Perpustakaan Digital ITB

Sistem kontrol lampu lalu lintas konvensional berbasis waktu tetap tidak mampu beradaptasi terhadap fluktuasi volume kendaraan secara dinamis. Pendekatan Multi- Agent Reinforcement Learning (MARL) menawarkan solusi yang skalabel, tetapi agen yang hanya mengandalkan observasi lokal tidak memiliki kesadaran spasial terhadap kondisi persimpangan tetangga sehingga rentan terhadap kegagalan koordinasi. Penelitian ini mengembangkan dan mengevaluasi arsitektur GAT-Double DQN yang mengintegrasikan Graph Attention Network (GAT) sebagai encoder koordinasi spasial antarpersimpangan dengan Double Deep Q-Network sebagai pengambil keputusan per agen. Representasi state menggabungkan fitur absolut (antrean, kepadatan, waktu tunggu) dan fitur temporal (perubahan antrean dan kepadatan). Arsitektur diimplementasikan pada simulator SUMO dan dievaluasi pada dua subjaringan urban berskala 9 persimpangan, yaitu arteri asimetris 3×3 dan grid simetris 3×3, dengan tiga skenario lalu lintas: arus stabil, arus puncak, dan grid dynamic dengan konflik silang tinggi. Evaluasi membandingkan GAT-DQN dengan baseline non-kooperatif Independent DQN (IDQN) serta baseline konvensional non-RL (PKJI dan delay-based) menggunakan metrik perjalanan end-to-end, yaitu median waktu tunda perjalanan (time loss), rata-rata antrean puncak per lajur, dan tingkat penyelesaian perjalanan. Hasil eksperimen menunjukkan adanya pertukaran (tradeoff ) operasional yang bergantung pada topologi jaringan. Pada skenario grid dynamic, kelemahan pengendali konvensional memicu waktu tunda ekstrem, sementara IDQN rentan mengunci lajur minor akibat sifat agresifnya mengutamakan lajur padat. Sebaliknya, GAT-DQN bertindak sebagai stabilisator spasial yang meredam ledakan antrean puncak dan mencegah kelumpuhan jaringan (spillback), meskipun harus membagi waktu secara lebih merata sehingga median waktu tunda tampak sedikit lebih tinggi. Pada koridor arteri linier, GAT-DQN maupun IDQN memberikan waktu tunda yang sebanding dengan pengendali konvensional, namun terbukti jauh lebih unggul dalam mempertahankan tingkat penyelesaian perjalanan (throughput). Temuan ini menunjukkan bahwa integrasi koordinasi spasial melalui GAT sangat krusial pada jaringan berkonflik silang tinggi, sedangkan pada topologi linier, kontrol lokal mandiri sudah memadai untuk melampaui kemampuan baseline statis.