Indonesia Symposium On Computing 2015
ISSN :2460-3295
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya1, Mahmud Imrona2, Fhira Nhita3 1,2,3
Prodi S1 Teknik Informatika, Fakultas Teknik, Universitas Telkom
[email protected],
[email protected],
[email protected]
1
Abstrak Kemacetan lalu lintas adalah suatu permasalahan yang selalu dirasakan masyarakat pengguna jalan, terlebih lagi bagi masyarakat di kota-kota besar, seperti Bandung. Kemacetan lalu lintas berdampak buruk bagi siapapun. Kemacetan mengakibatkan kerugian yang besar bagi individu maupun kelompok tertentu. Maka dari itu dibutuhkan solusi untuk mengurangi kemacetan. Solusi yang ditawarkan adalah pendekatan perhitungan lama durasi waktu lampu lalu lintas yang efisien, sehingga dapat mengurangi kemacetan berlebihan yang terjadi dan arus kendaraan menjadi lancar. Pada penelitian ini dibuat usulan sistem pengendali lampu lalu lintas yang adaptif, sistem ini menggunakan jaringan syaraf tiruan recurrent neural network untuk memecahkan permasalahan yang bersifat tidak pasti. Rancangan jaringan syaraf tiruan dicari dengan algoritma genetika (AG) berdasarkan data yang diperoleh dari data di lapangan. Berdasarkan penelitian yang telah dilakukan, didapatkan arsitektur terbaik berupa bobot-bobot dan hubungan antar neuron. Akurasi tertinggi pada sistem yang dibandingkan dengan fix time menunjukkan hasil yang cukup baik yaitu 90,082% untuk pembelajaran dan 87,191% untuk pengujian pengaturan durasi waktu lampu hijau lalu lintas adaptif. Jaringan syaraf tiruan yang telah dioptimalkan dengan proses pencarian arsitektur terbaik oleh algoritma genetika mempunyai hasil uji kinerja sistem yang lebih baik dibandingkan dengan fix time. Kata kunci: prediksi, durasi lampu lalu lintas, lampu lalu lintas adaptif, jaringan syaraf tiruan, algoritma genetika 1.
Pendahuluan
Kemacetan lalu lintas adalah suatu permasalahan yang selalu dirasakan masyarakat pengguna jalan, terlebih lagi bagi masyarakat di kota-kota besar, seperti Bandung. Kemacetan lalu lintas berdampak buruk bagi siapapun. Kemacetan mengakibatkan kerugian yang besar bagi individu maupun kelompok tertentu. Sebagai contoh waktu akan banyak terbuang oleh kemacetan, konsumsi bahan bakar akan menjadi semakin besar, dan akan terjadi peningkatan polusi. Sebagian besar kemacetan terjadi di persimpangan lampu lalu lintas, karena kurangnya perhitungan yang tepat dalam menentukan lama waktu lampu lalu lintas di persimpangan. Tidak tepatnya perhitungan waktu lampu lalu lintas dapat mengakibatkan penumpukan kendaraan secara berlebihan, sehingga dapat menyebabkan kemacetan. Maka dari itu dibutuhkan solusi untuk mengurangi kemacetan tersebut. Solusi yang ditawarkan adalah pendekatan perhitungan lama durasi waktu lampu lalu lintas yang efisien, sehingga dapat mengurangi penumpukan berlebihan yang terjadi dan arus kendaraan menjadi lancar. Sistem pengendali lampu lalu lintas adaptif memiliki pengertian bahwa durasi lampu lalu lintas akan selalu berubah tergantung dari jumlah kendaraan yang terdapat di persimpangan. Untuk mendapatkan sistem pengendali lampu lalu lintas yang adaptif, sistem ini menggunakan jaringan syaraf tiruan. Jaringan syaraf tiruan digunakan karena pada jaringan syaraf tiruan terdapat semacam mekanisme memori yang dapat mengingat keterkaitan antara data satu dengan lainnya secara sekuen. Ada beberapa macam jaringan syaraf tiruan, untuk permasalahan dengan pasangan data yang tidak jelas dan bersifat sangat kompleks digunakan jaringan syaraf tiruan recurrent neural networks (RNN). Jaringan syaraf tiruan RNN cocok untuk digunakan dalam sistem ini karena arsitektur jaringan syaraf tiruan yaitu koneksi antar neuron belum ditentukan. Untuk membangun jaringan syaraf tiruan RNN yang optimal maka diperlukan pembelajaran untuk mendapatkan bobot-bobot sinaptik dan koneksi yang optimal untuk setiap neuron. Bobot-bobot sinaptik dan koneksi antar neuron pada jaringan syaraf tiruan dicari dengan algoritma genetika (AG) berdasarkan data yang diperoleh. Penggunaan algoritma genetika dalam penentuan bobot-bobot sinaptik dan koneksi neuron jaringan syaraf tiruan
175
Indonesia Symposium On Computing 2015
ISSN :2460-3295
RNN karena algoritma genetika mempunyai hasil yang paling baik dalam pencarian nilai optimum. Nilai optimum yang dihasilkan akan dijadikan sebagai bobot-bobot sinaptik dalam setiap neuron pada jaringan syaraf tiruan. Sistem pengaturan lampu lalu lintas cerdas sebelumnya pernah dilakukan oleh Mahmud Dwi Sulistiyo dalam Analisis dan Implementasi Sistem Fuzzy dan Evolutionary Programming pada Pengaturan Lampu Lalu Lintas Cerdas[2], sistem yang dilakukan adalah implementasi menggunakan sistem fuzzy dan evolutionary programming. Kinerja yang diperoleh dari sistem tersebut adalah 94,67%. Maka dari itu akan dilakukan sistem pengaturan lampu lalu lintas adaptif dengan metode lain, yaitu menggunakan jaringan syaraf tiruan yang telah dioptimalkan oleh algoritma genetika. Diharapkan penggunaan jaringan syaraf tiruan dan algoritma genetika dalam sistem pengaturan lampu lalu lintas dapat menghasilkan waktu lalu lintas yang adaptif. Sehingga sistem tersebut dapat menjadi salah satu solusi untuk mengurangi kemacetan lalu lintas yang diakibatkan kepadatan pada suatu persimpangan. 2.
Algoritma Genetika Algoritma genetika (AG) adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. Algoritma genetika dapat digunakan untuk mendapatkan nilai-nilai parameter yang optimal pada jaringan syaraf tiruan, yaitu bobot-bobot sinaptik dan struktur jaringan syaraf tiruan. Pseudo-code algoritma genetika diilustrasikan[6] : Bangkitkan populasi awal, N kromosom Loop sampai Kondisi Berhenti terpenuhi Dekodekan kromosom ke dalam individu Evaluasi individu Seleksi pasangan-pasangan orangtua Rekombinasi dengan probabilitas Pc Mutasi dengan probabilitas Pm Penggantian populasi End
3.
Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah prosesor tersebar paralel yang sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap digunakan. Jaringan syaraf tiruan menyerupai otak manusia dalam dua hal, yaitu pengetahuan diperoleh jaringan melalui proses belajar, kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan[4]. Secara matematis proses dalam jaringan syaraf tiruan dapat dituliskan dalam persamaan : π¦ =π β π€ π₯ +π (1) dimana x1, x2, ..., xp adalah sinyal input; wk1, wk2, ..., wkp adalah bobot-bobot sinaptik dari neuron k; bk adalah bias; Ο(.) adalah fungsi aktivasi; yk adalah sinyal output dari neuron a. Sinyal Masukan dan Suatu Penimbang Sebuah neuron yang memiliki 4 input , 1 hidden layer, dan 1 output. Aliran sinyal input dikalikan dengan suatu bobot dan kemudian dilakukan penjumlahan terhadap semua input yang telah diberi bobot dengan persamaan (2). ππ = π€ π₯ +π (2) dimana p adalah total jumlah input; w adalah bobot-bobot sinaptik; x adalah input data latih; b adalah bias. Hasil dari penjumlahan ini disebut output dari the Β linear Β combiner Β Ο
k. b. Fungsi Aktivasi
176
Indonesia Symposium On Computing 2015
ISSN :2460-3295
Fungsi aktivasi yang dinotasikan dengan Ο(.) mendefinisikan nilai output dari suatu neuron dalam level aktivasi tertentu berdasarkan nilai output pengkombinasian linier Ο
i. Fungsi aktivasi yang digunakan adalah fungsi sigmoid : π(π£) = (3) Β (
)
Dimana π adalah fungsi aktivasi dan a adalah suatu konstanta positif untuk menentukan kemiringan dari fungsi aktivasi tersebut. c.
Arsitektur Jaringan Ada beberapa arsitektur jaringan pada jaringan syaraf tiruan, salah satu arsitektur tersebut adalah Recurrent Neural Network. Recurrent Neural Network adalah jaringan yang mempunyai minimal satu feedback loop. Jumlah input neuron ditentukan 4 buah, jumlah hidden layer dalam sistem ini ditentukan 1 hidden layer, dan jumlah hidden neuron ditentukan dengan persamaan (4). π½π’πππβ Β π»πππππ Β πππ’πππ = Β π . π (4) dimana Ni adalah jumlah input; No adalah jumlah output. d. Proses Belajar Suatu proses dimana parameter-parameter bebas jaringan syaraf tiruan diadaptasikan oleh lingkungan melalui proses perangsangan secara terus-menerus, proses belajar yang dilakukan adalah supervised learning. Pada supervised learning parameter-parameter jaringan berubah-ubah berdasarkan vektor latih dan perbedaan antara keluaran jaringan syaraf tiruan dengan respon yang diinginkan. Proses ini dilakukan secara berulang-ulang dengan tujuan agar jaringan syaraf tiruan mempunyai kemampuan yang optimal. e. Perceptron Perceptron adalah bentuk paling sederhana dari jaringan syaraf tiruan yang digunakan untuk pengklasifikasian pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang[5]. Neuron yang diberikan bobot sinaptik dan threshold yang telah diatur dapat membentuk suatu perceptron. 4.
Data dan Metodologi Dalam proses pengaturan lampu lalu lintas adaptif terdapat 3 proses utama yaitu praposes, perancangan bobotbobot sinaptik dan struktur jaringan syaraf tiruan dengan algoritma genetika, dan pelatihan jaringan syaraf tiruan. Secara umum rancangan sistem pengaturan lampu lalu lintas adaptif yang akan dibangun dalam penelitian ini digambarkan dalam diagram alir sebagai berikut : Mulai
Data Input
Penentuan bobot-bobot sinaptik dan koneksi jaringan syaraf tiruan
Praproses
Jaringan Syaraf Tiruan
Data Hasil Praproses
Durasi Lampu Hijau Hasil Prediksi
Selesai
Gambar 1 Diagram Alir Sistem Pengaturan Lampu Lalu Lintas Adaptif a. Data Untuk membangun lampu lalu lintas adaptif dibutuhkan informasi tentang lampu lalu lintas, yaitu durasi lampu hijau, jumlah mobil di persimpangan, dan penggunaan jaringan syaraf tiruan dengan algoritma genetika. Data yang dipakai adalah jumlah kendaraan bermotor (mobil) yang menunggu di ruas jalan saat lampu merah, durasi waktu pada saat kendaraan menunggu, jumlah kendaraan bermotor (mobil) yang berjalan di ruas jalan saat lampu hijau, dan durasi waktu pada saat lampu hijau berjalan. Pengamatan langsung pada persimpangan jalan dilakukan untuk mendapatkan informasi tentang lampu lalu lintas, pada permasalahan ini pengamatan dilakukan di persimpangan Jl. Ibrahim Adjie β Jl. Soekarno Hatta, dimana kondisi lalu lintas tersebut selalu dipantau dan diatur oleh polisi lalu lintas. Data diambil 3 kali periode setiap jam selama seminggu penuh (senin-minggu) pukul 08.00-19.00 selama
177
Indonesia Symposium On Computing 2015
ISSN :2460-3295
bulan Juni sampai awal Agustus. Data yang diambil hanya dari jumlah mobil. Jumlah mobil yang diambil sepanjang 100 meter dari tempat sinyal lampu lalu lintas. Tabel 1 Data Siap Olah No.
X1
X2
X3
X4
Y
1
200
19
13
200
176
2
107
229
24
14
87
3
27
236
235
32
47
...
...
...
...
...
...
1176
123
15
32
91
101
Ditulis X1 adalah ruas hijau berisi data jumlah mobil pada saat lampu sinyal hijau, X 2 adalah ruas merah 1 berisi data jumlah mobil yang menunggu saat lampu sinyal merah di ruas yang selanjutnya akan berjalan setelah ruas hijau, X3 adalah adalah ruas merah 2 berisi data jumlah mobil yang menunggu saat lampu sinyal merah di ruas yang selanjutnya akan berjalan setelah ruas merah 1, X4 adalah adalah ruas merah 3 berisi data jumlah mobil yang menunggu saat lampu sinyal merah di ruas yang selanjutnya akan berjalan setelah ruas merah 2, dan Y adalah output durasi lampu hijau. Sebelum digunakan data akan dilakukan praproses dulu agar data menjadi lebih teratur. Praproses yang dilakukan adalah membuat data ke dalam suatu rentang bilangan real dari 0 sampai 1[2]. Praproses dilakukan dengan persamaan (5) ( ) π»ππ ππ = β (π β π) + π (5) (
)
dimana Hasil adalah hasil dari praproses; Data adalah data asli sebelum masuk perhitungan praproses; MinData adalah nilai minimal data; MaxData adalah nilai maksimal data; a adalah nilai minimal rentang yang diinginkan; b adalah nilai maksimal rentang yang diinginkan. Tabel 2 Data Hasil Praproses No.
X1
X2
X3
X4
Y
1
0
0,0288
0,6762
0,6089
0
2
0
0,0320
0,7435
0,4359
0
3
0,0055
0,0320
0,7532
0,4294
0,006
...
...
...
...
...
...
1176
0,9333
0,5160
0,0256
0,0801
1
b. Penentuan Bobot-Bobot dan Koneksi Jaringan Syaraf Tiruan Dalam langkah ini, dilakukan pembelajaran menggunakan algoritma genetika untuk mendapatkan bobot-bobot sinaptik dan koneksi antar neuron jaringan syaraf tiruan. Langkah ini dihasilkan rancangan optimal jaringan syaraf tiruan dalam satu buah kromosom yang terdiri dari bobot-bobot sinaptik dan koneksi antar neuron. c. Prediksi Durasi Lampu Hijau dengan Jaringan Syaraf Tiruan Prediksi durasi lampu hijau dilakukan dengan jaringan syaraf tiruan dengan persamaan(1). Bobot-bobot sinaptik dan koneksi antar neuron didapat dari proses pembelajaran algoritma genetika. 5.
Hasil Penelitian Penelitian yang dilakukan untuk mendapatkan rancangan jaringan syaraf tiruan yang optimal dan menghitung durasi lampu hijau dari proses prediksi jaringan syaraf tiruan yang telah dioptimalkan oleh algoritma genetika.
178
Indonesia Symposium On Computing 2015
ISSN :2460-3295
Pengujian dengan ukuran populasi = [50;100], peluang pindah silang = [0,5;0,7;0,9], peluang mutasi = [0,7;1], dan maksimal evaluasi individu = 5000. a. Hasil Pembelajaran Hasil pembelajaran dapat dilihat dalam tabel 3. Tabel 3 Hasil Pembelajaran Peluang Peluang Ukuran Fitness Pindah MAPE Mutasi Populasi Terbaik Silang 50 0,133 86,751 0,7 100 0,112 88,812 0,5 50 0,235 76,513 1 100 0,138 86,249 50 0,108 89,232 0,7 100 0,139 86,08 0,7 50 0,344 86,557 1 100 0,099 90,082 50 0,126 87,387 0,7 100 0,12 88,021 0,9 50 0,114 88,629 1 100 0,127 87,265 Nilai rata-rata error terkecil yang didapatkan dalam sistem ini adalah 0,099. Sedangkan nilai fitness terbaik yang didapatkan adalah 90,082 pada saat jumlah populasi 100 dengan peluang pindah silang 0,7 dan peluang mutasi 1. Setelah didapatkan nilai fitness terbaik, akan didapatkan stuktur jaringan syaraf tiruan terbaik. Struktur jaringan syaraf terbaik akan dipakai untuk menentukan durasi lampu hijau terbaik dalam sistem ini. b. Hasil Pengujian Hasil pengujian dapat dilihat dalam tabel 4. Tabel 4 Hasil Pengujian Peluang Pindah Silang
Peluang Mutasi 0,7
0,5 1 0,7 0,7 1 0,7 0,9 1
Ukuran Populasi
Akurasi (%)
50 100 50 100 50 100 50 100 50 100 50 100
84,719 85,398 74,929 84,7 86,837 83,379 83,572 87,191 83,96 85,688 86,347 84,296
Dari skenario pengujian didapatkan akurasi terbaik yang dibandingkan dengan fix time sebesar 87,191% pada saat besar populasi 100, peluang pindah silang 0,7, dan peluang mutasi 1. 6.
Kesimpulan dan Saran Berdasarkan penelitian serta analisis pengolahan data yang dilakukan maka dapat ditarik kesimpulan sebagai berikut ini :
179
Indonesia Symposium On Computing 2015
ISSN :2460-3295
1. Untuk memperoleh bobot-bobot sinaptik dan koneksi antar neuron jaringan syaraf tiruan yang optimal, pada proses algoritma genetika parameter yang digunakan adalah jumlah populasi 100, maksimum evaluasi individu 5000, peluang pindah silang 0,7, dan peluang mutasi 1, dengan parameter tersebut diperoleh nilai fitness sebesar 90,082. 2. Rancangan jaringan syaraf tiruan yang didapatkan dari proses pembelajaran algoritma genetika berupa bobotbobot sinaptik dan koneksi antar neuron yang digunakan untuk menentukan durasi lampu hijau yang beradaptasi dari data yang ada di lapangan. 3. Rancangan jaringan syaraf tiruan yang telah dioptimalkan oleh algoritma genetika memperoleh hasil uji kinerja sistem terbaik yang dibandingkam dengan fix time sebesar 87,191% yang didapatkan dengan mengadaptasi jumlah volume mobil pada suatu ruas. Berdasarkan hasil penelitian dan kesimpulan yang diperoleh, maka saran yang dapat diberikan untuk melakukan pengembangan lebih lanjut antara lain : 1. Diharapkan pengembangan sistem selanjutnya dilakukan di persimpangan yang mempunyai lebar dan luas jalan yang sama di setiap ruasnya sehingga dihasilkan perhitungan yang lebih optimal. 2. Agar mendapatkan hasil data lapangan yang lebih baik dapat digunakan alat sensor untuk menghitung jumlah kendaraan. 3. Untuk pengembangan sistem yang lebih baik dan pintar, dapat digunakan ekstraksi ciri menggunakan kamera Closed Circuit Television System (CCTV) yang terdapat di setiap persimpangan untuk menghitung jumlah kendaraan, sehingga dapat mempermudah dalam penetuan durasi yang adaptif. Daftar Pustaka [1] [2] [3] [4] [5] [6] [7] [8]
Fransisca, Udur, 2012. Analisis Citra Lalu Lintas dengan Menggunakan Metode Ekstraksi Ciri Wavelet dan Classifier Support Vector Machine. Penelitian. Bandung: IT Telkom. Sulistiyo, Mahmud Dwi, 2011. Analisis dan Implementasi Sistem Fuzzy dan Evolutionary Programming pada pengaturan Lampu Lalu Lintas Cerdas. Prosiding Konferensi Naional ICT-M Politeknik Telkom (KNIP). Bandung: Politeknik Telkom. Putra, Fajri Profesi, 2011. Penggunaan Jaringan syaraf tiruan dengan Algoritma Genetika pada Traffic Light Adaptif. Penelitian. Bandung: Universitas Pendidikan Indonesia. Suyanto, 2005. Algoritma Genetika dalam MATLAB. Yogyakarta: ANDI. Suyanto, 2007. Artificial Intelligence, Searching, Reasoning, Planning, and Learning. Bandung: Informatika. Suyanto, 2008. Soft Computing, Membangun Mesin Ber-IQ Tinggi. Bandung: Informatika. Yao, Xin, 1999. Β βEvolving Β Artificial Β Neural Β Networks,β Β Proceding of the IEEE, 87(9):1423-1447. United Kingdom: The University of Birmingham. https://maps.google.com/. Jalan Jenderal Ibrahim Adjie. 2012 (Diakses pada 28 Desember 2012 Pk 15.20)
180
