Perpustakaan Digital ITB

Kenaikan jumlah volume kendaraan setiap tahunnya mempengaruhi prediksi sistem lalu lintas. Tujuan dari prediksi arus lalu lintas lalu lintas salah satunya digunakan untuk estimasi data yang hilang disebabkan oleh ketidakberfungsian sensor akibat dari gangguan koneksi atau kerusakan akibat umur. Sensor untuk dapat melakukan estimasi dibutuhkan data historis dari sensor sensor yang saling berdekatan. Data yang tersedia dimodelkan dalam simulator untuk mendapatkan data arus kendaran, kecepatan rata-rata kendaraan dan kepadatan jalan. Pada kasus di sebagian kota Jakarta Pusat terdapat sejumlah sensor yang berfungsi dan sebagian lagi tidak berfungsi agar dapat melakukan estimasi data pada sensor yang tidak berfungsi dibutuhkan model dan skenario, pada penelitian ini model graph neural network dan skenario klasterisasi digunakan untuk pengurangan kelompok sensor. Model graph melalui koneksi node dengan edges dapat menggambarkan hubungan jaringan lalu lintas. Node digambarkan sebagai segmen lokasi sensor dekat dengan persimpangan dan antar node dihubungkan oleh ruas jalan atau dalam graph disebut dengan edges. Jenis model graph yang digunakan merupakan directed graph atau graph berarah yang arahnya ditentukan berdasarkan arah fasa dari pergerakan kendaraan di persimpangan. Matriks kedekatan digunakan sebagai representasi matematis dari graph yang menyatakan hubungan setiap node. Elemen matriks akan benilai 1 jika ada arah yang menghubungkan antar node sedangkan bernilai 0 jika tidak terdapat arah setelah itu dilakukan representasi graph dengan metode node2vec dan metode k-means digunakan untuk pengelompokan jaringan sensor beradasarkan arah pergerakan kendaraan. Banyaknya kelompok jaringan sensor ditentukan dari grafik elbow. Dihasilkan 3 klaster utama dalam pengelompokan 67 sensor yaitu dibagi menjadi 9 klaster, 10 klaster dan 11 klaster. Graph Neural Network (GNN) digunakan sebagai model pembelajaran yang melakukan prediksi arus lalu lintas pada setiap sensor di jaringan jalan. GNN mendapatkan masukan berupa data spasial yang telah dibangun melalui model graph berupa matriks kedekatan dan data fitur dari setiap sensor berupa data kepadatan lalu lintas, kecepatan rata-rata kendaraan dan waktu tunda pada jaringan jalan. Keluaran yang diberikan dari GNN adalah prediksi arus lalu lintas pada jaringan jalan. Jaringan sensor dengan 10 klaster memberikan hasil prediksi error rata-rata yaitu 12,9%, hasil tersebut lebih kecil dibandingkan pada pembagian jaringan sensor dalam 9 dan 10 klaster. Setiap jaringan sensor yang dibagi menjadi 9 klaster, 10 klaster dan 11 klaster dilakukan pengurangan jumlah sensor secara bertahap dimulai dari satu sub klaster hingga empat sub klaster yang dilihat dari nilai mean average percentage error (MAPE). Semakin banyak jumlah pengurangan sensor, nilai MAPE akan naik, pengurangan jumlah sensor terbanyak terdapat pada pembagian 10 klaster dengan 29 sensor dikurangi dan nilai MAPE sebesar 38,28%. Dapat disimpulkan bahwa meskipun adanya pengurangan jumlah sensor dengan cara klasterisasi dari representasi graph, dengan menggunakan GNN masih dapat melakukan estimasi perhitungan sensor arus kendaraan di jaringan jalan dengan baik. Kata Kunci: Prediksi Arus Lalu Lintas, Graph Neural network, Analisis Spasial, K-means, Klasterisasi ?