Article Sidebar
Main Article Content
Abstract
Transportasi perkotaan, salah satu infrastruktur penting kota, yang memainkan peran penting dalam fungsi normal kota, telah menjadi fokus perhatian dan diskusi di seluruh masyarakat. Volume kendaraan yang semakin meningkat menyebabkan adanya kemacetan terutama pada persimpangan empat. Tidak adanya koordinasi antar lampu lalu lintas juga menjadi salah satu faktor kemacetan belum dapat diatasi hingga saat ini. Untuk mengatasi masalah tersebut yaitu dengan menerapkan lampu lalu lintas cerdas agar dapat meminimalisir kepadatan atau kemacetan pada jalan raya. Lampu lalu lintas yaitu sistem yang menerapkan waktu dinamis sesuai dengan volume kendaraan, apabila jalur dengan tingkat kepadatan tinggi maka secara otomatis delay lampu hijau akan semakin lama, sedangkan apabila volume kendaraan lenggang maka delay lampu hijau akan semakin cepat. Delay lampu hijau akan menyesuaikan dengan tingkat kepadatan lalu lintas. Dengan menggunakan Image Processing sebagai proses mengolah gambar kendaraan sehingga menghasilkan jumlah kendaraan, yang nantinya jumlah kendaraan tersebut akan diolah kembali menggunakan metode Neural Network. Lampu lalu lintas pada setiap jalur akan saling terkoordinasi agar tidak terjadi penumpukan pada salah satu titik yang padat. Output yang dihasilkan yaitu berupa waktu delay lampu hijau sesuai dengan volume kendaraan. Diharapkan dari penelitian ini yaitu terciptanya lampu lalu lintas cerdas menggunakan metode Neural Network. Sehingga nantinya dapat diterapkan juga sebagai salah satu alternatif untuk meminimalisir kemacetan. Dari hasil penerapan Neural Network pada percobaan koordinasi persimpangan didapatkan hasil dari 6 kali uji coba, yaitu pada persimpangan pertama mendapatkan error rata-rata atau MSE (Mean Squared Error) sebesar 1.0063, pada persimpangan kedua mendapatkan error rata-rata sebesar 0.9063, dan pada persimpangan ketiga mendapatkan error rata-rata sebesar 0.9970.
Article Details
Copyright (c) 2024 Ginda Pingky Ramadhani Pingky, Mat Syai’in, Zindhu Maulana Ahmad Putra, Ahmad Putra, Ii Munadhif, Imam Sutrisno
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
- N. Nurmila and A. Sugiharto, “ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA,” 2018.
- M. Hermawan, I. Tritoasmoro, and N. Ibrahim, “PENGATURAN LAMPU LALU LINTAS BERDASARKAN KEPADATAN KENDARAAN MENGGUNAKAN METODE YOLO TRAFFIC LIGHT CONTROL BASED ON VEHICLE DENSITY USING THE YOLO METHOD,” 2021.
- J. Subur, P. Studi Teknik Elektro, and F. Teknik dan Ilmu Kelautan, “Rancang Bangun Prototype Smart Traffic Light Menggunakan Metode Background Subtraction dan Find Contour,” JEECOM, vol. 3, no. 2, 2021.
- T. Pangemanan, A. Rondonuwu Jurusan Teknik Elektro, P. K. Negeri Manado A T A K U N C I A B S T R A K Lalulintas, and C. Digital, “Perancangan Sistem Kontrol Lampu Lalulintas Cerdas Dengan Menggunakan Mikrokontroler dan Kamera,” 2019. [Online]. Available: http://ejournal.unsrat.ac.id/index.php/jmuo
- S. Hadi and A. Nugroho, “Analisa dan Penerapan Metode Neural Networks Dalam Mengidentifikasi Faktor-Faktor Masa Tunggu Kerja Lulusan,” Pengembangan Rekayasa dan Teknologi, vol. 16, no. 1, pp. 17–22, 2020, [Online]. Available: http://journals.usm.ac.id/index.php/jprt/index
- M. Hadi, D. Silalahi, and P. Wibawa, “Pengaturan Lampu Lalu Lintas Berdasarkan Deteksi Volume Kendaraan Menggunakan Metode Yolov3 Traffic Light Setting Based On Vehicle Volume Detection Using The Yolov3 Method,” 2022.
- M. S. Khatami, R. A. Rajagede, and R. Rahmadi, “Sebuah Tinjauan Pustaka dari Studi-Studi Terkini Tentang Sistem Manajemen Lampu Lalu Lintas Adaptif,” 2020.
- F. Akhmad Hizham, Y. Nurdiansyah, and D. Media Firmansyah, “Hizham et al., Implementasi Metode Backpropagation Neural Network (BNN) Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa (Studi Kasus: Program Studi Sistem Informasi Universitas Jember) (Implementation of Backpropagation Neural Network (BNN) Method in Classification System of Timeliness of Graduation Students (Case Study: Information System Study Program of Jember University)),” 2018.
- D. Dwi, R. Tampubolon, I. S. Damanik, and H. Okprana, “Penerapan Jaringan Saraf Tiruan Backprogation Dalam Memprediksi Jumlah Pasien Rumah Sakit,” 2021. [Online]. Available: https://djournals.com/jieeeJIEEE,
- F. R. Hashim et al., “SOLAR LOCATION ESTIMATION USING LOGSIG BASED ACTIVATION FUNCTION USING ARTIFICIAL NEURAL NETWORK APPROACH,” Journal of Defence Science, Engineering & Technology, vol. 4, no. 1, Jun. 2021, doi: 10.58247/jdset-2021-0401-01.
- H. Sanjaya, H. Okprana, and B. E. Damanik, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Implementasi Jaringan Saraf Tiruan Dalam Prediksi Penjualan Kue pada UD. Mak Kembar Pematang Siantar Dengan Backpropagation,” Media Online, vol. 2, no. 5, pp. 225–233, 2022, [Online]. Available: https://djournals.com/resolusi
References
N. Nurmila and A. Sugiharto, “ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA,” 2018.
M. Hermawan, I. Tritoasmoro, and N. Ibrahim, “PENGATURAN LAMPU LALU LINTAS BERDASARKAN KEPADATAN KENDARAAN MENGGUNAKAN METODE YOLO TRAFFIC LIGHT CONTROL BASED ON VEHICLE DENSITY USING THE YOLO METHOD,” 2021.
J. Subur, P. Studi Teknik Elektro, and F. Teknik dan Ilmu Kelautan, “Rancang Bangun Prototype Smart Traffic Light Menggunakan Metode Background Subtraction dan Find Contour,” JEECOM, vol. 3, no. 2, 2021.
T. Pangemanan, A. Rondonuwu Jurusan Teknik Elektro, P. K. Negeri Manado A T A K U N C I A B S T R A K Lalulintas, and C. Digital, “Perancangan Sistem Kontrol Lampu Lalulintas Cerdas Dengan Menggunakan Mikrokontroler dan Kamera,” 2019. [Online]. Available: http://ejournal.unsrat.ac.id/index.php/jmuo
S. Hadi and A. Nugroho, “Analisa dan Penerapan Metode Neural Networks Dalam Mengidentifikasi Faktor-Faktor Masa Tunggu Kerja Lulusan,” Pengembangan Rekayasa dan Teknologi, vol. 16, no. 1, pp. 17–22, 2020, [Online]. Available: http://journals.usm.ac.id/index.php/jprt/index
M. Hadi, D. Silalahi, and P. Wibawa, “Pengaturan Lampu Lalu Lintas Berdasarkan Deteksi Volume Kendaraan Menggunakan Metode Yolov3 Traffic Light Setting Based On Vehicle Volume Detection Using The Yolov3 Method,” 2022.
M. S. Khatami, R. A. Rajagede, and R. Rahmadi, “Sebuah Tinjauan Pustaka dari Studi-Studi Terkini Tentang Sistem Manajemen Lampu Lalu Lintas Adaptif,” 2020.
F. Akhmad Hizham, Y. Nurdiansyah, and D. Media Firmansyah, “Hizham et al., Implementasi Metode Backpropagation Neural Network (BNN) Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa (Studi Kasus: Program Studi Sistem Informasi Universitas Jember) (Implementation of Backpropagation Neural Network (BNN) Method in Classification System of Timeliness of Graduation Students (Case Study: Information System Study Program of Jember University)),” 2018.
D. Dwi, R. Tampubolon, I. S. Damanik, and H. Okprana, “Penerapan Jaringan Saraf Tiruan Backprogation Dalam Memprediksi Jumlah Pasien Rumah Sakit,” 2021. [Online]. Available: https://djournals.com/jieeeJIEEE,
F. R. Hashim et al., “SOLAR LOCATION ESTIMATION USING LOGSIG BASED ACTIVATION FUNCTION USING ARTIFICIAL NEURAL NETWORK APPROACH,” Journal of Defence Science, Engineering & Technology, vol. 4, no. 1, Jun. 2021, doi: 10.58247/jdset-2021-0401-01.
H. Sanjaya, H. Okprana, and B. E. Damanik, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Implementasi Jaringan Saraf Tiruan Dalam Prediksi Penjualan Kue pada UD. Mak Kembar Pematang Siantar Dengan Backpropagation,” Media Online, vol. 2, no. 5, pp. 225–233, 2022, [Online]. Available: https://djournals.com/resolusi