17
PENERAPAN ALGORITMA ANFIS DALAM PENGAMBILAN KEPUTUSAN PERPINDAHAN LAMPU LALU LINTAS PADA SISTEM TRANSPORTASI CERDAS
Elly Warni Ellywarni82@gmail.com
Dosen Teknik Informatika, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin
ABSTRAK
Jumlah kendaraan di Indonesia saat ini semakin bertambah. Tidak terkecuali di kota Makassar 2 juta lebih kendaraan yang keluar masuk membuat kota Makassar menjadi padat menimbulkan kemacetan dimana – mana terutama pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi. Untuk mengatasi masalah itu diperlukan sistem transportasi cerdas pada traffic light di simpang ini, metode ANFIS adalah salah satu metode yang dapat digunakan dimana hasil inefisiensi pada simpang A.P. Pettarani 0.00 %, Urip Sumoharjo 0.71 %, dan Tol. Reformasi 0.00 % Jika dibandingkan dengan hasil Timer pada simpang A.P. Pettarani 51.84 %, Urip Sumoharjo 43.82 %, dan Tol. Reformasi 44.83 %. Pencapaian untuk jumlah kendaraan yang belum dilewatkan pada simpang A.P. Pettarani 0.74 %, Urip Sumoharjo 1.41 %, dan Tol. Reformasi 0.99 % Jika dibandingkan dengan hasil Timer pada simpang A.P. Pettarani 4.78 %, Urip Sumoharjo 16.61 %, dan Tol. Reformasi 16.75 %. Dari hasil pencapaian metode ANFIS dengan membandingkan kinerja yang dihasilkan metode Logika Fuzzy untuk inefesiensi pada simpang A.P. Pettarani 7.35 %, Urip Sumoharjo 7.07 %, dan Tol. Reformasi 15.76 % dan kendaraan yang belum dilewatkan simpang A.P. Pettarani 5.15 %, Urip Sumoharjo 15.19 %, dan Tol. Reformasi 2.46 %. Dari dua parameter ukuran perbandingan di atas menunjukkan hasil metode ANFIS lebih baik untuk memperkecil antrian yang terjadi pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi agar tidak terjadi kemacetan yang padat bila dibandingkan Timer dan metode Logika Fuzzy.
Penerapan ANFIS untuk jalur A.P. Pettarani dapat menekan tingkat antrian lalu lintas 152 kendaraan, jalur Urip Sumoharjo 165 kendaraan dan jalur Tol Reformasi 123 kendaraan dalam hal ini mobil.
Kata kunci: Jumlah kendaraan, ANFIS, Kepadatan Lalu lintas, Waktu Nyala Lampu, Kemacetan, sistem cerdas.
PENDAHULUAN
Jumlah kendaraan di Indonesia saat ini kian bertambah. Di Sulawesi Selatan khususnya Kota Makassar sendiri pada November 2012, kendaraan yang beroperasi telah mencapai 2,4 juta unit dan 1,1 juta unit diantaranya adalah sepeda motor seperti yang dilansir oleh Kepolisian Daerah (POLDA Sulselbar). Kendaraan tersebut termasuk dari wilayah tetangga seperti Gowa dan Maros[1]. Dengan kondisi seperti itu maka permasalahan seperti kemacetan, kecelakaan, pelanggaran lalu lintas dan kecenderungan timbulnya kejahatan juga ikut meningkat. Penempatan traffic light pada titik-titik tertentu di persimpangan jalan dinilai dapat mengendalikan lalu lintas dan mengurangi permasalahan yang terjadi.
Salah satu cara untuk mengefisienkan kembali fungsi dari traffic light dan menyelesaikan permasalahan yang terjadi di lalu lintas adalah dengan memanfaatkan teknologi Intelligent Transport System (ITS). ITS adalah penerapan teknologi informasi dan komunikasi dalam infrastruktur transportasi dan kendaraan sebagai alternatif solusi untuk masalah kepadatan yang semakin tinggi di negara-negara maju seperti yang telah diterapkan di Jepang untuk mengatasi kasus yang sama[2].
Meskipun penggunaan metode logika fuzzy dalam sistem lampu lalu lintas sudah lebih baik dibandingkan metode statis, namun masih ada kelemahan pada implementasi Fuzzy Logic pada sistem lampu lalu lintas. Salah satu kelemahan itu adalah Fuzzy Logic tidak memiliki kemampuan belajar, sehingga parameter fuzzy untuk suatu lokasi belum tentu dapat diterapkan pada lokasi lain[3].
Pada masa sekarang ini banyak penelitian mengenai sistem neuro-fuzzy. Sistem ini merupakan pengembangan dari teori logika fuzzy yang sudah ada terlebih dahulu. Permasalahan dari sistem fuzzy adalah pada saat penentuan fungsi keanggotaan
(membership function), dimana aturan (rule) dibuat
18 Sistem Neuro-fuzzy yang sering digunakan,
yaitu berstruktur Adaptive Neuro Fuzzy Inference System (ANFIS). Sistem neuro-fuzzy berarsitektur ANFIS ini merupakan salah satu sistem dalam kelompok neuro-fuzzy yaitu sistem hybrid dalam soft computing. Sistem hybrid merupakan padupadan atau gabungan dari setidaknya dua metode soft computing dengan tujuan untuk memperoleh algoritma yang lebih sempurna. Sistem neuro-fuzzy berdasar pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem neural networks. Dengan demikian, sistem neuro-fuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem neural networks[3].
PERANCANGAN SISTEM
Adapun tahapan penelitian dapat dilihat pada diagram alir berikut:
Gambar 1. DiagramTahapan Penelitian
Metode ANFIS untuk system pengambilan keputusan nyala lampu lalu lintas ini akan dirancang dengan menggunakan software MATLAB versi R2012b.
Tahapan penelitian yang dilakukan yaitu:
Studi literatur metode ANFIS untuk sistem pengambilan keputusan nyala lampu. Untuk mengetahui lebih dalam mengenai konsep sistem yang akan dirancang maka perlu dilakukan studi literatur dari berbagai sumber.
Pengambilan data. Dilakukan sebagai langkah awal untuk memulai penelitian karena data
merupakan input penting dalam sistem yang akan dirancang. Untuk mengetahui lebih lanjut spesifikasi data dan lokasi akan dijelaskan di sub bab selanjutnya.
Perancangan sistem untuk pengambilan keputusan nyala lampu dengan menggunakan software MATLAB R2012b. perancangan sistem akan akan dijelaskan di sub bab selanjutnya. Uji coba sistem dan analisa. Dari sistem yang
dihasilkan di setiap tahapan perancangan akan di uji dan di analisa untuk mengetahui kelemahan sebagai acuan perbaikannya.
Pembuatan laporan. Setelah melewati semua tahapan, proses akhir adalah menuliskan laporan penelitian menyeluruh sebagai bahan publikasi maupun untuk acuan penelitian selanjutnya.
PENGAMBILAN DATA
Dimana lokasi pengambilan data adalah salah satu perempatan diruas jalan protokol Kota Makassar tepatnya dipersimpangan Jl. AP. Pettarani, Jl. Urip Sumiharjo dan Jl. Tol Reformasi Km. 4 dari pusat Kota Makassar. Lokasi ini dipilih karena dianggap bahwa capture gambar yang dihasilkan akan dapat meng-cover jalan dengan asumsi antrian mobil sepanjang minimal 5 buah.
Gambar 2. Gambar Persimpangan Pengambilan Data.
Dari gambar di atas O adalah jumlah antrian pada jalur AP.Pettarani atau fase 1, Q adalah jumlah antrian pada jalur Urip Sumoharjo atau fase 2, fase 3 adalah jumlah antrian pada jalur Tol. Reformasi dan E adalah Waktu Nyala lampu hijau pada jalur AP. Pettarani.
Nilai E yang akan digunakan hasil dari metode perhitungan yang akan menjadi nilai output pada data latih.
Mulai
Pengambilan data
Studi literatur metode ANFIS untuk sistem pengambilan keputusan nyala lampu
Perancangan sistem untuk pengambilan keputusan nyala lampu dengan metode ANFIS menggunakan
software MATLAB R2012b
Uji coba sistem dan analisa
Pembuatan laporan
19 Tabel 1. Data Antrian Kendaraan
Berdasarkan hasil perhitungan waktu hijau efektif untuk simpang AP. Pettarani, Urip Sumoharjo dan Tol Reformasi terhadap data latih diperoleh nilai „E’ sebagai berikut :
Tabel 2. Data Hasil Perhitungan
PERANCANGAN SISTEM ANFIS
Seperti terlihat pada gambar 3 (a) mengenai training pada ANFIS :
Data Latih dan perhitungan. Data yang digunakan pada sistem ini sebanyak 80 data yang terdiri dari 3 pasangan data latih jalur amati (O), jalur antri (Q) dan waktu nyala lampu (E). Fuzzifikasi Awal. Data latih akan di fuzzifikasi
dengan membentuk fungsi keanggotaan yaitu mengubah himpunan crisp masukan menjadi himpunan fuzzy.
Pembelajaran Hybrid. Parameter fungsi keanggotaan akan diperbaiki dengan menggunakan metode pembelajaran Hybrid dan membentuk parameter fungsi keanggotaan yang baru atau aturan yang baru.
Sedangkan pada gambar 3 (b) :
Data Uji. Data yang digunakan pada sistem ini sebanyak 20 data yang terdiri dari 2 pasangan data latih jalur amati (O) dan jalur antri (Q). Fuzzifikasi. Data uji akan di fuzzifikasi dengan
20 pengambilan keputusan.
Defuzzifikasi. Setelah itu setiap himpunan fuzzy akan dikembalikan menjadi bentuk himpunan crisp dengan menggunakan metode weighted average. Keluaran dari defuzzifikasi akan ditampilkan dalam bentuk waktu nyala lampu hijau di jalur yang amati (E).
Gambar 3. Flowchart Perancangan Sistem
Fuzzifikasi adalah tahap pemetaan pasangan nilai masukan dan keluaran kedalam bentuk himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Pada proses fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu pasangan nilai masukan dan keluaran serta fungsi keanggotaan (membership function) yang akan digunakan untuk menentukan nilai fuzzy dari data nilai crisp masukan dan keluaran.
Defuzzifikasi adalah pengkonversian setiap hasil dari inference sistem yang diekspresikan dalam bentuk fuzzy set ke satu bilangan real. Hasil konversi tersebut merupakan keluaran yang diambil oleh sistem fuzzy logic. Sistem ini menggunakan defuzzifikasi dengan metode weighted average.
HASIL
Hasil yang dicapai sistem untuk memperkecil antrian pada simpang A.P. Pettarani, Urip Sumoharjo dan Tol Reformasi dengan menggunakan metode ANFIS dalam menentukan durasi nyala lampu pada traffic light.
Hasil dan Analisa Sistem Metode ANFIS
Hasil yang dicapai metode ANFIS dan analisa sistem pada simpang A.P. Pettarani, Urip Sumoharjo dan Tol. Reformasi dengan perbandingan durasi waktu Timer pada simpang yang sama.
Tabel 3. Tabel Hasil Timer dan Anfis
Berikut ini menunjukkan hasil dari metode ANFIS dengan perbandingan antara durasi waktu Timer pada simpang A.P. Pettarani.
Dari hasil yang didapat pada Tabel 3 terlihat Metode Anfis dalam penentuan waktu lampu hijau lebih fleksibel tergantung dari jumlah antrian pada jalur.
Kendaraan yang dilewatkan berasal dari hasil bagi antara nyala lampu hijau dengan Wmk pada Timer dan metode ANFIS. Inefisiensi hasil metode berasal dari jumlah kendaraan yang dilewatkan Timer atau metode ANFIS dikurangkan dengan jumlah kendaraan pada jalur yang diamati apabila hasilnya minus (-) maka nilainya nol (0). Sedangkan kendaraan yang belum dilewatkan pada jalur diamati berasal dari jumlah kendaraan pada jalur yang diamati dikurangkan dengan jumlah kendaraan yang dilewatkan Timer atau metode ANFIS apabila hasilnya minus (-) maka nilainya nol (0). Seperti yang terlihat pada Tabel 4.
No
Jumlah Kendaraan Saat Pengamatan Jalur AP. Pettarani
Timer Waktu Nyala Lampu Hasil Metode Anfis
21 Tabel. 4. Kinerja Timer dan Anfis
Dari Tabel 4 diatas terlihat kinerja yang di hasilkan Metode Anfis lebih baik dari pada Timer dilihat dari nilai yang di hasilkan Metode Anfis lebih kecil dari pada nilai yang sihasilkan Timer. Begitu halnya pada jalur Urip Sumoharjo dan jalur Tol. Revormasi pada saat menerapkan hal yang sama seperti pada jalur AP. Pettarani.
Untuk membandingkan kinerja Metode Anfis dan Metode Fuzzy dari penelitian yang lalu di peroleh grafik sebagai berikut.
Dari hasil grafik diperoleh kinerja dari metode sebagai berikut :
Simpang Timer Fuzzy Anfis
A.P. Pettarani 51.84 % 7.35 % 0.00 %
Urip Sumoharjo 43.82 % 7.07 % 0.71 %
Tol. Revormasi 44.83 % 15.76 % 0.00 %
Tabel 5. Inefisiensi Hasil Metode
Grafik 1. Inefiensi Hasil Metode
Simpang Timer Fuzzy Anfis
A.P. Pettarani 4.78 % 5.15 % 0.74 %
Urip Sumoharjo 16.61 % 15.19 % 1.41 %
Tol. Revormasi 16.75 % 2.46 % 0.99 %
Tabel 6. Kendaraan yang belum dilewatkan
Grafik 2. Kendaraan yang belum dilewatkan
KESIMPULAN
Pada penelitian ini yang mengutamakan menghasilkan waktu nyala lampu pada traffic light pada simpang A.P. Pettarani, Urip Sumoharjo, dan Tol. Reformasi dengan menggunakan metode ANFIS sebagai sistem transportasi cerdas yang akan dibandingkan dengan sistem yang sudah ada maka dapat disimpulkan sebagai berikut :
1. Berdasarkan hasil penelitian yang dilakukan tingkat keberhasilan yang dicapai untuk inefisiensi metode ANFIS pada simpang A.P. Pettarani 0.00 %, Urip Sumoharjo 0.71 %, dan Tol. Reformasi 0.00 % Jika dibandingkan dengan hasil Timer pada simpang A.P. Pettarani 51.84 %, Urip Sumoharjo 43.82 %, dan Tol. Reformasi 44.83 %. Pencapaian untuk jumlah kendaraan yang belum dilewatkan pada simpang A.P. Pettarani 0.74 %, Urip Sumoharjo 1.41 %, dan Tol. Reformasi 0.99 % Jika dibandingkan dengan hasil Timer pada simpang A.P. Pettarani 4.78 %, Urip Sumoharjo 16.61 %, dan Tol. Reformasi 16.75 %.
2. Dari hasil pencapaian metode ANFIS dengan membandingkan kinerja yang dihasilkan metode Logika Fuzzy untuk inefesiensi pada simpang A.P. Pettarani 7.35 %, Urip Sumoharjo 7.07 %, dan Tol. Reformasi 15.76 % dan kendaraan yang belum dilewatkan simpang A.P. Pettarani 5.15 %, Urip Sumoharjo 15.19 %, dan Tol. Reformasi 2.46 %.
22 padat bila dibandingkan Timer dan metode
logika fuzzy.
SARAN
1. Diperlukan pengembangan yang lebih dengan membangun sistem pembelajaran yang berkelanjutan untuk memantapkan hasil yang dicapai.
2. Perlunya perhatian pemerintah kepada pengembangan sistem transportasi cerdas sebagai langkah pertama untuk menuju Makassar sebagai kota dunia.
DAFTAR PUSTAKA
[1] HarianKompas,http://regional.kompas.com/rea d/2012/11/25/11121680/Makassar.Kian.Macet. Kendaraan.Capai.2.4.Juta; Diakses pada tanggal 25 November 2013.
[2] Seminar Kementrian Perhubungan Republik Indonesia; Jakarta, 28 Juni 2012
http://www.dephub.go.id/read/berita/direktorat -jenderal-perhubungan-darat/joint-seminar- intelligent-transport-system-its-indonesia-
jepang-diselenggarakan-di-jakarta-13547/13547; di akses pada tanggal 7 Desember 2013.
[3] Buana Suhurdin Putra, Romi Satria Wahono, Rufman Iman Akbar E. Simulasi Penerapan ANFIS Pada Sistem Lampu Lalu Lintas Enam Ruas. Jurnal Kursor Volume 6, No. 2, Juli 2011. ISSN 0216-0544.
[4]
http://mogajayatrans.com/pengertian-transportasi.html; Diakses pada Tanggal 3 Desember 2013.
[5] Departemen Pemukiman Dan Prasarana
Wilayah, “Penanganan Praktis Kemacetan Lalu
Lintas di Jalan Perkotaan”, PEDOMAN
Konstruksi dan Bangunan.
http://www.pu.go.id/satminkal/balitbang/sni/isi sni/Pd%20T-08-2004-B.pdf; Diakses pada tanggal 30 September 2013.
[6] http://birokrasi.kompasiana.com/2013/09/30/m engenal-aplikasi-sistem-transportasi-cerdas-bagian-pertama-dari-dua-tulisan-594353.html; Diakses pada tanggal 1 Oktober 2013.
[7] http://hubdat.dephub.go.id/uu/288-uu-nomor-22-tahun-2009-tentang
-lalu-lintas-dan-angkutan-jalan.html; diakses pada tanggal 1 Oktober 2013
[8] Pedoman Teknis Pengaturan Lalu Lintas Dipersimpangan Berdiri Sendiri Dengan Alat Pemberi Isyarat Lalu Lintas; http://bstp.hubdat.web.id/data/arsip/apil.pdf, di akses pada tanggal 24 September 2013
[9] Tugas Akhir Kinerja Dan Rancangan Simpang Bersinyal;
http://eprints.undip.ac.id/34476/6/2193_CHAP TER_II.pdf
[10]Husnul K. M. dan Mirna A., 2012, Prediksi Curah Hujan Di Kota Makassar Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS), Universitas Hasanuddin, Makassar.
[11]Wawan Moch. K., 2009, Aplikasi Neuro Fuzzy untuk Deret Waktu : Studi Kasus : Magnitudo Maksismum Gempa Bumi Pulau Jawa, Universitas Pendidikan Indonesia.
[12]Pingkan W dan Trimurti F.R., 2011, Pemanfaatan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Identifikasi Penebangan Liar, Universitas Hasanuddin, Makassar. [13]Matlab Help, Fuzzy Logic Toolbox, Mathworks
Inc.
[14]Kristin G. dan Inryani C., 2013, Sistem Pengambilan keputusan Waktu Perpindahan Lampu Lalulintas Menggunakan Metode Logika Fazzy Dalam Sistem Transportasi Cerdas, Universitas Hasanuddin. Makassar. [15]Sumadi, 2006, Kemacetan Lalulintas Pada
Ruas Jalan Vetran Kota Brebes, Universitas Diponegoro, Semarang.
[16]Roger S. Pressman, Ph.D., 2012, Rekayasa Perangkat Lunak-Buku 2, Pendekatan Praktisi (Edisi 7), Yogyakarta: ANDI.
[17]Departemen Pekerjaan Umum Direktorat Jenderal Bina Marga. (1997), Manual Kapasitas Jalan Indonesia(MKJI). Dirjen Bina Marga; Jakarta.
