KLASIFIKASI KARAKTERISTIK MENGEMUDI PADA JALAN SATU JALUR DENGAN MENGGUNAKAN SELF-ORGANIZING MAP

Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009

KLASIFIKASI KARAKTERISTIK MENGEMUDI PADA JALAN SATU JALUR DENGAN MENGGUNAKAN SELF-ORGANIZING MAP Ario Isnadi *, Bambang Wahyu Wijanarko **, Mochamad Hariyadi*** *,**Pasca Sarjana Teknik Elektro ITS **Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya e-mail : [email protected]*, [email protected]**, [email protected]*** ABSTRAK Mengemudikan kendaraan merupkan tugas yang kompleks, karena memerlukan koordinasi gerakan, konsentrasi serta pengambilan keputusan yang baik dan benar. Setiap pengemudi memiliki cara mengemudi yang berbeda-beda. Beberapa pengemudi memiki dorongan untuk melakukan tindakan ceroboh ketika berkendaraan. Antara lain, mengemudi dengan kecepatan tinggi atau mengemudi dengan jarak yang terlalu dekat dengan kendaraan lain. Tindakan-tidakan ceroboh tersebut dapat menyebabkan terjadinya kecelakaan di jalan raya. Salah satu manuver mengemudi yang sering menyebabkan kecelakaan bila tidak dilakukan dengan hati-hati adalah ketika melakukan manuver mendahului, terutama bila dilakukan pada jalan satu jalur. Untuk melakukan manuver mendahului pada jalan satu jalur perlu untuk menggunakan jalur kendaraan dengan arah yang berlawanan, sehingga resiko terjadinya tabrakan lebih besar. Cara mengemudi masing-masing pengemudi dapat digambarkan sebagai karakteristik dari pengemudi tersebut. Dengan menggunakan teknologi komputer karakteristik pengemudi dapat diketahui. Hal ini dapat dilakukan dengan mengambil parameter tertentu pada saat seseorang mengemudikan kendaraan di jalan raya. Parameter-parameter tersebut kemudian diolah dengan meggunakan metode jaringan saraf tiruan. Jaringan saraf tiruan tersebut digunakan untuk mencari pola dari parameter-parameter yang diolah, kemudian mengolompokan parameter-parameter tersebut berdasarkan pola yang diperoleh. Salah satu metode jaringan saraf tiruan yang dapat digunakan untuk mencari pola dan mengelompokan data parameter mengemudi adalah Self-Organizing Map. Metode SelfOrganizing Map akan memetakan pola-pola tersebut kedalam bentuk peta dua dimensi. Dari hasil pengelompokan tersebut dapat ditentukan masing-masing kelompok masuk dalam klasifikasi karakteristik mengemudi tertentu. Tujuan dari penelitian ini adalah untuk menghasilkan jaringan saraf tiruan yang dapat mengenali karakteristik seseorang dalam mengemudi di jalan raya. Hasil penelitian ini dapat dimanfaatkan dalam penelitian prilaku pengemudi di jalan raya. Penelitian ini dibatasi pada pengenalan karakteristik mengemudi ketika mengendari mobil pada jalan satu jalur saat mendahului kendaraan lain. Kata Kunci : jalan satu jalur, self organizing MAP, jaringan saraf tiruan PENDAHULUAN Jumlah kematian akibat kecelakaan lalu lintas di Indonesia adalah terbesar di kawasan ASEAN setelah Thailand dan Vietnam. Berdasarkan data statistik kecelakaan di jalan raya yang dikeluarkan Departemen Perhubungan menunjukkan jumlah korban meninggal sepanjang tahun 2006 adalah sebanyak 11.619 orang. Dari angka ini berarti 32 orang meninggal setiap harinya akibat kecelakaan lalu lintas. Pengemudi merupakan salah satu faktor utama penyebab terjadinya kecelakaan lalu lintas. Kurangnya pengalaman dapat menyebabkan pengemudi melakukan tindakan yang salah ketika berkendaraan dan memicu terjadinya kecelakaan. Salah satu contoh, panik ketika menghadapi sebuah keadaan yang tidak terduga saat berkendaraan.


Psikologis juga merupakan salah satu faktor penyebab terjadinya kecelakaan di jalan raya. Pengemudi yang memiliki kencenderungan psikologis yang labil cenderung melakukan tindakan yang berbahaya saat mengemudi di jalan raya. Sebagai contoh, ketidaksabaran serta tidak dapat dapat mengontrol emosi menyebabkan pengemudi berkendaraan dengan kecepatan tinggi serta terlalu dekat dengan kendaraan lain. Bahkan terkadang pengemudi melakukan hal tersebut untuk mencari sensasi, sebagai contoh agar dikatakan pemberani. Tindakan-tindakan yang berbahaya tersebut pada akhirnya dapat menyebabkan kecelakaan. Mendahului kendaraan lain di jalan raya merupakan proses yang kompleks dan dapat menyebabkan kecelakaan bila tidak dilakukan dengan hati-hati. Terlebih lagi bila dilakukan pada jalan satu jalur, dimana kendaraan harus menggunakan jalur kendaraan dengan arah yang berlawanan untuk mendahului kendaraan lain. Beberapa penelitian sebelumnya menyebutkan, faktor-faktor yang perlu diperhatikan dalam melakukan manuver mendahului antara lain : kecepatan kendaraan yang didahului, jarak tempuh untuk mendahului, jarak dengan kendaraan yang didahului sebelum dan sesudah mendahului, jarak dan kecepatan kendaraan dengan arah berlawanan. Jaringan Saraf Tiruan merupakan sebuah sistem pengolahan informasi yang cara kerjanya menirukan cara kerja jaringan saraf manusia. Aplikasi yang dapat diselesaikan dengan menggunakan jaringan saraf tiruan antara lain : pengenalan suara, pengenalan pola, sistem kontrol, diagnosa penyakit dalam bidang kedokteran, segmentasi dan pengolahan citra. Self-Organizing Map merupakan salah satu metode jaringan saraf tiruan yang sering digunakan dalam pengenalan pola. Kemampuan Self-Organizing Map untuk mengenali pola kemudian memetakan dari data dimensi tinggi menjadi bentuk peta berdimensi rendah (dua dimensi) dapat digunakan untuk proses pengelompokan (clustering). Dalam penelitian ini kemampuan tersebut digunakan untuk mengelompokan data mengemudi berdasarkan pola-pola yang terkandung didalam data tersebut. Dari hasil pengelompokan tersebut kemudian dapat diketahui masing-masing kelompok tersebut masuk dalam katagori klasifikasi karakteristik mengemudi tertentu METODE PENELITIAN Metode Pengambilan Data Pada penelitian ini data yang digunakan adalah data yang diperoleh pada penelitian yang dilakukan oleh Suhaili (2007). Pengambilan data dilakukan dengan kriteria sebagai berikut : 1. Data yang diambil waktu yang diperlukan untuk mendahului, waktu pengambilan keputusan, jarak tempuh saat mendahului, jarakdengan kendaraan pada arah berlawanan sebelum dan setelah mendahului, jarak dengan kendaraan yang didahului sebelum dan setelah medahului, kecepatan kendaraan yang mendahului dan yang didahului, percepatan kendaraan yang mendahului, waktu sebelum terjadi tabrakan dengan kendaraan pada arah berlawanan 2. Peralatan yang digunakan antara lain kamera video, character generator, cones dan trumeter. Kamera video digunakan untuk merekam manuver mendahului yang dilakukan oleh pengemudi. Character generator digunakan untuk merekam waktu saat melakukan manuver mendahului. Cones berfungsi sebagai indikator segmen jalan dan trumeter untuk mengukur jarak antar cones.

Gambar 1. Peralatan Pengambilan Data

ISBN : 978-979-99735-7-3 C-9-2


3.

Pengambilan data dilakukan pada akhir minggu dimana tingkat kepadatan kendaraan sesuai untuk mendapatkan hasil yang diharapkan. Jalanan yang ramai sesuai untuk mendapatkan data prilaku mendahului

Pengambilan data dilakukan berdasarkan tiga kriteria prosedur pengambilan data. Pertama kondisi cuaca tempat pengambilan data. Data diambil pada akhir minggu saat kondisi cuaca terang selama beberapa jam. Data tidak diambil pada saat kondisi jalan basah sebab pengemudi cenderung untuk menurunkan kecepatan dan menjaga posisi dibelakang kendaraan di depan dengan alasan tidak dapat melihat kondisi jalan pada arah yang berlawanan. Kedua metode pengambilan data dan penempatan peralatan yang digunakan. Posisi penempatan peralatan dapat dilihat pada gambar 2.

Gambar 2. Posisi Penempatan Peralatan

Kamera video ditempatkan di bukit pada ujung jalan sehingga memungkinkan kamera untuk merekam seluruh bagian jalan saat pengemudi melakukan manuver mengemudi. Hal ini juga menghindarkan pengemudi terganggu saat mengemudi sehingga resiko terjadinya kecelakaan dapat dihindari. Character generator diletakan pada kamera video untuk merekam waktu yang diperlukan saat pengemudi melakukan manuver mendahului. Cones diletakan pada sisi jalan sepanjang 700 meter dengan jarak 80 meter antar satu cones dengan yang lain. Trumeter digunakan untuk mengukur jarak setiap cones. Ketiga subjek dari penelitian adalah mobil, sedangkan sepeda motor tidak diikutsertakan dalam pengambilan data penelitian. Berdasarkan data parameter yang diambil pada metode pengambilan data diatas, pada penelitian ini parameter yang digunakan adalah : 1. AG = jarak dengan kendaraan berlawanan arah sebelum mendahului (m) 2. ONS = kecepatan kendaraan yang didahului (km/jam) 3. SH = jarak dengan kendaraan yang didahului sebelum mendahului (m) 4. EH = jarak dengan kendaraan yang didahului setelah mendahului (m) 5. OGS = kecepatan kendaraan yang mendahului (km/jam) Tabel 1. Contoh Data ONS 53.7 64 80 64

SH 20 40 20 20

EH 30 40 40 40

ISBN : 978-979-99735-7-3 C-9-3

OGS 63.3 77.4 86.4 85.7

AG 480 320 320 320


Normalisasi Data Dari data yang diambil melalui metode pengambilan data hanya beberapa yang digunakan pada penelitian ini. Berdasarkan penelitian yang dilakukan oleh Suhaili (2007), parameter yang mempengaruhi waktu pengambilan keputusan adalah jarak dengan kendaraan pada arah berlawanan sebelum mendahului (AG), jarak dengan kendaraan yang didahului sebelum dan sesudah mendahului (SH dan EH) serta kecepatan kendaraan yang didahului (ONS). Pada penelitian ini keempat parameter tersebut digunakan dan ditambah kecepatan kendaraan yang mendahului (OGS). Pada gambar 3 dapat dilihat distribusi data yang digunakan pada penelitian ini. Distribusi parameter AG, SH, EH dan distribusi parameter ONS, OGS sengaja dipisah karena memiliki satuan yang berbeda.

Gambar 3. Grafik Distribusi Data Mengemudi

Dari grafik distribusi dapat dilihat bahwa distribusi nilai antar parameter tidak merata. Parameter AG memiliki kisaran nilai diatas 200 sedangkan parameter yang lain memiliki kisaran nilai dibawah 150. Agar distribusi nilai antar parameter lebih merata maka data mendahului yang didapat perlu untuk di normalisasi, dengan menggunakan persamaan : 1 (1) X new  1  exp  xscale dimana nilai X scale dihitung berdasarkan persamaan berikut : X scale  ( xi  mean) /  (2) dimana  adalah Standard Deviasi, yang nilainya dihitung bedasarkan persamaan berikut : 1   ( xi  mean) 2 (3)  N Tabel 2. Contoh Data Hasil Normalisasi

xi 42.7 20 20 62.6 200



69.06

x scale -0.39125 -0.72818 -0.72818 -0.09588 1.943507

ISBN : 978-979-99735-7-3 C-9-4

x new 0.403415 0.325593 0.325593 0.476047 0.874737


Dari gambar 4 dapat dilihat bahwa setelah dilakukan proses normalisasi data mendahului memiliki distribusi nilai yang lebih merata, dimana data mendahului berada dalam kisaran nol dan satu.

Gambar 4. Grafik Distribusi Normalisasi Data Mengemudi

Pengelompokan Data (Clustering) Pada penelitian ini metode yang digunakan untuk mengelompokan data adalah metode jaringan saraf tiruan Self-Organizing Map. Metode Self-Organizing Map dipilih karena kemampuannya untuk mengolah data dengan dimensi tinggi, mengekstrak polapola yang terkandung dalam data tersebut dan memetakan pola tersebut dalam bentuk data berdimensi rendah (umumnya dua dimensi). Kemampuan tersebut berguna sebagai metode pengelompokan (clustering). Hasil dari pengelompokan tersebut dapat membantu proses klasifikasi, dimana setiap anggota dalam masing-masing kelompok (cluster) dapat dikatakan termasuk dalam klasifikasi yang sama. Pada proses clustering jaringan Self-Organizing Map dilatih untuk mengelompokan data mengemudi berdasarkan pola yang diekstrak. Pembentukan jaringan Self-Organizing Map tersebut berdasarkan penghitungan jarak antara vektor input dengan vektor bobot jaringan. Proses pelatihan jaringan Self-Organizing Map dilakukan berdasarkan parameter pelatihan yang telah ditentukan terlebih dahului. Parameter pelatihan tersebut nilainya disesuaikan dengan aturan berikut : 1. jumlah dari unit peta adalah sebesar (pendekatan) m = 5pn dimana m adalah jumlah unit peta dan n adalah jumlah data sample 2. bentuk peta 'shape' dengan bentuk dataran 'lattice' 3. fungsi tetangga yang digunakan adalah fungsi Gaussian 4. radius dan juga learning rate adalah fungsi linier turun sesuai dengan kenaikan waktu. Besarnya mulai dari penyesuaian dengan ukuran peta dan diakhiri pada nilai 1. Sedangkan learning rate dimulai dari 0.5 dan berakhir pada nilai yang mendekati nol 5. jumlah iterasi pembelajaran tergantung dari perbandingan antara jumlah unit peta dan data sampel m=n Tabel 3. Parameter Pelatihan Jaringan

Parameter Pelatihan Insialisasi bobot Algoritma pelatihan Bentuk jaringan Bentuk topologi jaringan Jumlah neuron jaringan Ukuran peta jaringan

ISBN : 978-979-99735-7-3 C-9-5

Keterangan acak batch shape hexa 40 8x5


Klasifikasi Pada tahap ini kelompok-kelompok yang didapat dari tahap clustering ditentukan klasifikasinya. Klasifikasi dari kelompok-kelompok tersebut dipengaruhi oleh nilai dari sight distance. Nilai sight distance terdiri dari nilai stopping sight distance dan nilai passing sight distance. Dengan membandingkan nilai sight distance dengan nilai data mengemudi dapat ditentukan klasifikasi setiap data mengemudi. Stopping Sight Distance Stopping Sight Distance (SSD) adalah jarak pandang minimum yang diperlukan pengemudi untuk mengenali rintangan yang ada dijalan raya. Jarak minimum tersebut merupakan jarak yang diperlukan pengemudi dapat menghentikan kendaraan sebelum terjadinya tabrakan. Stopping sight distance merupakan total dari dua jarak yaitu jarak reaksi (reaction distance) dan jarak mengerem (breaking distance). Jarak reaksi adalah jarak yang ditempuh oleh kendaraan mulai dari pengemudi mengenali adanya rintangan di jalan raya sampai pedal rem ditekan. Sedangkan jarak mengerem adalah jarak yang ditempuh oleh kendaraan mulai pedal rem ditekan sampai kendaraan dalam keadaan berhenti. Jarak reaksi dipengaruhi oleh waktu reaksi pengemudi dan kecepatan kendaraan. Sedangkan jarak mengerem dipengaruhi oleh kecepatan kendaraan dan koefisien gesekan antara roda kendaraan dengan jalan raya. Tabel 4 menunjukkan stopping sight distance yang direkomendasikan. Tabel 4. Jarak Minimun Stopping Sight Distance

Sumber : NCHRP Report 400

Passing Sight Distance Passing Sight Distance adalah jarak pandang minimum yang diperlukan pengemudi terhadap kendaraan pada arah yang berlawanan ketika akan melakukan manuver mendahului. Faktor-faktor yang mempengaruhi Passing Sight Distance antara lain : 1. kecepatan kendaraan yang mendahului, kecepatan kendaraan yang didahului serta kecepatan kendaraan dengan arah yang berlawanan

ISBN : 978-979-99735-7-3 C-9-6


2. 3. 4. 5.

jarak antara kendaraan yang mendahului dengan kendaraan yang didahului keahlian dan waktu reaksi dari pengemudi tingkat percepatan kendaraan yang mendahului. perbedaan tinggi jalan

Tabel 5 menunjukkan passing sight distance yang direkomendasikan. Tabel 5. Jarak Minimum Passing Sight Distance

Sumber : NCHRP Report 605

ANALISA DAN PEMBAHASAN Dengan menggunakan parameter pelatihan seperti pada tabel 3, berikut visualisasi peta jaringan Self-Organizing Map yang terbentuk setelah melalui proses pelatihan (gambar 5.a) :

(a)

(b)

Gambar 5 Visualisasi Peta Jaringan Self-Organizing Map

Dengan menghitung jarak antar masing-masing neuron didapatkan 4 kelompok (cluster) seperti yang ditunjukan pada gambar 5 (b). Setelah didapatkan pengelompokan (cluster) dari neuron-neuron pada jaringan Self-Organizing Map, proses selanjutnya adalah mengklasifikasikan anggota dari masing-masing kelompok tersebut. Dari klasifikasi masing-masing anggota dalam

ISBN : 978-979-99735-7-3 C-9-7


kelompok dapat diketahui apakah dalam satu kelompok termasuk dalam klasifikasi yang sama atau tidak. Pengklasifikasian dilakukan berdasarkan aturan sebagai berikut : 1. Overtaking Sight Distance dipengaruhi oleh kecepatan kendaraan yang mendahului (OGS) serta jarak dengan kendaraan pada arah berlawanan sebelum mendahului (AG) 2. Stopping Sight Distance dipengaruhi oleh kecepatan kendaraan yang mendahului dan yang didahului (OGS dan ONS) serta jarak dengan kendaraan yang didahului sebelum dan sesudah mendahului (SH dan EH) Klasifikasi didapatkan dengan membandingkan nilai dari tabel Overtaking Sight Distance dan Stopping Sight Distance terhadap nilai dari data mengemudi. Dalam penelitian ini klasifikasi mengemudi dibagi menjadi 3 yaitu : 1. Pengemudi yang aman (Safe Driver) => C1 2. Pengemudi yang aman saat melakukan manuver mendahului (Safe Overtaking) => C2 3. Pengemudi yang beresiko (Risky Driver) => C2 Dari hasil pengklasifikasian didapatkan peta seperti pada gambar 6

Gambar 6. Visualisasi Hasil Klasifikasi

Dari gambar 6 didapatkan : 1. Kelompok 1 merupakan kelompok dari pengemudi yang beresiko 2. Kelompok 2 merupakan kelompok dari pengemudi yang aman saat melakukan manuver mendahului 3. Kelompok 3 merupakan kelompok dari pengemudi yang aman saat melakukan manuver mendahului 4. Kelompok 4 merupakan kelompok dari pengemudi yang aman saat melakukan manuver mendahului Pada kelompok 1 terdapat data pengemudi dengan katagori C2 (20%), kelompok 2 terdapat data pengemudi dengan katagori C4 (9%) dan kelompok 4 terdapat data pengemudi dengan katagori C1 (2%). Hal ini terjadi disebabkan neuron-neuron tersebut memiliki respon terhadap beberapa data yang berbeda katagori. Daerah yang meliputi neuron-neuron ini disebut daerah abu-abu.

ISBN : 978-979-99735-7-3 C-9-8


KESIMPULAN Berdasarkan hasil yang diperoleh dari penelitian ini dapat diambil beberapa kesimpulan sebagai berikut : 1. Metode pengelompokan (clustering) dapat mengelompokan karakteristik pengemudi yang sama dalam satu kelompok 2. Hasil yang didapat melalui proses klasifikasi terdapat data karakteristik pengemudi yang berada dalam kelompok yang tidak sesuai. Hal ini disebabkan oleh adanya daerah abu-abu 3. Kelompok 2, 3 dan 4 seharusnya berada dalam satu kelompok. Ketiga kelompok tersebut terpisah karena adanya daerah abu-abu DAFTAR PUSTAKA Suhaili Binti Mohd Isa, April 2007. A study of overtaking behaviour on single carriageway road. Master's thesis, Faculty of Civil Engineering Universiti Teknologi of Malaysia. Transportation Research Article, 2002. Safe overtaking. Technical report, Badsworth. Klaus Schulten Helge Ritter, Thomas Martinetz, 1992. Neural Computation and SelfOrganizing Map An Introduction. Addison Wesley. Yuanyuan Wang Yu Ma, Xiaodong Gu, 2008. Color discrimination enhance for dicromats using self-organizing color transformation. Information Sciences, pages 830_843. Sandhya Samarasinghe. 2006, Neural Network for Applied Sciences and Engineering. Auerbach Publication,

ISBN : 978-979-99735-7-3 C-9-9

KLASIFIKASI KARAKTERISTIK MENGEMUDI PADA JALAN SATU JALUR DENGAN MENGGUNAKAN SELF-ORGANIZING MAP

Recommend Documents