Perpustakaan Digital ITB

Pemodelan lalu lintas skala mikroskopik merupakan salah satu alternatif untuk memahami fenomena lalu lintas dengan lebih baik. Pendekatan model ini dapat memberi pemahaman yang lebih baik terhadap perilaku individual dalam sistem lalu lintas. Model perilaku pada skala mikroskopik dapat dikembangkan dengan berbagai metode, salah satunya adalah menggunakan pendekatan Markov Decision Process(MDP).PadametodeMDP,pergerakankendaraansebagaire?eksiperilaku pengemudi dapat dimodelkan sebagai rentetan kejadian (state) setiap waktunya. Perpindahan antar state adalah aksi yang dipilih berdasarkan fungsi probabilitas dan fungsi reward. Terdapat empat komponen utama pada MDP, yaitu: state, aksi, fungsi probabilitas, dan fungsi reward. Metode MDP pada penelitian ini dipilih dengan tujuan membangun model perilaku pengendara motor pada kondisi lalu lintas yang heterogen. Fungsi reward digunakan sebagai parameter untuk mengevaluasi setiap aksi yang dipilih dengan tujuan memperoleh keputusan yang optimal. Pada penelitian ini dilakukan pemodelan perilaku pengendara motor menggunakan MDP dengan kontribusi utama yaitu fungsi reward menggunakan Medan Reward Dinamis Terdiskritisasi (MRDT) dengan dan tanpa fungsi pembobotan. Selain dari itu, terdapat beberapa kontribusi lain yang dilakukan seperti: pemodelan lintasan manuver yang diintegrasikan dengan fungsi transisi state, pendetilan fungsi probabilitasaksi,pengembanganmodelAreaofAwareness(AoA),sertamodelsektorisasi AoA yang berfungsi untuk menentukan kendaraan lain yang dijadikan sebagai pertimbangan dalam sistem pengambilan keputusan. Tahapan penelitian yang dilakukan untuk memodelkan perilaku pengendara motor meliputi: pengumpulan dan pengolahan data lapangan, pemodelan perilaku pengendaramotormenggunakanMDP,simulasimodelMDPyangsudahdibangun, analisis dan validasi model. Data penelitian yang digunakan pada penelitian ini adalah 100 data video manuver motor, yang terdiri dua skenario yang berbeda yaitu 50 video pada saat motor memanuver motor dan 50 video pada saat motor memanuver mobil. Berdasarkan hasil pengolahan data, diperoleh beberapa parameter yang digunakan dalam pemodelan perilaku motor menggunakan MDP, salah satunya adalah bentuk lintasan motor pada saat melakukan manuver. Pada proses pemodelan perilaku menggunakan MDP, dilakukan pende?nisian state dan aksi kendaraan, pengembangan AoA, penurunan fungsi probabilitas, dan pengembanganfungsireward menggunakanMRDT.Selanjutnya,simulasidilakukanuntuk menguji kinerja model MDP yang diusulkan dengan dibandingkan dengan data aktual menggunakan parameter pengukuran root mean square error (RMSE). HasilsimulasisecarakeseluruhanmenunjukkanbahwamodelMDPyangdiusulkan dapatdenganbaikmemodelkanperilakupengendaramotordilapangandengannilai RMSE sekitar 0,74 meter. Selain dibandingkan dengan data lapangan, dilakukan simulasi tambahan untuk membandingkan model MDP dengan model lain, yaitu modelcar-followingdanmodelreward padapenelitiansebelumnya. Hasilsimulasi menunjukkan nilai RMSE model MDP lebih baik dua kali lipat dibandingkan dengan model car-following. Sedangkan perbandingan kinerja model reward yang diusulkan dengan fungsi reward pada penelitian sebelumnya menunjukkan model reward yang diusulkan memiliki kinerja lebih baik sekitar 4 ? 6% dibandingkan dengan fungsi reward pada penelitian terdahulu. Secara umum, beberapa kontribusi yang dilakukan pada penelitian ini memberikan perbaikan dan pengembangan terhadap model perilaku pengendara motor pada penelitian sebelumnya. AoA yang diusulkan pada penelitian ini mengakomodasi faktorkendaraanpenghalangbelakangyangbelumpernahdimodelkansebelumnya. Selain dari itu, MRDT yang dikembangkan pada penelitian ini merupakan sebuah kebaruan gagasan terhadap model fungsi reward yang dimodelkan dinamis dengan konsep medan reward. Disamping itu, hasil penelitian ini memberikan peluang penelitianlanjutanuntukdiimplementasikanpadaperilakupengendararodaempat, sertapeluangpengembanganfungsiAoA,MRDT,probabilitasuntukmeningkatkan performa model lebih baik.