Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
STUDI TENTANG PEMODELAN ARUS LALU LINTAS Rina Mardiati Jurusan Teknik Elektro, UIN Sunan Gunung Djati Bandung Bandung, Indonesia
[email protected]
Abstrak Permasalahan transportasi saat ini masih menjadi pemasalahan utama pada setiap negara, khususnya negara berkembang. Masalah transportasi dihadapkan pada fenomena kemacetan, banyaknya polusi yang dihasilkan oleh kendaraan, sampai kepada masih tingginya tingkat kecelakaan lalu lintas tiap tahunnya. Hal ini, bukan saja disebabkan oleh perilaku pengemudi jalan raya saja, akan tetapi perencanaan arus lalu lintas pun menjadi salah satu faktor yang mempengaruhinya. Salah satu alternatif penyelesaian untuk dapat mengatur dan memanajemen arus lalu lintas adalah dengan memodelkan arus lalu lintas serta mensimulasikannya dalam komputer sehingga dapat diperoleh prediksi-prediksi yang akan terjadi pada simulasi tersebut. Studi literatur mengenai pemodelan dan simulasi arus lalu lintas terus berkembang sejak setengah abad yang lalu dalam upaya memperoleh sebuah pemodelan yang akurat dan mewakili fenomena yang terjadi sebenarnya. Pemodelan arus lalu lintas berbasis komputer dapat dibagi menjadi tiga skala utama, yaitu: mikroskopik, mesoskopik dan makroskopik. Pada skala mikroskopik, pemodelan arus lalu lintas digambarkan sedetail mungkin yang mencakup perilaku setiap kendaraan dan interaksinya. Pada paper ini dilakukan survey terhadap penelitian terdahulu yang membahas mengenai pemodelan arus lalu lintas pada skala mikroskopik. Pada bagian pertama akan dijelaskan gambaran dan pemahaman mengenai pemodelan arus lalu lintas, pemahaman mengenai model mikroskopik arus dan beberapa penelitian mengenai model yang sudah dikembangkan untuk simulasi mikroskopik beberapa tahun terakhir. Selanjutnya, dilakukan pembahasan mengenai pemodelan arus mikroskopik dihubungkan dengan permasalahan transportasi yang ada di Indonesia. Pada paper ini juga memberikan kemungkinan pengembangan penelitian lebih lanjut untuk model mikroskopik lalu lintas. Kata Kunci: model mikroskopik, model arus lalu lintas.
I. Pendahuluan Seiring dengan meningkatnya volume kendaraan
berdampak ke banyak sektor,
dari kemacetan
sampai ke masalah polusi yang dihasilkan.
saat ini, masalah transportasi masih menjadi
Masalah-masalah ini menghasilkan dampak yang
masalah utama dalam sebuah negara khususnya
bermacam-macam diantaranya adalah sebagai
negara berkembang. Masalah transportasi ini
berikut:
177
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
1. tidak dapat memprediksi waktu tempuh
saat ini para peneliti dan ahli pemodelan matematis
yang akurat ke suatu tempat dikarenakan
setuju bahwa pemodelan yang dihasilkan belum
kondisi
memberikan hasil yang optimal. Hal ini salah
lalu
lintas
dengan
tingkat
kemacetan yang bervariasi;
satunya dikarenakan oleh situasi dan kondisi setiap
2. pemborosan bahan bakar;
arus
3. produktivitas manusia menurun;
kompleksitasnya.
4. membuat pengendara atau pengguna jalan raya menjadi stress;
lalu
lintas
yang
berbeda-beda
tingkat
Pemodelan arus lalu lintas merupakan area yang menarik untuk diteliti. Berdasarkan literatur yang
5. menimbulkan kondisi yang bahaya [Yang 2010].
sudah ada, dapat disimpulkan bahwa pemodelan arus lalu lintas ini menjadi sangat penting
Selain dari itu, permasalahan yang terpenting
dikarenakan beberapa hal berikut.
adalah menyangkut pada jiwa manusia dimana
1. Pemodelan ini menjadi penting dalam proses
tingkat kecelakaan lalu lintas harus diminimalisasi.
analisa transportasi didasarkan pada prediksi-
Penyebab
prediksi yang dihasilkan oleh model.
permasalahan
dikarenakan
pengguna jalannya saja, akan tetapi perencanaan
manfaat dalam memberikan informasi yang
laju lalu lintas pun menjadi salah satu faktor yang
menunjang proses manajemen arus yang
mempengaruhinya [Bellomo 2011]. Oleh karena
optimal tanpa harus menghabiskan biaya yang
itu, sebuah pemodelan lalu lintas menjadi salah
cukup besar.
yang
penting
pengemudi
hanya
2. Pemodelan arus lalu lintas pun memiliki
elemen
perilaku
bukan
atau
satu
oleh
ini
dalam
upaya
menyelesaikan permasalahan lalu lintas.
3. Pemodelan
arus
lalu
lintas
akan
selalu
berkembang dikarenakan parameter pemodelan
Teori mengenai pemodelan arus lalu lintas
yang digunakan semakin kompleks sehingga
sudah ada sejak setengah abad yang lalu, dimana
diperlukan sebuah upaya guna mendapatkan
teori-teori ini memiliki tujuan: (1) membuat model
pemodelan yang diharapkan sesuai dengan
abstraksi arus lalu lintas dengan sederhana dan
fenomena yang sebenarnya.
efisien dan (2) membuat framework kesatuan yang
4. Pemodelan ini bisa menunjang teknologi masa
dapat memodelkan arus lalu lintas kendaraan yang
depan yaitu Intelligent Transportation System
saling berhubungan satu sama lain [Ni 2009].
(ITS) for safety driving, dimana kendaraan
Seiring dalam upaya pengembangan pemodelan
masa depan yang akan berkembang adalah
lalu lintas, literatur mengenai pemodelan arus lalu
intelligent car atau mobil cerdas.
lintas mulai banyak bermunculan. Tetapi, sampai
178
Edisi Agustus 2014 Volume VIII No. 2 Miller
[Miller
2011]
bukunya
pemodelan mikroskopik lalu lintas dihubungkan
mengatakan bahwa penelitian pada pemodelan lalu
dengan permasalahan yang ada di Indonesia dan
lintas ini membutuhkan lintas ilmu pengetahuan,
diakhiri dengan kesimpulan yang berisi mengenai
seperti Teknik, Tata Kota, Ilmu Komputer, dan
isu-isu
Matematika.
dikembangkan dari pemodelan mikroskopik ini.
Sehingga,
dalam
ISSN 1979-8911
penelitian
pada
area
penelitian
yang
mungkin
bisa
transportasi ini sangat luas dan sangat bervariasi. Berdasarkan
pemodelan
berbasis
komputer,
pemodelan arus lalu lintas salah satunya dapat
II.
Pemodelan Arus Lalu Lintas
kedetailannya
Saat ini, arus lalu lintas dan kemacetan merupakan
menjadi tiga skala utama yaitu mikroskopik,
dua hal yang tidak dapat dipisahkan dan masih
mesoskopik dan makroskopik.
menjadi topik permasalahan yang masih dicari
dibedakan
berdasarkan
tingkat
Model mikroskopik berusaha memodelkan arus
solusi penyelesaiannya oleh para peneliti. Para ahli
lalu lintas pada level kedetailan tingkat tinggi. Hal
pemodelan dan simulasi pun hingga saat ini masih
ini disebabkan karena pada skala mikroskopik,
terus menggali ilmu pengetahuan serta melakukan
perilaku dan interaksi antar kendaraan dimodelkan
pengembangan agar mampu memperoleh model
lebih detail. Oleh karena itu, para peneliti sepakat
arus lalu lintas yang representatif dan dapat
bahwa model simulasi lalu lintas menggunakan
memberikan manfaat yang lebih maksimal bagi
pendekatan mikroskopik lebih terlihat realistis
manajemen lalu lintas.
menampilkan penomena situasi yang sebenarnya dibandingkan dengan
skala mesoskopik dan
Pemodelan arus lalu lintas dapat dibedakan berdasarkan
beberapa
kriteria
berikut
makroskopik [Manley 2009].
[Hoogendoorn and Bovy 2009].
Alur penjelasan pada makalah ini adalah sebagai
1. Jenis variabel bebas yang digunakan (kontinyu,
berikut: bab dua akan membahas dan memberikan gambaran tentang pemodelan arus lalu lintas secara umum, serta dibahas secara ringkas tentang pemodelan berdasarkan tiga skala utama; pada bab tiga akan dijelaskan
secara detil
mengenai
diskrit, semi-diskrit). 2. Tingkat
kedetailan
model
(mikroskopik,
mesoskopik, makroskopik). 3. Pengimplementasian
proses
(deterministik,
stokastik).
pemodelan mikroskopik; lalu pada bab empat akan
4. Penerapannya (analitik, simulasi).
membahas beberapa model mikroskopik yang
5. Ruang lingkup aplikasi.
dikembangkan akhir-akhir ini, dan pada bab
Pada paper ini akan dipaparkan penjelasan
terakhir akan dilakukan pembahasan mengenai
pemodelan arus berdasarkan tingkat kedetailannya
179
Edisi Agustus 2014 Volume VIII No. 2 saja,
yaitu
mikroskopik,
ISSN 1979-8911
mesoskopik
dan
saat :
makroskopik. Pemodelan arus lalu lintas secara matematis akan memerlukan parameter atau variabel-variabel yang
Kecepatannya
akan digunakan. Variabel yang akan digunakan akan terdiri dari variabel bebas (yang tidak tergantung dengan variabel lain) dan variabel terikat (yang tergantung dengan variabel lain). Secara umum pada pemodelan arus menggunakan variabel bebas terdiri dari variable waktu dan ruang, sedangkan untuk variabel terikat akan
pada makroskopik dapat di peroleh dari domain space tertentu pada selang waktu tertentu. Bisa diperoleh kepadatan (density) dengan jumlah vehicle pada waktu pada track :
Untuk multilane R Mass jalur,tinggal velocity: ditambah superscript , dan
(mean)
terdiri dari kepadatan dan kecepatan [Bellomo and Dogbe
2011].
Bellomo
pada
Flow ( bisa dicari menggunakan:
papernya
menggambarkan variabel-variabel pemodelan arus lalu lintas pada skala mikroskopik, mesoskopik dan makroskopik pada tabel-tabel berikut ini [Bellomo and Dogbe 2011]. Table I. Variabel Umum pada Pemodelan Arus Variabel Bebas variable waktu yang diperoleh dari merujuk ke critical time . variabel ruang. Variabel Terikat kepadatan maksimum bumper-tobumper traffic jam. kecepatan maksimum rata-rata yang dapat dicapai oleh kendaraan pada saat free flow conditions.
Table III. Variabel pada Skala Mesoskopik Kinetic Theory Pada teori kinetik ini, setiap lane digambarkan berdasarkan distribusi statistik dari posisi dan kecepatan setiap kendaraan. Distribusinya: Dimana adalah jumlah kendaraan pada saat pada fase Density:
Total jumlah vehicle saat : Mean (mass) velocity: Speed Varians:
Table II. Variabel pada Skala Mikroskopik dan Makroskopik Mikroskopik Makroskopik Posisi setiap Pada dasarnya, kendaraan ke- pada nilai-nilai variabel
Sebenarnya, dari ketiga model yang ada (mikro, meso dan makro) tidak dapat ditentukan mana
180
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
yang paling baik, karena masing-masing model ini
yang dibuat
memiliki kelebihan dan kekurangannya sendiri disesuaikan dengan tujuan awal dari simulasi yang ingin dicapai. Table IV. Perbedaan Pemodelan Arus Skala Skala dari Simulasi Makrosko Mesosk pik opik Unit yang Arus lalu Arus disimulasi lintas lalu kan lintas dengan interaksi kendaraa n-nya.
Teori Fisika, fundament Matemat al ika
Volume Rendah data yang menjadi masukan Komputas Rendah i yang dibutuhka n
Perilaku stokastik
Jarang
Fisika, Matemat ika
Sedang
berdasarkan
Mikro skopik Perilak u setiap individ unya dan simual asi rute. Studi Kognit if, fisika dan kecerd asan buatan . Tinggi
unaka n stokast ik
Model Aplikasi MultiSedang/ Sedang Kuat agent dan Kurang interaksi objek Reaksi Kurang Sedang Kuat terhadap perubahan kondisi arus Sumber: Scales of Traffic Flow Simulation [Manley 2009]
Pemilihan skala untuk memodelkan arus bukan persoalan yang sederhana, banyak faktor yang mempengaruhinya.
Manley
pada
papernya
[Manley 2009] mengatakan beberapa faktor yang perlu dipertimbangkan pada saat akan menentukan skala yang dipakai untuk mensimulasikan arus lalu lintas adalah sebagai berikut. 1. Ketersediaan sumber daya, apakah sumber daya yang kita miliki sudah cukup untuk membuat simulasi pada skala yang diinginkan,
Sedang
Secara umum, lebih tinggi diantar a dua skala yang lain. Tergantu Biasan ng dari ya model mengg
contohnya adalah pada skala mikroskopik diperlukan data yang cukup untuk bisa menentukan parameter-parameter yang akan diinputkan kedalam model. Selain dari itu, untuk
membangun
diperlukan
teknologi
model
mikroskopik
komputer
dengan
spefikasi yang tinggi agar mampu melakukan komputasi yang kompleks secara real-time.
181
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
2. Ruang lingkup area pemodelan, apakah akan
pada pengembangan model perilaku pengemudi
dimodelkan pada skala besar atau kecil. Karena
dan
perlu
menghasilkan simulasi yang lebih realistis.
diketahui
untuk
memodelkan
kendaraan
yang
digunakannya
untuk
mikroskopik pada skala besar akan kurang
Pada awalnya, simulasi mikroskopik berfokus
optimal, dikarenakan proses komputasinya pun
pada pengembangan perilaku sebuah kendaraan
memerlukan
dalam
waktu
yang
lebih
lama.
sebuah
lingkungan
lalu
lintas
yang
Sedangkan untuk makro dapat diaplikasikan
diberikan, khususnya dalam menjaga jarak dengan
dalam skala besar, karena proses komputasinya
kendaraan yang ada didepannya. Teori yang paling
pun tidak begitu kompleks seperti mikro.
popular untuk memodelkan jarak antar kendaraan
3. Faktor lainnya, seperti jumlah kendaraan yang
ini adalah car-following model. Pengembangan
akan disimulasikan, apakah akan menggunakan
terhadap teori car-following model terus dilakukan
stokastik atau deterministik, apakah state yang
dengan
ada pada sistem itu berubah secara kontinyu
pengendaranya dan elemen lainnya agar simulasi
atau tidak, dan lain-lain.
yang dihasilkan lebih realistis.
menambahkan
unsur
perilaku
Tetapi, untuk tujuan menghasilkan simulasi yang
Teori yang mendasari pemodelan mikroskopik
lebih realistis, pemodelan skala mikroskopik
adalah car-following dan lane-changing. Teori
adalah pilihan yang tepat untuk memodelkan arus
car-following mengkaji pergerakan longitudinal
lalu lintas dikarenakan model ini memodelkan
setiap kendaraan. Sedangkan, teori lane-changing
perilaku setiap pergerakan kendaraan secara detail
mengkaji
[Manley 2009].
melakukan perubahan jalur.
tentang
bagaimana
pengendara
Model car-following juga menjadi elemen yang cukup penting dalam proses pengembangangan III. Model Arus lalu Lintas
sistem autonomous cruise control [Mar and Lin
Simulasi mikroskopik adalah sebuah model
2005; Wang et al. 2013]. Selain dari itu, car-
yang menggambarkan perilaku dan interaksi setiap
following pun digunakan sebagai tools untuk
pengemudi
dalam sebuah sebuah sistem lalu
mengevaluasi kebijakan intelligent transportation
lintas, dimana pemodelannya dibuat lebih detail
system [Panwain and Dia 2005; Yu and Shi 2008].
untuk setiap pergerakan kendaraannya. Definisi
Sehingga,
mengenai pemodelan mikroskopik bervariasi, akan
mengeksplorasi
tetapi dari keseluruhan definisi yang ada dapat
meningkatkan model yang sudah ada atau untuk
disimpulkan fokus dari pemodelan ini mengarah
menemukan model baru.
para
peneliti perilaku
pun
tertarik
untuk
car-following
untuk
182
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
Seiring dengan berkembangnya ilmu komputer,
terhadap model tersebut. Model yang dibangun
maka pengembangannya pun meluas kepada
harus akurat, sesuai dengan data atau informasi
penggunaan sel otomata dan sistem multi-agent.
yang ada. Sebelumnya data atau informasi untuk
Dimana kedua sistem ini dapat memberikan
memvalidasi model masih sedikit, tetapi saat ini
perilaku yang lebih realistik antara hubungan atau
informasinya sudah cukup berlimpah, sehingga
interaksi pengendara dengan kondisi lalu lintas
peneliti dengan mudah mengembangkan model
yang diberikan [Manley 2009].
mikroskopik [Yang et al. 2013].
berhenti
disana,
Tidak hanya
pengembangan
pun
terus
dilakukan agar mendapat model perilaku yang IV. Model Arus lalu Lintas
lebih riil dengan menambahkan metode stokastik dalam penentuan keputusan dan kondisi jalan yang
Pemodelan dan simulasi lalu lintas memiliki
diberikan, sehingga
cakupan
diperlukan studi lain yang
yang
sangat
luas,
sehingga
dapat
berhubungan dengan psikologi pengendara dalam
dibedakan berdasarkan beberapa kriteria sebagai
pengambilan keputusan dibedakan sesuai dengan
berikut:
kepribadian manusia yang berbeda-beda (contoh:
-
semi-diskrit);
agresif, tenang, dan lain-lain). Lebih jauh lagi, biasanya digunakan prosedur Monte Carlo untuk
-
tingkat
kedetailan
(submikroskopik,
mikroskopik, mesoskopik, makroskopik);
membangkitkan nilai acak untuk menampilkan perilaku pengendara pada kondisi lalu lintas [Wang
skala dari variabel bebas (kontinu, diskrit,
-
proses
yang
dihasilkan
(deterministik,
stokastik);
et al. 1996]. Model mikroskopik memiliki keunggulan dalam
-
penerapannya (analitik, simulasi);
mensimulasikan kendaraan lebih detail, namun
-
ruang lingkup aplikasi [Hoogendoorn and
bukan
berarti
Memodelkan
tidak perilaku
mempunyai setiap
kelemahan.
kendaraan
Bovy 2002].
dan
Dari beberapa penelitian sebelumnya, simulasi
melakukan tracking dalam sebuah kondisi lalu
arus lalu lintas sebagian dibedakan berdasarkan
lintas akan membutuhkan resource dan effort yang
tingkat kedetailannya menjadi tiga skala utama
besar dalam waktu yang diperlukan, biaya dan
yaitu mikroskopik, mesoskopik dan makroskopik.
proses komputasi tingkat tinggi karena simulasinya
Pada bab studi literatur ini akan dipaparkan
dilakukan secara real-time. Selain dari itu,
mengenai penelitian-penelitian yang terkait dengan
pengembangan sebuah model akan berkaitan erat
pemodelan
dengan proses akhir yaitu kalibrasi dan validasi
Dikarenakan penelitian-penelitian yang sudah ada
lalu
lintas
skala
mikroskopik.
183
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
mengenai model mikroskopik memiliki rentang varians
yang
cukup
besar,
sehingga
pada
Selain teknologi ACC, perkembangan ITS yang saat ini sedang berkembang adalah Advanced
pembahasannya akan dikelompokkan menjadi
Driver Assistance System (ADAS).
beberapa bagian yang memiliki kemiripan metode,
penelitian yang dilakukan Schnieder [Schnieder
framework, ruang lingkup simulasi dan lain-lain.
and Detering 2010] yang menggali tentang
a. Pemodelan Lalu Lintas pada Intelligent
Saat ini perkembangan Intelligent Transportation (ITS)
semakin
dikembangkan
guna
mengefisienkan kapasitas jalan yang tersedia saat ini. Dampaknya, berbagai teknologi ITS seperti adaptive cruise control (ACC) sudah banyak digunakan di kendaraan yang berteknologi tinggi. Kesting [Kesting 2009] pada papernya mencoba membuat simulasi untuk megetahui pengaruh dari kendaraan yang menggunakan ACC terhadap arus lalu lintas, sehingga dapat meningkatkan efisiensi dari
kapasitas
jalan.
Penelitian
Kesting
mengembangkan sebuah simulasi mikroskopik menggunakan intelligent driver model (IDM) agar dapat mensimulasikan pengaruh dari teknologi ACC. Penelitian ini mengembangkan IDM yang sudah ada
interaksi antar subsistem (pengemudi, kendaraan dan infrastruktur) yang terjadi pada lalu lintas.
Transportation System
System
Seperti
dengan menggunakan new constant-
acceleration heuristic. Pengembangan IDM ini diterapkan pada simulasi lalu lintas dengan kondisi multi-jalur serta ditambahkan fitur driving strategy pada ACC-nya. Simulasi pada penelitian ini sudah cukup berhasil menampilkan driving stategy lalu lintas yang berbeda-beda walaupun masih ada beberapa keterbatasan pada pemodelan IDMnya yang membuat simulasi kurang realistik.
Penelitian ini menghasilkan sebuah sistem untuk memodelkan lalu lintas yang dapat digunakan sebagai fondasi untuk ADAS. Hasil pengujian simulasinya menunjukkan bahwa sistem ini dapat secara powerfull untuk menjelaskan fenomena yang kompleks pada pemodelan lalu lintas. Yang [Yang et al. 2010] pada penelitiannya berhasil membangun sebuah sistem pengambilan keputusan berdasarkan data real-time yang diperoleh. Di beberapa kota seperti New Jersey, New York, London,
Paris
dan
mengimplementasikan
Singapore ITS
sudah
menggunakan
congestion pricing. Untuk membangun sistem congestion pricing perlu didukung oleh pemodelan yang akurat sehingga dapat memprediksi lalu lintas. Yang juga mengusulkan sebuah model lalu lintas yang digeneralisasi dari model LWR dengan menggunakan
persamaan
diferensial
parsial
stokastik. Hasil simulasinya dibandingkan dengan model lalu lintas deterministik dan diperoleh bahwa
model
stokastik
ini
lebih
akurat
dibandingkan model deterministik. Salah satu permasalahan utama lalu lintas yang saat ini sering terjadi adalah kemacetan yang dapat
184
Edisi Agustus 2014 Volume VIII No. 2 menimbulkan
beberapa
kerugian
ISSN 1979-8911 diantaranya
secara
wireless
dan
dengan
menggunakan
adalah banyak waktu yang terbuang dan penurunan
stationary roadside units (RSUs). Beberapa studi
produktivitas dari jutaan manusia. Salah satu solusi
mengenai VDN yang sudah berkembang
yang mungkin adalah dengan menyediakan sarana
berusaha untuk dapat menampilkan sebuah model
informasi yang dapat didistribusikan kepada para
yang bisa menggambarkan mimik dari fenomena
pengendara di jalan raya atau bisa juga melalui
lalu lintas dan juga berusaha untuk menampilkan
sistem untuk pemilihan rute dalam menghindari
VDN yang akurat pada saat dievaluasi. Khabbaz
kemacetan. Informasi mengenai kemacetan juga
[Khabbaz 2012] pada papernya mengusulkan
bisa diperoleh dari sebuah sensor static yang
sebuah model universal
ditempatkan pada beberapa titik lokasi (induction
perilaku pada kondisi free-flow menggunakan
loops atau sensor kamera) atau bisa dengan
pendekatan M/G/
menempatkan sebuah kendaraan yang mobile yang
dibangun ini bertujuan dapat menjadi fondasi
bisa memberikan informasi tersebut. Leontiadis
sebagai pengembangan pemodelan VDN sehingga
[Leontiadis et al. 2011] mencoba mendesain
kendaraan-kendaraan yang ada dapat dibekali
sebuah
sebuah
dengan sejumlah informasi yang dapat diakses
kendaraan memperoleh informasi mengenai crowd
mengenai kondisi jalan, kemacetan dan lain-lain,
traffic
sehingga menghasilkan kondisi lalu lintas yang
sistem
yang
berbasis
memungkinkan
ad
hoc
manner
lalu
diimplementasikan pada sebuah realistic networkmobility
simulator
queuing system. Model yang
lebih optimal. Seiring dengan perkembangan VDN ini, maka
modelnya. Selain dari itu pada penelitian ini
perkembangan teknologi transportasi cerdas sudah
dilakukan
untuk
mengarah ke Platooning. Platooning adalah
mengevaluasi apakah sistem terdesentralisasi dapat
teknologi terkini agar kendaraan dapat bergerak
membantu pengemudi untuk meminimalisasikan
secara
waktu
mengendarai dalam kondisi freeways dan juga
sebuah
perjalanannya.
menyatakan
bahwa
dapat
pemodelan
dievaluasi
juga
yang
berbasis
ini
studi
Hasil sistem
kasus
yang
diperoleh
navigasi
dapat
memberikan mengoptimalkan kondisi lalu lintas.
otonom
dan
sangat
efisien
dalam
sebagai pendukung keselamatan dlam berkendara [Segata et al. 2013]. Selain dari itu, platooning
Isu perkembangan berikutnya untuk mengatasi
dapat memberikan driving experience dengan cara
kemacetan adalah gambaran mengenai Vehicular
yang berbeda yang mencakup aspek kenyamanan
Data Network (VDNs) yang merupakan sebuah
dan keamanan pengemudi, mengurangi konsumsi
transformasi sebuah kendaraan menuju intelligent
bahan bakar, dan dapat memberikan ruang bagi
mobile entities yang bisa saling berkomunikasi
pengemudinya untuk sekedar relaksasi misalnya
185
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
membaca e-mail, koran, menelepon disaat kondisi
pemodelan car-following untuk ruas jalan yang
lalu lintas dalam keadaan macet. Platooning
sempit menggunakan pendekatan sel otomata. Lu
merupakan area penelitian yang cukup menantang,
[Lu
karena diperlukan beberapa kemampuan dalam
mengembangkan
mengembangkannya yaitu teori sistem kontrol,
berbasis teori Homeostasis yang mengkaji bahwa
teknik transportasi, vehicle dynamics, dan wireless
pengambilan keputusan seorang pengemudi dalam
networking. Pada papernya Segata [Segata et al.
memperkirakan resiko yang akan dihasilkan
2013]
sistem
didasarkan pada pengalaman yang sudah dimiliki
platooning dilihat dari sisi wireless networking-
oleh si pengemudi. Pemodelan car-following
nya, serta menjelaskan state-of-the-art mengenai
menggunakan
perkembangan platooning dari sisi komunikasi
dikembangkan menggunakan parameter desired
wireless. Pada paper ini juga dijelaskan bahwa
safety margin (DSM). Safety margin disini
pada sisi wireless networking masih terdapat
merupakan
beberapa keterbatasan, sehingga masih sangat
diinformasikan kepada pengemudi saat berkendara,
terbuka permasalahannya untuk dapat dilakukan
yang
penelitiannya.
parameter stimulusnya. Hasil dari simulasi pada
mencoba
b. Pemodelan
menjelaskan
konsep
Mikroskopik
Berbasis
Car-
Pemodelan lalu lintas dengan skala mikroskopik didominasi oleh dua pendekatan teori yaitu carfollowing model dan lane-changing model. Kedua pendekatan ini berfokus pada bagaimana sebuah dan berperilaku pada
kondisi lalu lintas yang berbeda-beda. Teori carfollowing
adalah
teori
yang
menjelaskan
bagaimana sebuah kendaraan menjaga jarak aman dengan
kendaraan
Pemodelan
yang
car-following
ada
di
sudah
depannya. banyak
dikembangkan dengan berbagai karakteristik dan parameter yang berbeda-beda. Das [Das et al. 2009]
mencoba
al.
akan
2011]
juga
pada
pemodelan
teori
nilai
risk
car-following
homeostasis
batasan
diperoleh
papernya
resiko
dengan
ini
yang
pertimbangan
penelitian ini dibandingkan dengan Gazis-HermanRothery (GHR) model. Hasil perbandingan rata-
Following dan Lane Changing
kendaraan berinteraksi
et
mengembangkan
sebuah
rata antara DSM dan GHR model tidak begitu berbeda, hanya pada penelitian ini dihasilkan model yang dapat merubah parameter-parameter sesuai dengan yang diinginkan sehingga model ini lebih fleksibel dan efektif untuk mensimulasikan teori car-following. Model yang dikembangkan pada penelitian ini juga memberikan pemahaman dan pengetahuan baru dalam menjelaskan proses car-following berdasarkan risk homeostasis theory. Efesiensi dari sebuah model simulasi lalu lintas bergantung pada model car-following dan lanechanging yang dihasilkan [Hamid 2010]. Pada papernya Hamid
[Hamid 2010]
dilakukan
186
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
pengujian pada tiga model car-following yang
memaparkan
sudah
dikembangkan dari model lane-changing ini.
ada
(CARSIM,
WAVSIM
dan
penelitian
yang diperoleh dari tiga daerah yang berbeda dan
Rahman menyatakan bahwa pemodelan lane-
kondisi
Tujuan
changing merupakan pemodelan yang kompleks
penelitian ini untuk mencari model yang paling
terlebih lagi dengan faktor-faktor driver distruction
baik sehingga dapat dijadikan sebagai asumsi dasar
(misal: melakukan sms atau telp pada saat
untuk
menyetir), lingkungan, kondisi jalan dan masih
mengembangkan
Pengujian
ketiga
berbeda.
model
model
car-following. ini
dilakukan
pada
bisa
Kesimpulan
yang
diperoleh
yang
PARAMICS). Pengujiannya menggunakan data riil
environment
yang
lanjutan
penelitian
banyak lagi yang sampai saat ini belum seluruhnya
menggunakan data riil lapangan. Dari ketiga model
diimplemantasikan kepada model lane-changing.
tersebut, yang mempunyai akurasi yang paling
Memodelkan perilaku pengemudi pada saat car-
tinggi adalah CARSIM, sehingga asumsi-asumsi
following dan lane-changing dilakukan dengan
yang ada pada CARSIM dapat dijadikan referensi
mengobservasi
untuk
lapangan. Ma [Ma and Andreasson 2007] pada
mengembangkan
sebuah
model
car-
following.
papernya
Selain car-following theory, lane-changing
data-data
yang
mengembangkan
pengumpulan
data
yang
diperoleh
sebuah digunakan
di
metode untuk
theory pun merupakan sebuah elemen yang
membangun simulasi mikroskopik lalu lintas. Pada
penting dalam hal bagaimana sebuah kendaraan
penelitian
merubah jalurnya untuk beberapa alasan, misalnya
mengumpulkan data perilaku pengemudi yang
menghindari obstacle, menyusul kendaraan yang
fokus pada car-following dan lane-changing.
lebih lambat, dan lain-lain. Abdi [Abdi et al. 2012]
Untuk mengurangi noise pada pengukuran pada
pada papernya menganalisis beberapa algoritma
pola car-following maka digunakan Kalman
lane-changing
yang ada, sehingga diketahui
smoothing ke dalam bagian state-state fisik
faktor-faktor efektif apa saja yang dapat dipakai
(percepatan, kecepatan dan posisi). Sehingga dari
pada skenario lane-changing. Analisis algoritma
pola-pola car-following yang diperoleh hasilnya
lane-changing pada penelitian ini menggunakan
lebih smooth sehingga dapat dianalisis properti-
metode fuzzy clustering. Rahman [Rahman et al.
properti
2013]
melakukan
melakukan car-following. Setelah itu, dilakukan
perbandingan-perbandingan terhadap model lane-
pengklasifikasian perilaku car-following yang
changing yang sudah ada dalam upaya untuk
berbeda-beda
mencari
pada
model
papernya
yang
juga
paling
optimal
ini
yang
dibangun
dimiliki
menggunakan
instrumen
pengemudi
algoritma
untuk
untuk
fuzzy
serta
187
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
clustering untuk dapat digunakan pada simulasi
pengujian yang dilakukan mampu menunjukkan
mikroskopik lalu lintas.
neural driver agent yang lebih baik dibanding pengemudi manusia dalam mengestimasi atau
c. Pemodelan Perilaku Pengemudi Pemodelan mikroskopik lalu lintas akan selalu berhubungan dengan bagaimana memodelkan perilaku setiap kendaraan dan pengemudi. Studi literatur mengenai pemodelan perilaku pengemudi menggunakan
pendekatan
dan
metode
yang
berbeda-beda sudah banyak dilakukan dengan tujuan agar mendapatkan simulasi yang benarbenar realistis. Song [Song et al. 2000] pada penelitiannya
mencoba
memodelkan
perilaku
mengemudi menggunakan model kognitif dengan simulation tools yang sudah ada yaitu SmartAHS. Kontribusi yang diberikan pada penelitian ini adalah membangun sebuah formasi dari database knowledge
pengemudi
dan
pengembangan
pemodelan proses kognitif pada saat pengemudi sedang melakukan kegiatan menyetir. Informasi yang
ada
di
dalam
database
mampu memilih
mensimulasikan
pengemudi
untuk
perilaku
dilakukan
dari
yang
kumpulan
kemungkinan perilaku yang ada, seperti following
Booth [Booth 2007] pada papernya membangun neural
network
driver
agent
untuk
meningkatkan realistik dari simulasi kendaraan. Neural network ini digunakan untuk pemodelan lane-changing behavior. Hasil pemodelan perilaku pengemudi berbasis agent ini dibandingkan dengan simulasi
menentukan kecepatan kendaraan yang tepat untuk merubah jalur. Pemodelan
perilaku
pengemudi
akan
dipengaruhi oleh banyak faktor, diantaranya usia, kematangan emosi, jenis kelamin, kondisi pribadi seseorang maupun kondisi lingkungan. Beberapa penelitian
mengenai
pengemudi
pemodelan
yang
sudah
ada
perilaku dilakukan
menggunakan beberapa pendekatan, diantaranya fuzzy logic, fuzzy rules untuk low–level control action model, hidden markov model, dan dynamic bayesian networks. Sebagian besar dari pendekatan ini menggunakan distribusi acak dari data perilaku pengemudi yang diperoleh pada saat berkendara. Tavellaei [Tavellaei et al. 2008] memodelkan perilaku pengemudi menggunakan dua metode fuzzy. Yang pertama metode fuzzy akan digunakan untuk
memodelkan
low-level
control
(untuk
memodelkan steering angle dan speed variation) serta menggunakan fuzzy multi criteria decision
atau overtaking.
sebuah
menentukan kapan akan merubah jalur dan
pengemudi
manusia.
making yang diimplementasikan pada high-control action
(memodelkan
proses
pengambilan
keputusan oleh pengemudi). Validasi model ini menunjukkan simulasi yang dihasilkan cukup natural
dan
dapat
dijadikan
sebagai
dasar
pemodelan perilaku individu pengemudi yang bisa
Berdasarkan
188
Edisi Agustus 2014 Volume VIII No. 2 digunakan sebagai fondasi
dari
ISSN 1979-8911
automatically
guided vehicles.
perubahan lajur pada saat merge (bertemu ketika akan masuk atau keluar dari jalur utama), interaksi
Beberapa penelitian [Absil and Pauwelussen
konflik antara kendaraan pada lajur percepatan dan
2010; Jiang et al. 2010] mulai mengembangkan
lajur yang berdekatan perlu untuk mendapatkan
pemodelan perilaku pengemudi untuk digunakan
perhatian yang berbeda dibanding pada jalan biasa.
pada sebuah platform sehingga bisa dihasilkan
Jia [Jia et al. 2011] pada penelitiannya mencoba
outcome atau virtual world pada kasus lalu lintas
memodelkan vehicles merging behavior yang lebih
yang lebih realistik. Model mikroskopik dan
akurat untuk mengatasi kelemahan-kelemahan dari
network
model-model
simulation
saat
ini
biasanya
sebelumnya.
Platform
yang
diimplementasikan pada platform yang berbeda,
digunakan untuk mengembangkan model ini
dan simulasi perilaku pengemudi harus dibuat
adalah sistem MTSS, dengan menggunakan data
seakurat mungkin dan memiliki hasil yang
dari
sebanding
Boubaker
memvalidasi merging probability model. Hasil dari
[Boubaker et al. 2011] juga membangun sebuah
simulasi dibandingkan dengan data lapangan dan
model mikroskopik menggunakan linear model
hasilnya cukup memuaskan.
dan intelligent driver model. Tujuan dari simulasi
Pemodelan perilaku pengemudi dapat dibuat lebih
ini adalah mempresentasikan model car-following
mudah jika framework untuk mensimulasikannya
yang memiliki karakteristik gerak kendaraannya
sudah tersedia. Schakel [Schakel et al. 2013] pada
longitudinal. Model ini mensimulasikan respon
papernya membahas framework open source untuk
setiap kendaraan berdasarkan perilaku kendaraan
simulasi mikroskopik. Fokus penelitian Schakel
yang ada di depannya lalu dilakukan kalibrasi
mencoba
menggunakan sehingga
dengan
nanti
kenyataannya.
prinsip dapat
Guangzhou
membuat
untuk
mengkalibrasi
solusi
yang
dan
dapat
Levenberg
Maquardt,
menghasilkan sebuah simulasi open source yang
ditentukan
pemilihan
dapat
memberikan
akses
penuh
dan
dapat
parameter yang penting dan cocok untuk proses
dijadikan sebagai framework untuk pengembangan
kalibrasi.
aplikasi ITS yang baru dan dapat memungkinkan
Selain mensimulasikan model pada kondisi jalan yang biasa, beberapa penelitian [Jia et al. 2011; Tan and Jia 2013] mencoba mensimulasikan lalu lintas pada saat pertemuan di jalan tol (expressway). Kondisi ini disebut merging section, dimana sebuah kendaraan akan sering melakukan
untuk
melakukan
perubahan-perubahan
pada
simulasi mikroskopiknya. d. Pemodelan Berbasis Multi-Agent Pemodelan mikroskopik berbasis akhir
ini
banyak
dilakukan
agent akhirdalam
upaya
menghasilkan sebuah simulasi yang lebih realistik.
189
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
Pada penelitiannya, Claes [Claes and Holvoet
Jian 2008] yang mencoba memodelkan perilaku
2011] mengembangkan sebuah framework yang
pengemudinya menggunakan teknologi agent dan
bisa mensimulasikan populasi kendaraan yang
ACT-R cognitive behavior agar dapat memperoleh
memiliki perilaku pengemudi yang heterogen.
sebuah framework model driver-vehicle unit.
Agent pada simulasi ini digambarkan sebagai
Framework driver-vehicle unit ini dibagun untuk
kendaraan yang mampu mengontrol kendaraan
dapat mensimulasikan model mikroskopik perilaku
serta mampu menentukan rute jalan yang akan
agent yang heterogen.
dilalui. Penelitian ini berhasil membuat sebuah
Perkembangan simulasi berbasis intelligent
platform yang dinamakan Gridlock yang mudah
agent juga dapat dimanfaatkan sebagai teknologi
untuk digunakan, mudah dikembangkan dan
dalam proses routing [Buscema et al. 2009]. Latar
fleksibel.
belakang proses routing ini muncul dalam upaya
Selain dari itu, beberapa peneliti [Bazghandi
menyelesaikan masalah kemacetan yang masih
and Pouyan 2011; Gaouiouez et al. 2013]
harus diselesaikan sampai saat ini. Buscema
mengungkapkan pada papernya bahwa untuk saat
mengatakan bahwa salah satu alternatif untuk
ini hanya model yang berbasis agent yang mampu
mengurangi kemacetan salah satunya adalah
menghasilkan skenario simulasi lalu lintas yang
dengan
lebih riil dibandingkan pendekatan yang lainnya.
Information System (ATIS). Sistem ini dapat
Gaouiouez [Gaouiouez et al. 2013] pada papernya
memberikan informasi dan rekomendasi rute
mencoba menghasilkan sebuah algoritma car
kepada penggunanya, dan mampu membantu
following dengan menambahkan efek “real-factor”
pengguna untuk memilih alternatif path terbaik.
yang
Sistem
didistribusikan
secara
acak,
sehingga
menggunakan
ini
mampu
Advance
mencapai
Traveller
tujuan
yang
simulasi yang dihasilkan disebut dengan sistem
diinginkan, akan tetapi belum diketahui seberapa
multi-agent yang terandomisasi. Fokus penelitian
besar sistem ini memberikan pengaruh terhadap
ini adalah membangun model mikroskopik baru
perubahan perilaku pengendara dan sejauh mana
melalui kombinasi pendekatan sistem multi-agent
dapat menigkatkan efisiensi ruas jalan lalu lintas.
dengan model
Oleh karena itu, pada penelitian ini, Buscema
matematik, khususnya
model
statistik serta menggunakan karakteristik utama
mencoba
dari sistem multi-agent.
teknologi ATIS, dengan memodelkan perilaku
Pemodelan mikroskopik sangat erat kaitannya dengan
pemodelan
perilaku
dari
menganalisis
dampak
penggunaan
pengemudi yang digambarkan sebagai autonomous
pengemudi
agent yang diberikan informasi lalu lintas secara
kendaraannya, seperti pada penelitian Jun [Jun and
real-time. Hasil penelitian ini menunjukkan rate
190
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
yang dapat dikatakan layak yang menyatakan
tersedia
bahwa penyediaan informasi secara real time bagi
pengimplementasian ITS yang lebih efisien dan
pengemudi dapat mengurangi kemacetan dan
efektif.
meningkatkan performa dan efisiensi kapasitas
meningkatkan kemampuan komputer terdistribusi
jalan.
dari sistem informasi terpusat adalah teknologi
Dengan
berkembangnya
simulasi
berbasis
agent, [Chen and Cheng 2010] melakukan review
secara
Salah
real-time
satu
adalah
teknologi
yang
dasar
mampu
agent. Aral
[Aral
et
al.
pada papernya
terhadap penggunaan teknologi agent pada sistem
mengusulkan
lalu lintas dan transportasi. Saat ini komputasi
menambahkan parameter
berbasis
paling
diligent ones. Penelitian ini diimplementasikan
powerfull dalam pengembangan sebuah sistem
pada sebuah kasus meluapnya lumpur lapindo di
kompleks. Konsep agent ini sudah banyak
Indonesia. Skenario simulasinya adalah ketika
digunakan pada aplikasi yang berbeda-beda,
lumpur panas meluap melewati bendungan, maka
misalnya aplikasi manufaktur, sistem kontrol real-
lumpur panas akan menghampiri jalan sehinggga
time,
network
kendaraan-kendaraan yang ada disana harus segera
manajemen
dievakuasi. Kontribusi penelitian adalah dengan
informasi, scientific computing, kesehatan, dan
menggunakan parameter tambahan agent drivers
dunia hiburan. Alasan utama mengapa teknologi
dan diligent drivers dapat menghasilkan waktu
agent ini berkembang cukup sukses adalah karena
evakuasi yang diperlukan. Hasil pengujiannya
sistem
dan
dibandingkan dengan model Nagel-schrekenbergs
memungkinkan adanya interaksi antar agent dalam
dan diperoleh efektifitas dalam mengurangi waktu
upaya mencapai tujuan yang diinginkan. Pada
evakuasi. Parameter ini ditambahkan dengan
papernya, Chen memaparkan teknologi agent yang
tujuan agar dapat memberikan respon yang baik
dipakai dalam pengembangan sistem ITS dalam
terhadap lingkungannya, dan juga dapat mengenali
upaya untuk menyelesaikan masalah transportasi.
perubahan kecepatan yang terjadi sehingga dapat
ITS
mengontrol lalu lintas dan meminimalisasi waktu
agent
merupakan
perdagangan
management,
agent
mampu
sistem
teknologi
elektronik, transportasi,
memiliki
sifat
diaplikasikan
otonom
dalam
teknologi
model
2011]
Agent
car-following
driver
dengan
agent drivers dan
komputer, komunikasi, teknologi sensor dalam
evakuasi.
disini
mempunyai
upaya mengubah sistem transportasi menjadi
kemampuan untuk memimpin kendaraan lain dan
sistem lebih teratur dan menjadi
sistem yang
mereka mempunyai informasi yang bisa diperoleh
terintegrasi dengan baik. Core atau basis dari ITS
dari evacuation control centre dan mentransfer ke
adalah informasi, informasi lalu lintas yang
pengemudi lain melalui koneksi jaringan wireless.
191
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
Agent drivers juga bisa menuntun kendaraan yang
dihasilkan oleh insiden yang terjadi tiba-tiba.
lain untuk menuju ke tempat yang lebih aman
Biasanya pada saat kejadian ini pengemudi akan
dengan jalur tercepat. Dilligent drivers juga
mencoba mencari jalan lain untuk menghindari
memiliki kemampuan untuk mengatur jarak antar
kemacetan.
kendaran dengan kendaraan lain didepannya.
memprediksikan dan mengurangi keadaan seperti
Penelitian tentang proses routing pattern juga dilakukan oleh
Yu [Yu and Shi 2012] yang
Dengan
tujuan
untuk
dapat
ini maka diperlukan sebuah simulasi yang dapat menggambarkan
semua
variasi
perilaku
mengatakan bahwa route pattern dan perilaku
pengemudi yang heterogen. Untuk membuat
crowd pada lalu lintas sudah mulai dijadikan
simulasi ini, hal yang pertama dilakukan adalah
sebagai bahasan yang cukup penting untuk
tentang spatial knowledge dan perilaku pengemudi
mengatasi kemacetan, terlebih lagi pada daerah
yang akan dimodelkan nanti mencakup apa saja,
perkotaan yang padat. Pada kenyataan sebenarnya
harus dilakukan pembahasan mendalam mengenai
akan sulit untuk membuat sebuah sistem yang bisa
kajian ini. Untuk dapat memodelkan perilaku
memprediksi rute karena keterbatasan sensor yang
pengemudi ini dengan skala yang besar (dapat
ada dan juga karena arus lalu lintas ini sulit
dilihat sebagai makro) maka Agent-based modeling
diprediksi karena memiliki perilaku pengemudi
(ABM) adalah sebuah tools yang tepat untuk
yang berbeda-beda satu sama lain. Sehingga, fokus
menggambarkannya. Hasil pada simulasi berbasis
permasalahannya
untuk
agent ini menunjukkan bahwa spatial knowledge
membuat sistem prediksi yang akurat. Selain dari
yang berbeda antar pengemudi cukup signifikan
itu, Jun [Jun and Jian 2012] pada penelitiannya
dalam menentukan rute alternatif dan pergerakan
mengembangkan sebuah sistem berbasis agent
yang terjadi pada lalu lintas.
adalah
cukup
sulit
yang dapat menghasilkan informasi lalu lintas yang akurat agar bisa menghasilkan rute dengan tepat. Penelitiannya menghasilkan sebuah model prediksi
rute
Hierarchical
menggunakan
Bayesian
pendekatan
Non-Parametric
yang
menghasilkan prediksi rute yang efisien dengan tingkat akurasi 85%. Penelitian terbaru Manley [Manley and Cheng 2013] mengembangkan sebuah simulasi berbasis multi-agent untuk mengatasi kemacetan yang
e. Pemodelan pada Lalu Lintas Campuran Dari beberapa penelitian yang sudah dipaparkan sebelumnya, sebagian besar simulasi mikroskopik lalu lintas dibangun untuk jenis kondisi lalu lintas kendaraan yang sejenis. Lee pada papernya [Lee et al. 2009] memperlihatkan sebuah studi mengenai perilaku dari sepeda dan sepeda motor
pada
sebuah persimpangan berbasis BP neural network. Penelitian Lee memodelkan lalu lintas campuran yang menjadi karakteristik lalu lintas pada negara
192
Edisi Agustus 2014 Volume VIII No. 2 China,
khususnya
di
sebuah
ISSN 1979-8911 pertemuan
4.2 Pemodelan Mikroskopik pada Crowd Traffic
persimpangan jalan. Campuran antara sepeda dan
Optimisasi
motor pada saat yang bersamaan dengan arah
diperlukan baik pada jalan perkotaan ataupun
tujuan yang berbeda-beda memang menjadi ciri
jalan-jalan utama. Penelitian tentang pemodelan
khas dari dari persimpangan di perkotaan, yang
lalu lintas ini merupakan area yang menarik untuk
mengakibatkan
dari
keilmuan matematik dan ilmu terapan. Selain dari
persimpangan. Lee mencoba mengembangkan
itu, pada papernya, Bellomo [Bellomo and Dogbe
simulasi mikroskopik sebagai alat yang dapat
2011]
menggambarkan perilaku dari sepeda dan sepeda
memaparkan
motor dalam pengambilan keputusan, desain dan
pengembangan model lalu lintas dianggap cukup
analisis operasi lalu lintas. Fokus pada penelitian
penting,
ini membahas mengenai kondisi lalu lintas
kecelakaan lalu lintas; 2) mengurangi kemacetan
campuran yang fokus pada masalah dari adanya
(time
kehadiran sepeda
dihasilkan. Hal ini mengakibatkan studi literatur
dapat
penurunan
kapasitas
dan membangun model yang
menentukan
kendaraan
motor
untuk
dan
kontrol
seorang
ahli
delay);
3)
lintas
pemodelan
beberapa
diantaranya:
lalu
matematik
motivasi
1)
untuk
mengurangi
sangat
dibalik
mengurangi
polusi
yang
pemodelan lalu lintas sudah banyak dan cukup
melakukan crossing menggunakan neural network.
bervariasi,
Penelitian yang dikembangkan Lee juga mencoba
membahas fenomena crowd pada lalu lintas masih
membangun model perilaku motor menggunakan
tergolong sedikit.
teori gap acceptance menggunakan probabilitas
Lalu lintas dan crowd merupakan sebuah sistem
dan model discrete choice logic model untuk
kompleks yang terdiri dari sekumpulan entitas
merepresentasikan pengambilan keputusan motor
yang berinteraksi berdasarkan rule untuk mencapai
untuk melewati dan probalitas gap yang akan
strategi
diterima.
berkomunikasi dengan entitas lain dan untuk
Di Indonesia, ada beberapa penelitian yang
mengatur
akan
tertentu
tetapi
dan
studi
literatur
memiliki
perubahan-perubahan
yang
kemampuan
yang
terjadi
mengkaji mengenai pemodelan simulasi lalu lintas
berdasarkan strategi yang dimiliki [Bellomo and
campuran. Beberapa penelitian [Sadili 2011; Aly
Dogbe 2011]. Bellomo pada papernya melakukan
2012] meneliti mengenai karakteristik lalu lintas
analisis pendahuluan mengenai kesulitan-kesulitan
dengan
campuran.
pada pemodelan lalu lintas dan fenomena crowd-
makroskopik
nya. Pada paper ini dipaparkan konsep dasar dari
Greenshield, Underwood
pemodelan lalu lintas dan crowd, lalu konsep
komposisi
Simulasinya
dianalisis
menggunakan model dan Greenberg.
kendaraan secara
representasi model lalu lintas dan crowd pada skala
193
Edisi Agustus 2014 Volume VIII No. 2 mikroskpik,
ke
berbeda. Hal ini disebabkan oleh beberapa faktor,
mesoskopik dengan fokus pada teori kinetik. Pada
diantaranya adalah bervariasinya moda transportasi
paper
sebenarnya
yang ada di Indonesia. Variasi moda transportasi
mengarahkan pemodelan lalu lintas dan crowd
itu menghasilkan tingkah pola pergerakan yang
menggunakan teori kinetik pada skala mesoskopik.
berbeda-beda. Dibandingkan dengan negara lain,
V.
ini
makroskopik
fokus
dan
ISSN 1979-8911
penelitiannya
digiring
walaupun
Kesimpulan
terjadi
kemacetan,
akan
tetapi
kemacetannya cenderung tertib. Hal ini tentunya Berdasarkan
literatur
yang
sudah
dibahas
sebelumnya, diketahui bahwa memang belum ada aturan atau model generik yang dapat digunakan untuk mewakili semua kondisi lalu lintas. Hal ini dikarenakan kondisi lalu lintas memiliki ciri khas masing-masing (kondisi lingkungan, infrastruktur, manajemen lalu lintas, dan lain-lain). Keunikan model-model ini membuat
Di Indonesia, kemacetan yang terjadi dapat menimbulkan
fenomena
kerumunan
(crowd)
dimana masing-masing pengendara dari setiap jenis
kendaraan
memberikan
perilaku
yang
berbeda-beda (contoh: agresif, tenang, dan lainlain). Fenomena kerumunan yang biasanya terjadi
area
penelitian yang sangat luas dan bervariasi. Topik ini mempunyai kemungkinan untuk dapat terus berkembang, salah satunya dikarenakan
berbeda dengan kondisi kemacetan di Indonesia.
gaya
mengendarai seseorang akan terus berubah setiap waktunya, ditambah lagi dengan perkembangan teknologi otomotif saat ini. Dari state-of-the-art yang sudah ada, sistem multi-agent diakui dapat memberikan hasil simulasi yang efisien dan mendekati realistik oleh beberapa peneliti. Dan para peneliti pun sepakat bahwa pemodelan mikroskopik merupakan tools yang paling cocok dan efektif untuk menggambarkan pergerakan dan
pada lalu lintas di Indonesia adalah pada saat jam sibuk (rush hours). Pengembangan penelitian selanjutnya yang bisa dikembangkan transportasi
berdasarkan
yang
ada
di
permasalahan Indonesia
adalah
memodelkan kerumunan (crowd) lalu lintas yang terjadi pada saat waktu-waktu tertentu dengan menggunakan
pendekatan-pendekatan
seperti
sistem multi-agent atau berbasis sel otomata. Banyak faktor-faktor keunikan yang ada di Indonesia yang masih belum diimplementasikan pada pemodelan mikroskopik yang sudah ada sebelumnya.
interaksi sebuah kendaraan pada arus lalu lintas. Kondisi lalu lintas setiap negara berbeda, khususnya di
Referensi
Indonesia. Indonesia memiliki
perilaku pengendara yang cukup unik sehingga
Ali Abdi, Hossein Mobasheri and Mir Pouya
memiliki kondisi arus lalu lintasnya pun unik dan
194
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
Naseri Alavi. 2012. The Evaluation of LaneChanging Behavior in Urban Traffic Stream with Fuzzy Clustering Method.
October 3-5. Chiyomi Miyajima, et al. 2007. Driver Modeling
Research
Based on Driving Behavior and Its Evaluation
Journal of Applied Sciences, Engineering and
in Driver Identification. Proceeding of IEEE,
Technology 4(22): 4701-4710.
vol. 95, No.2.
Ali Bazghandi and Ali A. Pouyan. 2011. An
Daiheng Ni.
A Unified Perspective on Traffic
Agent-Based Simulation Model for Urban
Flow Theory Part I: The Field Theory. Applied
Traffic System. Computer and Information
Mathematical
Science Vol.4, No.4.
192901946, HIKARI Ltd.
Anna Booth. 2007. Using Neural Network to Improve
Behavioral
Realism
in
Driving
Simulation Scenarios. TRL Limited.
vol.
7,
no.39,
Daniele Buscema, et al. 2009. The Impact of Real Time
Information
Routing
Arne Kesting. 2008. Microscopic Modeling of
Sciences,
Through
on
Transport
Intelligent
Network
Agent-Based
Simulation. IEEE.
Human and Automated Driving: Towards
Ed Manley. 2009. Scales of Traffic Flow
Traffic-Adaptive Cruise Control. Faculty of
Simulation. Department of Civil, Environmental
Traffic
and Geomatic Engineering, University College
Sciences,
Technische
Universitat
Dresden, Germany.
of London.
Nicolla Bellomo and Christian Dogbe. 2011. On
Ed Manley and Dr. T. Cheng. 2013. Multi-agent
the Modeling of Traffic and Crowds: A Survey
Simulation of Drivers Reactions to Unexpected
of Models, Speculations, and Perspectives.
Incidents on Urban Road Networks.
Society for Industrial and Applied Mathematics, vol. 53, No.3 pp. 409-463.
Guangquan Lu, Bo Cheng, Yunpeng Wang and Qingfeng Lin. 2013. A Car-Following Model
Bo Chen and Harry H. Cheng. 2010. A Review of
Based
on
Quantified
Homeostatic
the Applications of Agent Technology In
Perception.
Traffic and Transportation System. IEEE
Engineering, Volume 2013, hindawi Publishing
Transaction
Corporation.
on
Intelligent
Transportation
System, Vol.11, No.2. Bongsob Song, Delphine Delorne and Joel Vander Werf. 2000. Cognitive and Hybrid of Model
Mathematical
Problem
Risk and
Hamid A.E. Al-Jameel. 2010. Evaluation of CarFollowing Model Using Field Data. SPARC 2010.
Driver. Proceedings of the IEEE Intelligent
Hongfei Jia, Yunlong Tan and Lili Yang. 2011.
Vehicle Sysmposium 2000, Dearborn, USA-
Modeling Vehicle Merging Behavior in Urban
195
Edisi Agustus 2014 Volume VIII No. 2 Expressway
Merging
Sections
ISSN 1979-8911 Based
on
Logistic Model. International Conference on Transportation, Mechanical, and Electrical Engineering, Changchun China.
an
Opportunistic
System
for
Transactions
Traffic
Vehicular
Driver Assistance Systems. IEEE. Li Yang, Romesh Saigal, Chih-peng Chu and Yatwah Wan. 2010. A Stochastic Model for Traffic
Ilias Leontiadis, et al. 2011. On the Effectiveness of
System-Theoritic Foundation for Advanced
Management
Networks.
IEEE
on Intelligent Transportation
Systems, Vol.12m No.4.
Flow Prediction and Its Validation. Department of Industrial and Operations Engineering, The University of Michigan. M.A. Tavallaei, S. Khanmohammadi and I. Hasanzadeh. 2008. A Fuzzy Behavior Based
Jan Valentin. Traffic Flow Theory. Unpublished.
Microscopic Traffic Model. Proceeding of the
Jiang Jun and Lu Jian. 2008. Research of Driver-
5th International Symposium on Mechatronics
Vehicle Unit Model Framework Based on Agent and ACT-R. IEEE.
and its Applications. Jordan. M. Baykal-Gursoy, W. Xiao,
Jiangbo Yu, Kian Hsiang Low, Ali Oran and
and K. Ozbay.
Modeling Traffic Flow Interrupted by Incidents.
Patrick Jaillet. 2012. Hierarchical Bayesian
Industrial
Nonparametric Approach to Modeling and
Department, Rutgers University.
Learning the Wisdom of Crowds of Urban Traffic
Route
Planning
Agents.
and
Systems
Engineering
Maurice J. Khabbaz, Wissam F.Fawaz and Chadi
ACM
M. 2012. A Simple Free-Flow Traffic Model
International Conference on Web Intelligence
for Vehicular Network Intermittently Connected
Agent Technology, 2012.
Network. IEEE Transactions on Intelligent
Kang-Ching Chu, Li Yang, Romesh Saigal and Kazuhiro Saitou. 2010. Validation of Stochastic
Transportation System, Vol.13, No.3. Michele Segata, Renato Lo Cigno and Falko
Traffic Flow Model with Microscopic Traffic
Dressler.
Simulation. Department of Industrial and
Strategies for Platooning. IEEE.
Operations Engineering, The University of Michigan.
Mizanur
2013.
Towards
Rahman,
Mashrur
Chowdhury,
Yuanchang Xie and Yiming He. 2013. Review
Kohei Aral, et al. 2011. Car-Following parameters
of Microscopic Lane-Changing Models and
by Means of Cellular Automata in the Case of
Fututre
Evacuation. International Journal of Computer
Transactions
Science and Security, Vol. 5: Issue(1).
System, Vol.14, No.4.
Lars Schnieder and
Communication
Stefan Detering. 2010.
Research on
Opportunities. Intelligent
IEEE
Transportaion
Mounir Gouiouez, et al. 2013. Following Car
196
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-8911
Algorithm with Multi Agent Randomized
State-of-the-art of Vehicular Traffic Flow
System. International Journal of Computer
Modelling. Special Issue on Road Traffic
Science & Information Technology Vol 5, No.4,
Modelling and Control of the Journal of System
2013.
and Control Engineering.
Mounir Gouiouez, Noureddine Rais and Mostafa
Shanshan Lee, Dalin Qian and Nianyuan Lee.
Azzouzi Idrissi. 2013. A New Car-Following
2009. Study on Micro Behavior of Interference
Model: As Stochastic Process using Multi
between
Agent
Signalized Intersection Based on BP Neural
System.
International
Journal
of
Engineering Science & Research, 2983-2989. Neil E. Absil and Jasper
Pauwelussen. 2010.
Driver Model Library: Driver behaviour and decision making framework. IEEE.
Lintas
Campuran
dengan
Variasi
Komposisi Kendaraan Sepeda Motor pada Jalan di Daerah Perkotaan. Tesis:
Universitas
Indonesia.
Asia-Pasific
Motor-vehicle
Conference
at
on
Information Processing. S. Das, et al. 2012. A Cellular Automata Based
Proceedings of the 2009 IEEE International Conference on Systems, Man, and Cybernetics, San Antonio. Aly, S.H. 2012. Model Hubungan Karakteristik Makro Lalu Lintas yang Bersifat Heterogen di
Rutger Claes and Tom Holvoet. 2011. Gridlock: A Microscopic
Network.
and
Model for Traffic in Congested Traffic. USA:
Rachmat Sadili. 2011. Analisis Karakteristik Arus Lalu
Bicycle
Traffic
Simulation
Platform.
Kota
Makassar.
Prosiding
Teknik
Sipil
Universitas Hassanudin.
2nd
Tian Jiang, et al. 2010. Microscopic Simulation for
and
Virtual Worlds with Self-Driving Avatars.
Technologies for Intelligent Transportation
Portugal: 13th International IEEE Annual
System.
Conference
Belgium:
Reference:
InternationalConference
Samia
Boubaker,
Ferid
on
Models
Rehimi
and
Adel
on
Intelligent
Transportation
System.
Kalboussi. 2011. Comparative Analysisi of
W. Schakel, et al. 2013. A Modular Approach for
Microscopic Models of Road Traffic Data.
Exchangeable Driving Task Models in a
IEEE.
Microscopic
Serge P. Hoogendoorn and Victor Knoop. Traffic
Netherlands:
Simulation Proceeding
Framework. of
the
The 16th
Flow Theory and Modelling. The Transport
International IEEE Annual Conference on
System and Transport Policy.
Intelligent Transportation System.
Serge P. Hoogendoorn and Piet H.L.Bovy. 2002.
Xiaoliang Ma and Ingmar Andreasson. 2007.
197
Edisi Agustus 2014 Volume VIII No. 2
ISSN 1979-89
Behavior Measuremet, Analysis, and Regime
Classification
in
Car
Following. IEEE Transactions on Intelligent System, Vol.8, No.1. Yunlong Tan
Solitons & Fractals, vol. 36, no.3, pp.550-558. J. Mar and H.T. Lin. 2005. A Car-
and Hongfei Jia. 2013.
Following
Collision
Control
Based on Driver Characteristics at
Cascaded Fuzy Inference System.
Expressway-Ramp Merging Area. 6th
Fuzzy Sets and System, Vol. 150, no.3,
International Conference Information
pp.457-473.
Innovation
Management
and
Industrial
Engineering. Panwai, Comparative
and
H.
Based
on
The
et al. 2013. An Adaptive
Longitudinal System
Driving
Based
Assistence
on
Driver
Dia.
2005.
Characteristics. IEEE Transaction on
Evaluation
of
Intelligent Transportation System, Vo.
Microscopic Car-Following Behavior. IEEE
J. Wang,
Device
Prevention
Vehicle Interaction Behaviors Model
Management,
S.
Model in ITS Environment. Chaos,
Transaction
on
Intelligent
14, no.1, pp.1-12. Y. Wang and P.D. Prevedouros. 1996.
Transportation System, Vo. 6, no.3,
Synopsis
of
pp.314-325.
Models.
Department
L. Yu and Z. Shi. 2008. Nonlinear Analysis of an Extended Traffic Flow
Traffic
Simulation of
Civil
Engineering, University of Hawaii, Honolulu.
198
