Perpustakaan Digital ITB

Kemacetan kawasan perkotaan memicu kondisi stop-and-go yang menurunkan kinerja jaringan dan menguras kapasitas baterai (State of Charge/SoC) Kendaraan Listrik (EV). Untuk mengatasi hal ini, penelitian ini merancang kontrol perimeter adaptif berbasis Reinforcement Learning (RL) terintegrasi dengan algoritma MaxPressure sebagai kontrol internal. Sistem diuji pada Protected Network Kota Surabaya menggunakan simulator Eclipse SUMO dengan penetrasi EV sebesar 20%. Hasil simulasi membuktikan integrasi MaxPressure-RL Perimeter secara komprehensif mengungguli kontrol eksisting (Flexilink) dan MaxPressure konvensional. Secara makroskopik, agen RL menekan kerapatan puncak jaringan hingga 84,0% lebih rendah dibandingkan Flexilink (turun dari 54,32 menjadi 8,69 kendaraan/km), sehingga jaringan stabil pada batas optimal Macroscopic Fundamental Diagram (MFD). Kestabilan ini sukses mendongkrak throughput menjadi 290.224 kendaraan, meningkat 41,3% dibandingkan Flexilink (205.335 kendaraan) dan 18,6% di atas MaxPressure (244.638 kendaraan). Kelancaran jaringan memberikan dampak operasional yang masif pada efisiensi EV. Sistem secara adaptif menekan frekuensi stop-and-go sebesar 16,8% (menjadi 0,736). Penurunan intensitas hambatan ini secara krusial memangkas konsumsi energi traksi sebesar 13,1% (menjadi 581,7 Wh) dan mendongkrak efisiensi daya hingga 34,7% lebih hemat dibandingkan Flexilink (membaik dari 254,6 menjadi 166,1 Wh/km). Lebih lanjut, laju drainase baterai turun drastis sebesar 90,4% (dari 0,00682 menjadi 0,00065), menjaga pertahanan SoC minimum di angka 38,168%. Kesimpulannya, sistem usulan terbukti efektif mencegah kelumpuhan jaringan (gridlock) sekaligus mengoptimalkan konsumsi daya ekosistem EV.