HARTANTO, Agus and Suryono, Suryono and Farikhin, Farikhin (2020) SISTEM INTELLIGENT TRAFFIC LIGHT BERBASIS ALGORITMA GENETIKA. Masters thesis, School of Postgraduate Studies.

	Text 1-Cover, Pengesahan, Pernyataan, Daftarisi, Abstrak.pdf Download (4MB)
	Text 2-BAB I.pdf Download (148kB)
	Text 3-BAB II.pdf Download (972kB)
	Text 4-BAB III.pdf Restricted to Repository staff only Download (1MB)
	Text 5-BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text 6-BAB V.pdf Download (130kB)
	Text 7-DAFTAR PUSTAKA.pdf Download (4MB)

Abstract

Saat ini kemacetan lalu-lintas merupakan masalah transportasi global yang menimbulkan banyak kerugian. Untuk mengatasi kemacetan dibutuhkan sistem monitoring, evaluasi dan alat pengendalian lalu-lintas yang baik. Akan tetapi sistem monitoring yang ada saat ini membutuhkan banyak perangkat yang harus terpasang di jalan, sehingga menimbulkan kesulitan dalam pemeliharaan dan perbaikan. Kebanyakan traffic light saat ini juga masih harus dikonfigurasikan secara manual berdasarkan pengamatan dan kurang adaptif terhadap kepadatan jalan. Hal ini menimbulkan pemakaian jalan raya menjadi tidak optimal dan dapat menimbulkan kemacetan. Penelitian ini menawarkan sebuah sistem monitoring dan evaluasi jalan raya berbasis Maps-API Service yang kemudian diolah menjadi sebuah sistem intelligent traffic light dengan menggunakan algoritma genetika. Sistem ini melibatkan teknologi cloud, fog dan edge computing yang diintegrasikan dengan RESTful web service dan MQTT. Metode deteksi kecepatan kendaraan dalam penelitian ini menunjukkan tingkat kestabilan yang sangat baik di segala situasi dengan akurasi antara 92 - 94,2 %. Modifikasi algoritma genetika pada sistem pembentukan populasi dan mutasi dipenelitian ini melaporkan peningkatan kecepatan eksekusi hingga 5,56 kali lipat bila dibandingkan dengan metode algoritma genetika secara umum. Prediksi pengaruh durasi hijau terhadap kecepatan rata-rata kendaraan dengan menghitung titik centroid memberikan ketepatan rata-rata 96.73%. Metode dalam penelitian ini melaporkan sistem secara keseluruhan dapat memberikan efektivitas pembagian beban kepadatan jalan secara merata pada ruas jalan hingga 95.11%. Dengan demikian sistem ini diharapkan dapat mengurangi tingkat kemacetan jalan raya dan sifatnya yang fleksibel menjadikan sistem ini mudah untuk diintegrasikan dan dikembangkan dimasa mendatang.
Kata kunci: Intelligent Traffic Light, Machine Learning, Algoritma Genetika, Cloud computing, Fog computing, Edge computing

Nowadays, traffic jam is a global transportation problem that causes many losses. To overcome congestion, good monitoring for evaluation and traffic control system is needed. Unfortunately, the current monitoring system requires a lot of equipment to be installed on the road that causes difficulties in maintenance and repairs. Most traffic lights today still have to be configured manually based on observations and less adaptive to road density. Not optimal used of the road can cause traffic congestion. This research offers a road monitoring and evaluation system based on Maps-API Service which is then processed into an intelligent traffic light system using a genetic algorithm. This system involves cloud, fog, and edge computing technology which is integrated with RESTful web service and MQTT. The vehicle speed detection method in this study shows a very good level of stability in all situations with an accuracy of between 92 - 94.2%. The modification of the genetic algorithm in the population formation system and mutation in this study reported an increase in the execution speed of up to 5.56 times when compared to the genetic algorithm method in general. Predicting the effect of green duration on the average speed of the vehicle by calculating the centroid point gives an average accuracy of 96.73%. The method in this study reports that the system as a whole can provide the effectiveness of distribution of road density loads evenly on roads up to 95.11%. This system is expected to reduce the level of road congestion and its flexible nature makes this system easy to integrate and develop in the future.
Keywords: Intelligent Traffic Light, Machine Learning, Genetic Algorithms,
Cloud computing, Fog computing, Edge computing

Actions (login required)

View Item