Perpustakaan Digital ITB

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi metode kontrol lalu lintas berbasis pembelajaran penguatan yang robas untuk meningkatkan efisiensi dan ketahanan sistem pengendalian sinyal lalu lintas di kota Surabaya. Sistem lampu lalu lintas yang ada di Surabaya, yang awalnya menggunakan teknologi Sydney Coordinated Adaptive Traffic System, saat ini mengalami kerusakan sensor yang menyebabkan beralihnya sistem pengendalian ke metode berbasis waktu tetap. Hal ini mengurangi efektivitas pengelolaan lalu lintas, terutama dalam menghadapi dinamika lalu lintas yang cepat berubah dan kondisi lingkungan yang tidak terduga. Sebagai solusi, penelitian ini mengusulkan penggunaan metode berbasis siklus dan non-siklus, baik melalui algoritma konvensional maupun Deep Q-Learning Network. Pendekatan berbasis siklus mengandalkan pengaturan waktu fase lalu lintas dalam interval tetap, sementara pendekatan non-siklus memungkinkan pengendalian yang lebih fleksibel dan adaptif berdasarkan kondisi lalu lintas aktual secara real-time. Aksinya berupa penentuan fase lampu lalu lintas, dengan fungsi reward yang divariasikan berdasarkan tekanan lalu lintas dan panjang antrian, serta state yang mencakup panjang antrian dan laju kendaraan. Penelitian dilakukan pada kawasan kota Surabaya, melalui replikasi jaringan jalan menggunakan PTV VISSIM dan disimulasikan melalui platform Simulation of Urban Mobility. Untuk meningkatkan kerobasan sistem, penelitian ini mengusulkan implementasi algoritma Robust ADversarIAl Loss Deep Q-Learning Network terhadap gangguan dan meningkatkan kinerja melalui optimisasi throughput dan pengurangan wilayah densitas tinggi (L4) di Macroscopic Fundamental Diagram. Hasil dari penerapan algoritma tersebut dibandingkan dengan metoda tanpa robas. Evaluasi dilakukan pada skenario normal dan adversarial menerapkan serangan termasuk Projected Gradient Descent untuk menguji kerobasan agen. Melalui iterasi perbaikan, algoritma Robust ADversarIAl Loss Deep Q-Learning Network dapat menunjukkan kinerja yang lebih baik dalam mengelola lalu lintas perkotaan, serta lebih robas ketika terjadi gangguan dan ketidakpastian yang terjadi di dunia nyata. Hasil dari penelitian ini menunjukkan, dengan spesifikasi Deep Q-Learning Network serta konvensional yang diterapkan, metoda berbasis siklus 10% lebih efektif mengontrol sinyal lalu lintas kota Surabaya tetapi metoda non-siklus hingga 40% lebih robas.