Perpustakaan Digital ITB

Lalu lintas merupakan hal yang sangat penting dalam bidang transportasi dengan masalah yang sering terjadi khususnya pada jalur darat yaitu kemacetan di berbagai lokasi. Pengaturan lalu lintas dapat dilakukan dengan menerapkan sistem transportasi cerdas yang salah satu bagiannya yaitu digunakan model prediksi lalu lintas untuk mengoptimalkan arus kendaraan sehingga dapat mengurangi kemacetan. Dalam membangun model prediksi arus lalu lintas, data lalu lintas memiliki karakteristik berupa ketergantungan spasial-temporal yang kompleks serta data sensor lalu lintas yang hilang menjadi permasalahan karena dapat menurunkan kinerja model. Di sisi lain, penelitian-penelitian yang telah dilakukan berfokus pada gabungan model prediksi jangka pendek dan jangka panjang sedangkan penelitian di Indonesia terkait prediksi lalu lintas masih menggunakan metode pembelajaran mesin sederhana. Untuk mengatasi hal tersebut, pada penelitian tesis ini dilakukan imputasi data menggunakan model prediktif berbasis graf agar dapat mempelajari fitur lalu lintas berdasarkan representasi graf sehingga hasil imputasi dapat mengikuti pola lalu lintas. Dataset lalu lintas terimputasi digunakan untuk pembangunan model prediksi arus lalu lintas menggunakan framework Spatio-Temporal Graph Neural Network (STGNN) yang dapat mempelajari fitur spasial-temporal dengan menggabungkan metode pembelajaran spasial dan pembelajaran temporal dalam representasi graf. Dataset lalu lintas dibangun menggunakan data sensor lalu lintas Kota Bandung dengan dilakukan imputasi data menggunakan model prediktif Graph Imputation Neural Network (GINN) yang dapat melakukan imputasi berdasarkan fitur similarity graph dan dipelajari oleh autoencoder serta menggunakan strategi adversarial training untuk meningkatkan kinerja. Terdapat tiga jenis dataset yang dibangun berdasarkan banyaknya sensor lalu lintas pada persimpangan yang ditentukan, yaitu ATCSKB-A dengan 27 sensor, ATCSKB-B dengan 39 sensor, dan ATCSKB-C dengan 53 sensor. Model prediksi arus lalu lintas yang diusulkan terdiri dari dilated spatio-temporal synchronous graph convolutional blocks dan dilated temporal convolutional networks untuk menangkap dinamika spasial-temporal baik secara global dan lokal maupun jangka pendek dan jangka panjang serta dynamic graph learning yang dipelajari oleh spasial-temporal localized convolutional layer untuk mempelajari karakteristik spatial-temporal yang dinamis secara lokal guna meningkatkan kinerja model. Model prediksi dibangun untuk mempelajari data lalu lintas pada satu jam sebelumnya untuk memprediksi arus lalu lintas hingga 1 jam ke depan dengan metrik kinerja MAE, RMSE, dan MAPE. Pengujian model STGNN dilakukan pada tahap pembangunan model dan pada tahap pembangunan dataset. Pada tahap pembangunan model dilakukan pengujian pada dataset ATCSKB-B untuk time step 17854 serta dihasilkan kinerja model terbaik pada konfigurasi model menggunakan filter size 16, temporal kernel size 3, spatial kernel size 2, dan dropout 0,3 dengan nilai rata- rata ketiga metrik kinerja yaitu MAE 34,15; RMSE 63,01; dan MAPE 24,67%. Pada tahap pembangunan dataset dilakukan pengujian model dilakukan pada tiga dataset yang telah dibangun dan satu real-world dataset yaitu dataset benchmark PEMS08. Kinerja model prediksi terbaik pada dataset terimputasi yaitu pada dataset ATCSKB-B untuk time step 17854 serta model prediktif GINN mampu meningkatkan kinerja model dibandingkan imputasi nilai median. Model STGNN dibandingkan juga dengan model baseline untuk dataset terimputasi dan dataset benchmark, dilakukan 5 kali pengujian sehingga model STGNN memberikan rata-rata nilai MAE, RMSE, dan MAPE untuk dataset ATCSKB-B lebih baik dibandingkan dataset ATCSKB-C tetapi tidak lebih baik dari dataset PEMS08. Model STGNN dapat melampaui akurasi model state-of- the-art untuk dataset Kota Bandung dan dataset benchmark PEMS08 serta memberikan hasil prediksi yang dapat mengikuti pola data lalu lintas.