1 Jurnal Tugas Akhir Teknik Informatika 2014
SISTEM PENGAMBILAN KEPUTUSAN WAKTU PERPINDAHAN LAMPU LALU LINTAS MENGGUNAKAN METODE NEURO-FUZZY PADA SISTEM TRANPORTASI CERDAS Muhammad Dwi Wicaksana1, Fauzan Ade Azizie2, Indrabayu Amirullah3, Ingrid Nurtanio4
[email protected]
[email protected]
1,2Mahasiswa 3,4Dosen
[email protected]
[email protected]
Teknik Informatika, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Teknik Informatika, jurusan Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin
Abstrak— Jumlah kendaraan di Indonesia saat ini sedang berkembang pesat, khususnya di kota Makassar yang jumlah kendaraannya sebanyak 2 juta lebih kendaraan. Terlebih lagi kendaraan yang keluar masuk membuat kota Makassar ini menjadi padat dan menimbulkan kemacetan. Pada penelitian ini kami mengambil sampel contoh kemacetan lalu lintas pada simpang A.P Pettarani, Urip Sumoharjo, dan Tol. Reformasi. Untuk mengatasi masalah itu diperlukan sistem transportasi cerdas pada lampu lalu litas di persimpangan ini, dengan menggunakan metode Neuro-Fuzzy penulis mendapatkan hasil inefisiensi rata-rata pada simpang A.P Pettarani, Urip Sumoharjo dan Tol. Reformasi sebesar 0.00 % jika dibandingkan dengan hasil Timer pada ketiga simpang tersebut sebesar 46.83 %. Ratarata pencapaian untuk kendaraan yang belum dilewatkan pada ketiga simpang sebanyak 2.93 % jika dibandingkan dengan hasil Timer sebanyak 12.71 %. Dari parameter ukuran perbandingan di atas menunjukkan hasil metode Neuro Fuzzy lebih baik untuk memperkecil antrian yang terjadi pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi dibandingkan dengan metode Timer karena dapat menekan angka kemacetan sebanyak 142.33 mobil sedangkan Timer sebanyak 102.33 mobil.. Kata Kunci : Neuro Fuzzy, Sistem Transportasi Cerdas
I. PENDAHULUAN
J
UMLAH kendaraan di Indonesia khususnya di Makassar saat ini berkembang sangat pesat. Pada November 2012, kendaraan yang beroperasi telah mencapai 2,4 juta unit dan 1,1 juta unit diantaranya adalah sepeda motor yang dilansir oleh Kepolisian Daerah (POLDA Sulselbar). Kendaraan tersebut termasuk dari wilayah GOWA dan Maros[1]. Dengan kondisi seperti ini maka permasalahan seperti kemacetan akan lebih sering terjadi seiring pesatnya perkembangan kendaraan bermotor. Dengan adanya permasalahan seperti kemacetan ini, penempatan lampu lalu lintas pada simpang – simpang jalan terbukti mampu mengurangi masalah kemacetan tersebut. Ada banyak cara untuk mengefisiensikan kembali fungsi Lampu Lalu Lintas, salah satu diantaranya adalah dengan memanfaatkan teknologi Intelligent Transport System (ITS). ITS adalah penerapan Teknologi Informasi dan Komunikasi pada infrastruktur transportasi. Teknologi ITS ini juga telah di implementasikan pada Negara Negara maju untuk mengatasi masalah yang sama[2]. Meskipun penggunaan metode logika fuzzy dalam sistem
D421101011, D421102822
Hasanuddin
lampu lalu lintas sudah lebih baik dibandingkan metode Timer, namun masih ada kelemahan pada implementasi Fuzzy Logic pada sistem lampu lalu lintas. Salah satu kelemahan itu adalah Fuzzy Logic tidak memiliki kemampuan belajar, sehingga parameter fuzzy untuk suatu lokasi belum tentu dapat diterapkan pada lokasi lain [3]. Pada masa sekarang ini banyak penelitian mengenai sistem Neuro-Fuzzy. Sistem ini merupakan pengembangan dari teori logika fuzzy yang sudah ada terlebih dahulu. Permasalahan dari sistem fuzzy adalah pada saat penentuan fungsi keanggotaan (membership function), dimana aturan (rule) Dibuat berdasarkan fungsi keanggotaan yang telah dirancang. Dengan kata lain, apabila salah dalam menentukan sebuah fungsi keanggotaan yang tepat dalam mewakili sistem riil yang ditangani, berakibat sistem fuzzy menjadi kurang handal. Dengan keadaan ini, maka munculah ide bagaimana jika pemilihan parameter fungsi keanggotaan dapat ditentukan dengan bantuan sistem Jaringan Syaraf Tiruan (JST). Sehingga perancangan fungsi keanggotaan tidak lagi dirancang secara manual sesuai kepakaran yang ingin dimasukkan kedalam sistem cerdas, melainkan menggunakan aturan pembelajaran berdasarkan data latih. Neural Fuzzy System melakukan akuisisi pengetahuan melalui pembelajaran neural network, kemudian hasilnya direpresentasikan dalam logika fuzzy. Pada sistem ini jaringan syaraf digunakan untuk merealisasikan fungsi keanggotaan fuzzy dan operator-operator fuzzy. Beberapa penelitian terkait mengenai kendali dan pewaktuan sinyal lalu lintas telah dilakukan sebelumnya, salah satunya adalah mahasiswa Universitas Hasanuddin prodi Teknik Elektro, Inriyani Chris Djunaedi dan Kristian Gala (2013), dengan judul “Sistem Pengambilan Keputusan Waktu Perpindahan Lampu Lalu Lintas Menggunakan Metode Fuzzy Logic Dalam Sistem Transportasi Cerdas)”. Pada sistem yang mereka bangun, menggunakan metode Fuzzy Logic, menunjukkan dalam 20 sampel data yang diambil, pada masing – masing jalur dapat menekan tingkat kemacetan lalu lintas diantaranya untuk jalur A.P. Pettarani dapat menekan tingkat kemacetan lalu lintas sebesar 118 kendaraan dalam hal ini mobil, untuk jalur Urip Sumoharjo sebesar 99 kendaraan dan untuk jalur Tol Reformasi sebesar 90 kendaraan[4].
2 Jurnal Tugas Akhir Teknik Informatika 2014 Senrima Margasandy dan Fahriane Kamal (2014), dengan judul “Sistem Pengambilan Keputusan Waktu Perpindahan Lampu Lalu Lintas Menggunakan Metode ANFIS Dalam Sistem Transportasi Cerdas)” menggunakan 20 sampel data yang diambil penelitian sebelumnya dapat menekan tingkat kemacetan lalu lintas sebesar 152 kendaraan, untuk jalu Urip Sumoharjo sebesar 165 mobil, dan untuk jalu Tol Reformasi sebesar 123 mobil. II. TEORI DASAR A. Neuro Fuzzy Neuro-Fuzzy merupakan penggabungan dari dua studi utama yaitu Fuzzy Logic dengan aplikasi neuro computing. Masing masing memiliki cara dan proses tersendiri, akan tetapi tetap dapat dipadukan sehingga menghasilkan performa kerja yang selaras. Dalam hal ini, penggunaan neuro computing dan Fuzzy Logic dapat dipadukan menghasilkan Neuro Fuzzy atau Fuzzy Neural Network. Penggabungan ini dilakukan karena manusia memiliki nalar dan proses pembelajaran yang bisa dikatakan memiliki nilai kekaburan. Nilai kekaburan ini membuat penilaian manusia akan suatu hal menjadi tidak terlalu konstan atau kaku untuk sebuah kondisi atau objek. Dengan hal ini, komputer akan mampu untuk melakukan proses pembelajaran yang lebih baik lagi[5].
Σ𝑀 𝑥 100 % Σ𝑄 Σ𝑆 𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐾𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛 𝐵𝑒𝑙𝑢𝑚 𝐿𝑒𝑤𝑎𝑡 = 𝑥 100 % Σ𝑄 𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐼𝑛𝑒𝑓𝑒𝑠𝑖𝑒𝑛𝑠𝑖 𝐻𝑎𝑠𝑖𝑙 =
Keterangan : ∑ M = Jumlah Inefesiensi hasil ∑ S = Kendaraan Yang Belum Dilewatkan ∑ Q = Jumlah Kendaraan Yang Diamati E. Perhitungan Kinerja Metode Neuro Fuzzy Untuk mengukur kinerja metode Neuro Fuzzy dalam menekan tingkat kemacetan lalu lintas digunakan rumus berikut[4] : 𝐾𝑖𝑛𝑒𝑟𝑗𝑎 𝑁𝐹 = [𝐾 ′ (𝑇𝑖𝑚𝑒𝑟) − 𝐾 ′ (𝑁𝐹)] + [𝐿′ (𝑇𝑖𝑚𝑒𝑟) − 𝐿′ (𝑁𝐹)]
III. METODOLOGI PENELITIAN A. Jenis Data Data yang digunakan dalam penilitan ini adalah banyaknya kendaraan pada setiap persimpangan di lokasi pengambilan data. Dimana lokasi pengambilan data adalah salah satu perempatan diruas jalan protokol kota Makassar tepatnya dipersimpangan JL.AP.Pettarani, JL.Urip Sumoharjo dan JL.Tol Reformasi KM.4 dari pusat kota Makassar. Lokasi ini dipilih karena pada penelitian sebelumnya menggunakan persimpangan ini sebagai objek pengamatan.
B. Perhitungan Waktu Hijau Efektif Untuk mendapatkan Tampilan Lampu Hijau pada jalur “O” sebagai jalur yang diamati dalam menentukan Waktu Hijau Efektif dapat dihitung dengan tiga kondisi[6] : 1) Jika jalur “O” < Ma 𝐸 = 𝑂 ∗ 1,3
2) Jika jalur “O” >= Ma dan jalur mengantri (“Q”) < Ma 𝐸 = 𝑂 ∗ 1,3 – (𝑄 ∗ 𝑊𝑚𝑎)
3) Jika jalur “O” >= Ma dan jalur mengantri (“Q”) >= Ma 𝐸 = 𝑂 ∗ 1,3 – ((𝑄 − 𝑀𝑎) ∗ 𝑊𝑚𝑎)
Keterangan : Ma = 15 Wma = 0.27 Detik
O = Jumlah Antrian Jalur O Q =Jumlah Antrian Jalur Q
C. Perhitungan Waktu Lampu Merah Untuk mendapatkan hasil lampu merah digunakan rumus sebagai berikut[6] : 𝐿𝑎𝑚𝑝𝑢 𝑀𝑒𝑟𝑎ℎ (𝑂) = [𝐻𝑖𝑗𝑎𝑢 + 𝐾𝑢𝑛𝑖𝑛𝑔 (𝑄)] + [𝐻𝑖𝑗𝑎𝑢 + 𝐾𝑢𝑛𝑖𝑛𝑔 (𝑄′)]
D. Perhitungan Inefisiensi dan Jumlah Kendaran Yang Belum Lewat Data inefisiensi dan jumlah kendaraan yang belum dilewatkan yang berasal dari akumulasi 20 sampel pada jalur A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi. Dimana dapat di simbolkan K’ untuk inefesiensi dan L’ untuk Jumlah kendaraan yang belum dilewatkan, Untuk mengetahui kinerja metode Neuro Fuzzy dalam mengatasi kemacetan sebagai berikut[6] :
D421101011, D421102822
Gambar 1. Persimpangan Pengambilan Data Dari gambar diatas O adalah jumlah antrian pada jalur AP. Pettarani atau fase 1, Q adalah jumlah antrian pada jalur Urip Sumoharjo atau fase 2, fase 3 adalah jumlah antrian pada jalur Tol. Reformasi dan E adalah waktu Nyala lampu hijau pada jalur AP. Pettarani. Nilai E yang akan digunakan hasil dari metode perhitungan yang akan menjadi nilai output pada data latih.
3 Jurnal Tugas Akhir Teknik Informatika 2014 Tabel 1. Data Latih "O"
Tabel 2. Data Hasil Perhitungan Waktu Hijau Efektif
"Q"
No
AP. Pettarani (Mobil)
Urip Sumoharjo (Mobil)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
14 11 12 15 24 20 12 15 13 26 1 9 30 8 18 8 20 13 20 9 14 19 12 5 27 6 7 17 20 15 26 4 9 18 8 30 8 20 13 20
18 5 13 4 16 11 7 18 13 4 13 8 3 19 12 11 1 3 26 25 10 4 15 30 2 23 14 7 1 15 4 28 10 30 28 18 11 1 3 10
Berdasarkan hasil perhitungan waktu hijau efektif untuk simpang AP. Pettarani, Urip Sumoharjo dan Tol Reformasi terhadap data latih diperoleh nilai ‘E’ sebagai berikut :
D421101011, D421102822
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
"E" Waktu Hijau (Detik) 18.20 14.30 15.60 18.42 30.93 23.03 15.60 18.69 16.90 32.72 1.30 11.70 38.19 10.40 20.16 10.40 25.73 16.90 23.03 11.70 18.20 23.62 15.60 6.50 34.56 7.80 9.10 20.21 25.73 19.50 32.72 5.20 11.70 19.35 10.40 38.19 10.40 25.73 16.90 23.30
B. Implementasi Neuro Fuzzy Ada beberapa tahap yang harus dilalui dalam megimplementasikan metode Neuro-Fuzzy, secara garis besar terbagi atas pelatihan menggunakan jaringan syaraf tiruan, clustering fungsi keanggotaan, fuzzifikasi, dan defuzzifikasi.
4 Jurnal Tugas Akhir Teknik Informatika 2014 pembelajarannya dengan parameter epoch = 100, jumlah error minimum = 10-9, learning rate = 1 dan fungsi aktivasi sigmoid. 3) Pengujian JST Pengujian dilakukan dengan menggunakan parameter RMSE atau Root Means Square Error. RMSE adalah nilai dari kuadrat error. Error yang ada menunjukkan seberapa besar perbedaan hasil aktual dengan hasil prediksi. Pelatihan dilakukan sampai didapatkan error terkecil. 4) Fuzzifikasi tahap pemetaan pasangan nilai masukan dan keluaran kedalam bentuk himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Untuk mendapatkan fungsi keanggotaan, pengelompokkan data menggunakan metode fuzzy cluster means untuk setiap variabel data latih. Variabel yang dikelompokkan dengan fuzzy cluster means adalah nilai jumlah kendaraan jalur diamati (O), jalur antri (Q), dan waktu nyala lampu hijau (E) hasil dari pelatihan jaringan syaraf tiruan. 5) Rule Base . Rules dibangkitkan menggunakan fungsi genfis3 dengan mengekstrak set aturan yang memodelkan perilaku data. Metode ekstraksi menggunakan fungsi fcm untuk menentukan jumlah aturan dan fungsi keanggotaan untuk anteseden dan konsekuen. 6) Inferensi Fuzzy Proses inferensi atau sering disebut sebagai proses pengambilan keputusan merupakan suatu prosedur untuk mendapatkan sinyal pengendali logika fuzzy berdasarkan basis aturan yang ada. Nilai masukan (kepadatan lalu lintas) diolah untuk diidentifikasikan aturan mana yang digunakan. Pada penelitian ini, teknik pengambilan keputusan yang digunakan adalah metode Sugeno. 7) Defuzifikasi Defuzifikasi adalah pengkonversian setiap hasil dari pengambilan keputusan yang diekspresikan dalam bentuk fuzzy set ke satu bilangan real. Hasil konversi tersebut merupakan keluaran yang diambil oleh sistem Fuzzy Logic. Metode fuzzifikasi yang digunakan adalah tipe weigthed average. IV. HASIL DAN PEMBAHASAN Gambar 2. Flowchart Implementasi Neuro Fuzzy
1) Input Data Latih Dalam penelitian ini, data yang digunakan dibagi ke dalam dua kelompok, yaitu data latih dan data target. Data-data tersebut dibuat dalam bentuk matriks. Data yang digunakan sebanyak 40 data yang terdiri dari 3 pasangan data latih jalur amati (O), jalur antri (Q) dan waktu nyala lampu hijau (E). 2) Pelatihan JST Pelatihan JST dimaksudkan untuk melatih data agar mendapatkan data input dan output yang terbaik untuk digunakan pada sistem ini. Algoritma LevenbergMarquardt Backpropagation digunakan sebagai algoritma D421101011, D421102822
Hasil yang dicapai system untuk memperkecil antrian pada simpang A.P Pettarani, Urip Sumiharjo dan Tol Reformasi dengan menggunakan algoritma Neuro Fuzzy dalam menentukan durasi nyala lampu pada lampu lalu lintas. 1) Analisa Hasil Prediksi Neuro Fuzzy Pelatihan JST dimaksudkan untuk melatih data input agar mendapatkan data output yang terbaik untuk digunakan pada sistem ini. Hasil RMSE yang didapat adalah 0.004515267000253.
5 Jurnal Tugas Akhir Teknik Informatika 2014 Tabel 3. Hasil yang dicapai dengan metode Neuro-Fuzzy dengan perbandingan antara durasi waktu Timer pada simpang AP. Pettarani
NO
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Jumlah Kendaraan Saat Pengamatan Jalur AP. Pettarani (MOBIL)
T I M E R
WAKTU LEWAT /MOBIL
NEURO FUZZY
O
Q
QQ
P
U
T
Hijau (dtk)
Hijau (dtk)
Kuning (dtk)
Merah (dtk)
26 1 9 18 8 18 8 20 13 20 9 14 19 12 5 27 1 7 17 20
4 13 10 3 10 18 11 1 3 10 10 10 4 15 11 2 10 14 7 1
14 17 8 4 6 10 9 6 15 5 8 10 14 7 3 7 7 10 6 7
27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27
32.25 1.68 11.47 22.64 10.26 21.99 10.22 25.14 16.60 24.75 11.47 17.51 23.80 14.87 6.60 33.55 1.81 8.88 21.26 25.14
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
67.65 28.63 39.90 66.43 17.26 38.90 36.41 72.33 21.91 29.83 24.78 15.02 33.23 20.50 25.29 62.62 32.83 32.00 22.04 56.43
Dari hasil yang didapat pada Tabel terlihat metode Neuro Fuzzy dalam penentuan waktu lampu hijau lebih fleksibel tergantung dari jumlah antrian pada jalur. Kendaraan yang dilewatkan berasal dari hasil bagi antara nyala lampu hijau dengan Wmk pada Timer dan metode Neuro Fuzzy. Inefisiensi hasil metode berasal dari jumlah kendaraan yang dilewatkan Timer atau metode Neuro Fuzzy dikurangkan dengan jumlah kendaraan pada jalur yang diamati apabila hasilnya minus (-) maka nilainya nol (0). Sedangkan kendaraan yang belum dilewatkan pada jalur diamati berasal dari jumlah kendaraan pada jalur yang diamati dikurangkan dengan jumlah kendaraan yang dilewatkan Timer atau metode Neuro Fuzzy apabila hasilnya minus (-) maka nilainya nol (0). Seperti yang terlihat pada Tabel 4.
D421101011, D421102822
Tabel 4. Kinerja Timer dan Neuro Fuzzy KENDARAAN YANG BISA DILEWATKAN
TIMER (MOBIL)
1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20
KENDARAAN YANG BELUM DILEWATKAN PADA JALUR DIAMATI TIMER (MOBIL)
25 1 9 17 8 17 8 19 13 19 9 13 18 11 5 26 1 7 16 19
NF (MOBIL)
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0 0 0 0
1 0 0 1 0 1 0 1 0 1 0 1 1 1 0 1 0 0 1 1
INEFISIENSI HASIL METODE
TIMER (MOBIL)
0 19 11 2 12 2 12 0 7 0 11 6 1 8 15 0 19 13 3 0
NF (MOBIL)
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Dari tabel diatas terlihat kinerja yang dihasilkan metode Neuro Fuzzy lebih baik dari pada Timer dilihat dari nilai yang dihasilkan metode Neuro Fuzzy lebih kecil dari pada nilai yang dihasilkan Timer. Begitu halnya pada jalur Urip Sumoharjo dan jalur Tol Reformasi pada saat menerapkan hal yang sama seperti pada jalur AP. Pettarani. Untuk membandingkan kinerja metode Neuro Fuzzy, Anfis dan Fuzzy dari penelitian sebelumnya diperoleh tabel dan grafik sebagai berikut : Tabel 5. Inefesiensi Hasil Metode Simpang
Timer
Fuzzy
ANFIS
A.P Pettarani
51.84%
7.35%
0.00%
Neuro Fuzzy 0.00%
Urip Sumoharjo
43.82%
7.07%
0.71%
0.00%
Tol. Reformasi
44.83%
15.76%
0.00%
2.46%
Rata- rata
46.83%
10.06%
0.24%
0.00%
6 Jurnal Tugas Akhir Teknik Informatika 2014 180 60.00%
160
50.00%
140
120
40.00%
100 30.00%
80
20.00%
60
10.00%
40 20
0.00% Timer
Fuzzy
A.P Pettarani
ANFIS
Urip Sumoharjo
Neuro Fuzzy Tol. Reformasi
Gambar 3. Grafik Inefesiensi Hasil Metode
Simpang
Timer
Fuzzy
ANFIS
Neuro Fuzzy
A.P Pettarani
4.78%
5.15%
0.74%
4.04%
Urip Sumoharjo
16.61%
15.19%
1.41%
3.53%
Tol. Reformasi
16.75%
Rata-rata
12.71%
2.46% 7.60%
0.99% 1.05%
0.99% 2.93%
18.00%
16.00% 14.00% 12.00% 10.00% 8.00% 6.00% 4.00% 2.00% 0.00% Fuzzy
A.P Pettarani
ANFIS
Urip Sumoharjo
Neuro Fuzzy
Tol. Reformasi
Gambar 4. Grafik Kendaraan Yang Belum Dilewatkan Tabel 7. Jumlah kemacetan yang dapat ditekan Simpang Fuzzy ANFIS Neuro Fuzzy A.P Pettarani
118
152
143
Urip Sumoharjo
99
165
161
Tol. Reformasi
90 102.33
123 146.67
115 142.33
Rata-rata
D421101011, D421102822
A.P Pettarani
Fuzzy
Urip Sumoharjo
ANFIS
Tol. Reformasi
Neuro Fuzzy
Gambar 5. Grafik Jumlah Kemacetan Yang Dapat Ditekan
Tabel 6. Kendaraan yang belum dilewatkan
Timer
0
V. KESIMPULAN DAN SARAN A. Kesimpulan Pada penelitian ini yang mengutamakan menghasilkan waktu nyala lampu pada lampu lalu lintas pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi dengan menggunakan metode Neuro Fuzzy sebagai sistem transportasi cerdas yang akan dibandingkan dengan sistem yang sudah ada maka dapat disimpulkan berdasarkan hasil penelitian, sebagai berikut : 1) Tingkat keberhasilan yang dicapai untuk inefisiensi metode Neuro Fuzzy untuk tiga ruas jalan yang diamati rata-rata sebesar 0.00 %, Timer sebesar 46.83 %, logika fuzzy sebesar 10.06% dan ANFIS sebesar 0.24%. Neuro Fuzzy lebih baik dari tiga metode tersebut untuk memperkecil hasil inefesiensi. 2) Tingkat keberhasilan yang dicapai untuk jumlah kendaraan yang belum lewat. Neuro Fuzzy untuk tiga ruas jalan yang diamati rata-rata sebanyak 2.93 %, Timer sebanyak 12.71 %, logika fuzzy sebanyak 7.60 % dan ANFIS sebanyak 1.05 %. ANFIS lebih baik dari tiga metode tersebut dalam melewatkan kendaraan. . 3) Tingkat keberhasilan yang dicapai untuk jumlah kemacetan yang dapat ditekan. Neuro Fuzzy untuk tiga ruas jalan yang diamati rata-rata sebanyak 142.33 mobil, logika fuzzy sebanyak 102.33 mobil dan ANFIS sebanyak 146.67 ANFIS lebih baik dari dua metode tersebut dalam menekan jumlah kemacetan. 4) Dari tiga parameter ukuran perbandingan di atas menunjukkan hasil metode Neuro Fuzzy lebih baik untuk memperkecil antrian yang terjadi pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi dibandingkan dengan metode Timer dan Logika Fuzzy. Tapi bila dibandingkan dengan metode ANFIS, Neuro Fuzzy masih kurang baik pada dua parameter diatas, walau selisihnya sangat kecil.
7 Jurnal Tugas Akhir Teknik Informatika 2014 B. Saran 1) Diperlukan pengembangan yang lebih dengan membangun sistem pembelajaran yang berkelanjutan untuk megoptimalkan hasil yang dicapai. 2) Perlunya perhatian pemerintah kepada pengembangan sistem transportasi cerdas sebagai langkah pertama untuk menuju Makassar sebagai kota dunia. 3) Untuk penelitian selanjutnya, diharapkan sistem ini dapat melakukan prediksi secara real time dengan menggunakan alat pengolah citra atau sensor. ini dapat melakukan prediksi pada data yang lebih besar dan secara real time dengan alat pengolah citra atau sensor dan lebih di perbaharui agar dapat menghasilkan output yang lebih baik lagi. DAFTAR PUSTAKA
[1] HarianKompas,http://regional.kompas.com/read/2012/11/ 25/11121680/Makassar.Kian.Macet.Kendaraan.Capai.2.4. Juta; Diakeses pada tanggal 25 September 2014. [2] Seminar Kementrian Perhubungan Republik Indonesia; Jakarta, 28 Juni 2012 http://www.dephub.go.id/read/berita/direktorat-jendralperhubungan-darat/joint-seminar-intelligent-transportsystem-its-indonesia-jepang-diselenggarakan-di-jakarta13547/13547; di akses pada tanggal 7 Januri 2014. [3] Buana Suhurdin Putra, Romi Satria Wahono, Rufman Iman Akbar E. Simulasi Penerapan ANFIS Pada Sistem Lampu Lalu Lintas Enam Ruas. Jurnal Kursor Volume 6, No. 2, Juli 2011. ISSN 0216-0544. [4] Djunnedi, I. C., & Gala, K. (2013). Sistem Pemgambilan Keputusan waktu perpindahan lampu lalu lintas menggunakan algoritma Fuzzy Logic dalam sistem transportasi cerdas. Makassar. [5] http://elektro-unimal.blogspot.com/2013/05/teori-neurofuzzy.html diakses pada tanggal 30 Oktober 2014 [6] Margasandy, S. & Kamal, F. (2014). Sistem Pemgambilan Keputusan waktu perpindahan lampu lalu lintas menggunakan algoritma Fuzzy Logic dalam sistem transportasi cerdas. Makassar.
D421101011, D421102822
8 Jurnal Tugas Akhir Teknik Informatika 2014
D421101011, D421102822
