Perpustakaan Digital ITB

Pertambahan jumlah penduduk di wilayah perkotaan mengakibatkan berbagai masalah, salah satunya adalah kemacetan. Untuk mengatasi masalah ini, perlu diciptakan suatu kontrol lalu lintas yang adaptif. Pada penelitian sebelumnya telah dibuat kontrol lalu lintas menggunakan Reinforcement Learning yaitu menggunakan Cooperative Double Q-learning. Kemudian dibuat juga kontrol lalu lintas menggunakan Deep Q-Network yang kemudian ditingkatkan performanya dengan algoritma optimasi Particle Swarm Optimization. Namun, sistem kontrol tersebut masih belum efektif karena masih terdapat nilai densitas kendaraan yang relatif tinggi. Pada penelitian ini digunakan algoritma kontrol perimeter yang diimplementasikan pada jaringan lalu lintas yang menggunakan algoritma Max-Pressure. Algoritma ini diaplikasikan pada simulator lalu lintas Eclipse SUMO. Telah dicari parameter terbaik untuk algoritma Max-Pressure dan telah dilakukan penalaan untuk nilai K_p dan K_i pada kontrol perimeter. Setelah dievaluasi menggunakan Macroscopic Fundamental Diagram, algoritma kontrol perimeter dengan nilai K_p=20 dan nilai K_i=5 berhasil mengurangi densitas maksimum jaringan secara signifikan yang awalnya mencapai 40 kendaraan/km hingga mencapai densitas maksimum sebesar 23 kendaraan/km. Penurunan densitas kendaraan mengakibatkan berkurangnya kemacetan sehingga jaringan lalu lintas bisa menjadi lebih optimal. Kata kunci: kontrol lalu lintas, kontrol perimeter, algoritma Max-Pressure, densitas kendaraan ?