Perpustakaan Digital ITB

Sebagian besar dari kota-kota besar di dunia mengalami permasalahan kemacetan, salah satunya adalah di Kota Bandung, Indonesia. Peran Intelligent Transportation System (ITS) adalah menciptakan transportasi yang aman dan nyaman bagi para pengendara, dan lebih spesifik lagi diharapkan dapat mengurangi kemacetan. Salah satu pendekatan yang merupakan cabang dari ITS untuk mengurangi kemacetan adalah traffic signal control. Penelitian sebelumnya banyak menggunakan metode deep reinforcement learning untuk optimasi pendekatan traffic signal control. Dengan mempertimbangkan computational costs dimiliki oleh deep reinforcement learning, pada penelitian ini telah menggunakan classical machine learning dengan computational costs yang lebih rendah untuk pendekatan traffic signal control dalam mengurangi kemacetan. Dengan berdiskusi dengan Dinas Perhubungan Kota Bandung sebagai domain expert, terdapat salah satu bentuk traffic signal control berupa pemberian sinyal intervensi waktu siklus lampu lalu lintas pada saat waktu dan jalan tertentu. Objek dari penelitian ini adalah Simpang Soekarno-Hatta dan Simpang Buah Batu, Bandung yang merupakan salah satu simpang terpadat. Yang menjadi tantangan adalah operator Dinas Perhubungan Kota Bandung masih memberikan sinyal intervensi secara manual dengan mengamati lewat kamera lalu lintas. Sehingga, tujuan dari penelitian ini adalah melakukan dataset preprocessing yang sesuai, dan membangun model machine learning untuk memprediksi intervensi waktu siklus lampu lalu lintas. Dataset yang digunakan, memiliki karakteristik temporal/time-series sehingga terdapat set fitur time-series untuk menjadi data latih bagi model machine learning. Pada penelitian ini, digunakan metode baru yang bernama ROPP (Replace Outlier per Period) dengan FFT (Fast Fourier Transform) sebagai salah satu tahap time-series data preprocessing. Setelah melakukan training dan evaluasi model machine learning, didapatkan bahwa terjadi peningkatan performance model machine learning ketika menggunakan ROPP dan FFT. Lebih lanjut lagi, dengan metode feature selection didapatkan model prediksi intervensi terbaik untuk Simpang Soekarno-Hatta fasa timur memiliki AUC score 78.38% dengan Random Forest, dan model terbaik untuk Simpang Buah Batu memiliki AUC score 75.01% dengan XGBoost.