (R2 Score). Hasil penelitian menunjukkan bahwa algoritma Random Forest Regression memberikan performa yang lebih baik dibandingkan Support Vector Regression, dengan nilai MAE dan RMSE yang lebih rendah serta R2 Score yang lebih tinggi. Model Random Forest Regression berhasil diimplementasikan pada dashboard prediksi sehingga mampu memberikan informasi prediksi jumlah kendaraan parkir secara cepat dan membantu pengelola dalam mendukung pengambilan keputusan terkait pengelolaan kapasitas parkir.

S12721

INF 0243 2026

Bekasi

Tersedia