Perpustakaan Digital ITB

Kemacetan lalu lintas perkotaan merupakan permasalahan yang mengakibatkan keterlambatan, polusi, dan kerugian ekonomi. Metode pengendalian sinyal lalu lintas konvensional seringkali tidak efektif dalam menghadapi kondisi yang tidak terprediksi, terutama dengan adanya gangguan dan ketidakakuratan dalam observasi keadaan. Penelitian ini bertujuan untuk mengatasi keterbatasan tersebut melalui pengembangan agen pemelajaran penguatan (RL) yang robas dengan mengimplementasikan algoritma RADIAL-DQN (Robust ADversarIAl Loss DQN). Tujuan utama penelitian ini adalah meningkatkan ketahanan sistem kontrol sinyal lalu lintas terhadap gangguan di lingkungan. Metodologi yang diterapkan meliputi pengembangan agen RADIAL-DQN dan evaluasi komprehensif menggunakan aplikasi simulasi lalu lintas SUMO. Evaluasi dilakukan dalam tiga skenario utama: skenario 1 persimpangan, skenario 7 persimpangan, dan skenario jaringan lalu lintas Kota Jakarta. Setiap skenario diuji dalam kondisi normal dan adversarial, dengan penerapan serangan Projected Gradient Descent (PGD) untuk menguji kerobasan agen. Hasil analisis menunjukkan bahwa agen RADIAL-DQN secara konsisten mengungguli agen DQN standar dalam kondisi adversarial di semua skenario, dengan peningkatan kinerja hingga 37,61% dalam mengelola panjang antrian dalam kondisi serangan PGD. Pada skenario Jakarta, analisis Macroscopic Fundamental Diagram (MFD) mengonfirmasi keunggulan agen robas dalam mempertahankan aliran lalu lintas yang efisien, dengan kapasitas jaringan 29,79% lebih besar dibandingkan agen standar saat menghadapi serangan adversarial. Penelitian ini menunjukkan bahwa RADIAL-DQN menawarkan solusi yang lebih dapat diandalkan untuk manajemen lalu lintas perkotaan dalam kondisi dunia nyata yang dinamis. Kesimpulannya, RADIAL-DQN memiliki potensi signifikan untuk implementasi skala besar dalam memitigasi kemacetan dan dampak negatifnya terhadap lingkungan serta ekonomi. Kata kunci: Manajemen lalu lintas perkotaan, kontrol sinyal lalu lintas adaptif, pemelajaran penguatan dalam, pelatihan adversarial, simulasi lalu lintas SUMO, RADIAL-DQN, Macroscopic Fundamental Diagram.