Perpustakaan Digital ITB

Jumlah kebutuhan transportasi mengalami peningkatan dalam beberapa dekade terakhir seiring meningkatnya aktivitas manusia. Salah satu dampak negatif yang sangat dirasakan yaitu meningkatnya kemacetan. Solusi jangka pendek yang memungkinkan untuk mengatasi masalah ini yaitu dengan menggunakan algoritma kontrol lalu lintas yang adaptif. Hal ini dikarenakan sistem algoritma kontrol lalu lintas di Indonesia sebagian besar masih menggunakan algoritma klasik dengan urutan fase lalu lintas yang sudah ditetapkan. Pada penelitian ini diperkenalkan pengontrol lalu lintas yang adaptif menggunakan algoritma Reinforcement Learning. Algoritma ini akan diterapkan pada perangkat lunak simulasi lalu lintas SUMO. Dalam perancangan algoritma kontrol digunakan algoritma Reinforcement Learning (RL) yang dinamakan Deep Q-Network (DQN). Action yang dilakukan oleh DQN berupa penentuan fase lalu lintas dengan reward yang divariasikan dari tekanan hingga pemberian beban adaptif pada tekanan dan panjang antrian. Algoritma kontrol DQN dengan beban adaptif memiliki performa yang paling baik diantara algoritma kontrol lainnya dengan jumlah kendaraan yang menyelesaikan perjalanan sebanyak 56.384 kendaraan yang lebih tinggi dibanding algoritma kontrol Webster (50.366), Max-Pressure (50.541) dan Uniform (46.241). Peningkatan jumlah kendaraan yang menyelesaikan perjalanan ini akan meningkatkan produktivitas suatu wilayah.