Perpustakaan Digital ITB

Penelitian ini mengeksplorasi efektivitas integrasi segmentasi ruang jalan berbasis Deep Q-Network dengan pengenalan jalur khusus kendaraan roda dua untuk mengoptimalkan arus lalu lintas selama jam sibuk di persimpangan Soekarno Hatta- Ibrahim Adjie. Difokuskan pada salah satu persimpangan tersibuk di Bandung, penelitian ini menggunakan data lalu lintas dari Area Traffic Control System Bandung untuk mensimulasikan dinamika lalu lintas di persimpangan tersebut. Persimpangan Soekarno Hatta-Ibrahim Adjie, yang sering terjadi kemacetan parah selama jam sibuk, menjadi studi kasus. Pendekatan manajemen lalu lintas tradisional atau statis dinilai kurang efektif dalam mengurangi antrean panjang dan keterlambatan. Penelitian ini memanfaatkan platform simulasi SUMO, dengan memasukkan parameter seperti lebar jalur, dinamika kendaraan, dan pengaturan sinyal lalu lintas untuk mereplikasi kondisi dunia nyata. Algoritma dilatih selama 100 episode, memanfaatkan data lalu lintas waktu nyata untuk menyesuaikan fase lampu lalu lintas dan mengoptimalkan arus kendaraan. Jalur khusus kendaraan roda dua diperkenalkan untuk mengurangi kemacetan sepeda motor, moda transportasi dominan di Bandung. Hasilnya menunjukkan peningkatan efisiensi lalu lintas yang signifikan, dengan penurunan panjang antrean sebesar 64,89% dan pengurangan waktu tunggu sebesar 80,49% di jalur reguler, serta penurunan panjang antrean sebesar 26,39% dan pengurangan waktu tunggu sebesar 39,96% di jalur roda dua. Penelitian ini menyimpulkan bahwa integrasi teknik reinforcement learning dengan perbaikan infrastruktur, seperti jalur khusus kendaraan tertentu, dapat meningkatkan manajemen lalu lintas di area perkotaan yang padat. Penelitian selanjutnya dapat mengeksplorasi penerapan pendekatan ini di persimpangan lain dan strategi manajemen lalu lintas inovatif lainnya untuk meningkatkan mobilitas perkotaan.