Perpustakaan Digital ITB

Jumlah kendaraan yang berlebih pada suatu jaringan jalan menyebabkan kemacetan. Kondisi lalu lintas yang dinamis mengakibatkan diperlukannya sistem kontrol lalu lintas yang dapat beradaptasi dengan kondisi tersebut. Indonesia sedang gencar untuk membuat sistem kontrol lalu lintas berbasis Artificial Intelligence. Telah dibuat suatu kontrol lalu lalu lintas berbasis Reinforcement Learning yaitu Deep Q Network di mana fase lalu lintas ditentukan oleh reward dengan variasi beban pada tekanan dan panjang antrian. Namun variasi tersebut belum mampu menghasilkan nilai reward yang optimal pada aliran dan densitas kendaraan, oleh karena itu diperlukan optimasi pada nilai beban reward. Pada penelitian ini diperkenalkan pengontrol variasi beban reward adaptif menggunakan algoritma Particle Swarm Optimization. Variasi beban yang dihasilkan memiliki performa yang lebih baik dibanding algoritma Deep Q Network dengan nilai aliran kendaraan maksimal sebesar 220 kendaraan per jam dan nilai densitas kendaraan maksimal sebesar 27 kendaraan per kilometer dibanding algoritma Deep Q Network dengan variasi beban yang memiliki nilai aliran kendaraan maksimal sebesar 213 kendaraan per jam dan nilai densitas kendaraan maksimal sebesar 33 kendaraan per kilometer. Nilai tersebut akan meningkatkan produktivitas suatu wilayah.