Perpustakaan Digital ITB

Hingga tahun 2018 jumlah penduduk di kota Bandung mencapai 2.503.708 jiwa dengan kepadatan penduduk mencapai 14.964 jiwa/km2. Kemudian terdapat 1.738.672 kendaraan bermotor, sehingga perbandingan antara jumlah kendaraan bermotor dengan jumlah penduduk sekitar 69,44%. Ruas jalan yang tersedia untuk kendaraan bermotor sepanjang 1.254,86 km. Sehingga apabila diasumsikan rata-rata jumlah ruas jalan terdapat 2 (dua) lajur, panjang kendaraan bermotor 4 (empat) meter, dan pengguna kendaraan bermotor tertib berkendara, maka kondisi jalan di kota Bandung hanya dapat menampung sebanyak 627.430 kendaraan saja. Dapat dikatakan telah terjadi kelebihan jumlah kendaraan bermotor hingga 277,11% dibandingkan dengan ketersediaan panjang jalan di kota Bandung per tahun 2018. Didorong oleh keinginan agar sistem lalu lintas dapat dioptimalkan secara dinamis sesuai dengan lokasi dan waktu yang spesifik, para peneliti secara aktif melakukan berbagai penelitian pada topik pemodelan dan simulasi lalu lintas. Agar model simulasi lalu lintas dapat berjalan on-line sesuai dengan kondisi lalu lintas yang sebenarnya, dibutuhkan informasi data aktual perihal kondisi lalu lintas secara real-time. Sebagian besar penelitian lain mendapatkan data tersebut dari berbagai sumber sensor yang telah tersedia dan atau disediakan oleh pemerintah seperti misalnya loop detector, radar, kamera, GPS, crowdsourcing, media sosial, dan lain sebagainya. Tidak selamanya data tersebut tersedia secara lengkap, seperti misalnya di kota Bandung. Beberapa penelitian lain perihal simulasi lalu lintas dilakukan pada jalan bebas hambatan dan bersifat homogen. Sedangkan di kota Bandung tidak ada jalan bebas hambatan dan karakteristik lalu lintasnya bersifat heterogen. Maka fokus penelitian ini adalah mendapatkan data lalu lintas dari sumber data yang tersedia secara umum, kemudian memodelkannya menjadi informasi kepadatan lalu lintas. Bagaimana cara mendapatkan informasi kondisi kepadatan lalu lintas terkini di suatu daerah dari tiga public sources yaitu; (1) media sosial (twitter), (2) cctv public (melsa) dan (3) tapping data (google traffic). Metode ekstraksi data dari media sosial twitter dilakukan dengan metode sintaksis dan semantik. Metode ekstraksi data dari cctv dilakukan perbandingan antara penggunaan metode HOG dan YOLO3. Metode ekstraksi data dari google traffic mendeteksi nilai RGB dari gambar yang di-capture. Metode ekstraksi informasi kepadatan lalu lintas dari media sosial (twitter), berdasarkan pengambilan data dari para pengguna aplikasi twitter, dapat dilakukan dengan menggunakan metode sintaksis dan semantik, menghasilkan akurasi sebesar 80,85%. Metode ekstraksi informasi kepadatan lalu lintas dari cctv public (melsa), berdasarkan pengambilan data dari cctv milik melsa, metode YOLO3 lebih baik daripada metode HOG. Pada siang hari YOLO3 dapat menghasilkan akurasi sebesar 79,07% untuk mobil dan sebesar 77,32% untuk motor. Pada malam hari YOLO3 dapat menghasilkan akurasi sebesar 72,35% untuk mobil dan sebesar 68,80% untuk motor. Metode HOG tidak dapat mendeteksi kendaraan pada malam hari. Metode ekstraksi informasi kepadatan lalu lintas dari tapping data (google traffic), berdasarkan pengambilan data dari google traffic, dapat dilakukan dengan menggunakan metode deteksi warna RGB, menghasilkan akurasi sebesar 100%. Pemodelan data fusion informasi kepadatan lalu lintas, telah berhasil dilakukan.