Perpustakaan Digital ITB

Di Indonesia, terdapat beberapa persimpangan di mana lebih dari 10.000 kendaraan melintas setiap jam. Di persimpangan tersebut biasanya tidak ada lampu lalu lintas adaptif, yang mengakibatkan pengaturan lalu lintas dilakukan secara manual oleh petugas. Hal tersebut berdampak pada durasi lampu merah yang terlalu lama pada salah satu ruas jalan dan menyebabkan waktu tunggu kendaraan serta panjang antrean yang berlebihan. Studi ini bertujuan untuk membuat environment simulasi yang secara akurat merepresentasikan kondisi dunia nyata di Persimpangan Samsat, mengevaluasi kinerja pelatihan Reinforcement Learning (RL), menilai metode RL yang paling efisien untuk mengatur lampu lalu lintas. Penelitian ini menyajikan simulasi SUMO untuk membandingkan tiga kondisi di Persimpangan Samsat di Kota Bandung, Indonesia: Proximal Policy Optimization (PPO), Deep Q Network (DQN), dan tanpa RL. Simulasi lampu lalu lintas adaptif, khususnya menggunakan PPO dan DQN, menunjukkan potensi untuk meningkatkan efisiensi kinerja simpang dan mengurangi kemacetan. Hasil penelitian menunjukkan bahwa penerapan lampu lalu lintas adaptif dapat menurunkan panjang antrean rata-rata 13,09% (PPO) dan 11,74% (DQN), mengurangi waktu tunggu 45,9% (PPO) dan 39,1% (DQN), serta menurunkan durasi lampu merah maksimal 22,69% (PPO) dan 25,7 (DQN). Hasil ini menunjukan efektivitas strategi berbasis RL dalam mengurangi kemacetan lalu lintas dan menjadi referensi untuk perbaikan manajemen lalu lintas di perkotaan.