Perpustakaan Digital ITB

Kemacetan lalu lintas merupakan permasalahan utama di daerah perkotaan yang berdampak negatif terhadap waktu perjalanan, konsumsi bahan bakar, emisi gas buang, serta kesehatan mental dan fisik masyarakat. Sistem kontrol lampu lalu lintas yang berbasis durasi tetap tidak dapat beradaptasi dengan kondisi lalu lintas yang dinamis. Oleh karena itu, diperlukan solusi berupa sistem kontrol durasi lampu lalu lintas yang lebih adaptif dengan objektif menurunkan kemacetan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol lampu lalu lintas berbasis Reinforcement Learning (RL) yang mampu mengontrol durasi lampu lalu lintas secara real-time. Metodologi penelitian menggunakan CRISP-DM (Cross Industry Standard Process for Data Mining) yang mencakup tahapan: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment. Data lalu lintas diperoleh melalui Google Maps API, kemudian dilakukan sintesis data rute kendaraan menggunakan simulator SUMO untuk membangun lingkungan simulasi. Model RL dilatih dengan delapan algoritma berbeda: SARSA, Q-Learning, Deep Q-Network (DQN), Double Deep Q-Network (DDQN), REINFORCE, Deep Deterministic Policy Gradient (DDPG), Proximal Policy Optimization (PPO), dan Soft Actor-Critic (SAC). Proses optimasi dilakukan melalui pendekatan grid search untuk menentukan hyperparameter terbaik bagi setiap algoritma. Dalam penelitian ini, hasil evaluasi menunjukkan bahwa algoritma berbasis policy gradient off-policy, yaitu DDPG, memiliki kinerja terbaik dalam mengurangi kemacetan dibandingkan model lain. Pada lalu lintas hari kerja, model ini mampu mengurangi waktu perjalanan 30%, mengurangi jumlah antrian sebesar 23%, serta mengurangi jumlah antrian di persimpangan sebesar 79%. Pada lalu lintas hari libur, mampu mengurangi waktu perjalanan 16% mengurangi jumlah antrian sebesar 14%, serta mengurangi jumlah antrian di persimpangan sebesar 75%.