Analisis Dan Implementasi Sistem Fuzzy dan Evolutionary Programming dada Pengaturan Lampu Lalu Lintas Cerdas

(1)

Analisis Dan Implementasi Sistem Fuzzy dan Evolutionary Programming dada

Pengaturan Lampu Lalu Lintas Cerdas

Mahmud Dwi Sulistiyo

Fakultas Informatika Institut Teknologi Telkom, Bandung mahmuddwis@gmail.com

Abstrak

Kondisi kepadatan di persimpangan jalan senantiasa berubah di setiap saat. Untuk membuat pengaturan lampu lalu lintas yang adil dan mengurangi risiko terjadinya kemacetan, petugas polisi terkadang harus turun di jalan. Dalam menjalankan tugasnya, petugas polisi akan menggunakan intuisinya untuk mengukur kepadatan setiap ruas jalan dan memberikan keputusan berapa lama suatu ruas boleh berjalan. Namun, tak setiap saat dan tak selamanya polisi dapat mengatasinya. Oleh karena itu, dibutuhkan suatu sistem pengatur lampu lalu lintas yang mampu menyesuaikan kondisi panjang antrian setiap ruas jalan dengan mengadopsi kecerdasan dan intuisi petugas polisi.

Solusi untuk permasalahan tersebut ialah dengan menerapkan sistem berbasis logika fuzzy yang mempunyai karakteristik mampu mengadopsi intuisi manusia dan lebih ‘manusiawi’ dalam memberikan keputusan. Untuk membangun Sistem Fuzzy yang handal, dibutuhkan a priori information sebagai basis pengetahuannya. Namun, apabila kita belum memilikinya, dibutuhkan algoritma optimasi untuk menemukan rancangan Sistem Fuzzy yang optimal. Evolutionary Programming merupakan salah satu algoritma optimasi yang dimaksud. Jadi, Sistem Fuzzy yang didukung oleh Evolutionary Programming akan menghasilkan sistem pengatur lampu lalu lintas yang adaptif dengan mengadopsi kecerdasan dan intuisi petugas polisi.

Dari observasi dan pengujian yang dilakukan, sistem mampu mencapai tingkat kemiripan sebesar 94,67% terhadap kecerdasan dan intuisi petugas polisi dan mampu secara efisien dalam meminimalisasi panjang antrian yang tersisa setelah lalu lintas dijalankan.

Kata kunci: persimpangan, traffic light, polisi, intuisi, Sistem Fuzzy, Evolutionary Programming.

Abstract

Density conditions at the crossroads always change in every moment. To set up fair traffic lights and reduce the risk of traffic jams, police officers sometimes have to come down on the road. In conducting their duties, police officers will use their intuition to measure the density of each segment of the road and give a decision how long a segment should run. However, the police surely can't handle it every time. Therefore, it requires a regulatory system of traffic lights that can adaptively adjust the density conditions by adopting police officer’s intelligence and intuition.

The proposed solution is by applying the fuzzy logic-based system that can adopt the characteristics of human intuition in giving the decision. Building a reliable Fuzzy System needs a priori information as a knowledge base. But, if we don’t have it, we need an optimization algorithm to find the design of optimal Fuzzy Systems. Evolutionary Programming is one of them we need. So, a Fuzzy System supported by Evolutionary Programming will generate an adaptive regulatory system of traffic lights by adopting police officer’s intelligence and intuition.

From observation and testing, the best result is 94.67%, showing the similarity level between system and police officer's intelligence and intuition. It can efficiently minimize the vehicle queue left in the crossroad. Keywords: crossroads, traffic light, police, intuition, Fuzzy System, Evolutionary Programming.

1. Pendahuluan

Persimpangan jalan merupakan suatu tempat di mana kondisi kepadatan lalu lintasnya senantiasa berubah secara dinamis. Namun, pengaturan lampu lalu lintas yang umumnya dijumpai pada persimpangan jalan selama ini masih menggunakan sistem Fixed Time. Itu artinya, lampu lalu lintas

tidak mampu secara otomatis menyesuaikan kondisi nyata di persimpangan jalan yang kondisi panjang antriannya senantiasa berubah setiap saat. Hal itulah yang sering membuat pengaturannya menjadi kurang efisien.

Namun, apabila ada polisi lalu lintas yang bertugas di persimpangan jalan tersebut, maka ia akan mengambil alih peran lampu lalu lintas.

(2)

Dengan kecerdasan dan intuisinya, polisi akan mengakuisisi tugas lampu lalu lintas dengan menyesuaikan kondisi antrian di persimpangan jalan, sehingga timbul keadilan dari sisi pengguna jalan. Akan tetapi, polisi pun memiliki berbagai keterbatasan yang membuatnya tak mungkin stand

by 24 jam di persimpangan jalan dan tak mungkin

pula ia bekerja dalam kondisi fit setiap saat. Maka, alangkah baiknya jika terdapat sebuah sistem pengatur lampu lalu lintas yang dapat mengadopsi kecerdasan dan intuisi polisi lalu lintas dalam pengaturan lampu lalu lintas di persimpangan jalan. Sistem tersebut diharapkan mampu menyesuaikan kondisi antrian setiap ruas jalan yang senantiasa berubah.

Salah satu bahasan Artificial Intelligence (AI) yang dapat digunakan untuk mendekati permasalahan yang berhubungan dengan intuisi manusia dalam memecahkan masalah adalah Sistem Fuzzy. Adapun performansi Sistem Fuzzy tersebut ditentukan oleh komponen-komponen penyusunnya, seperti jumlah nilai linguistik, bentuk fungsi keanggotaan, batas kaki, dan sebagainya. Untuk memperoleh rancangan yang bagus, biasanya digunakan a priori information, yakni informasi atau pengetahuan terpercaya dari pakarnya. Namun, jika kita tidak memilikinya, tetapi tetap ingin mendapatkan rancangan Sistem

Fuzzy yang optimal, maka kita dapat menggunakan

bahasan AI lainnya yang mampu menemukan rancangan Sistem Fuzzy yang optimal, yaitu

Evolutionary Programming (EP).

Dengan demikian, kombinasi antara EP dan Fuzzy dapat digunakan untuk membangun sebuah sistem pengatur lampu lalu lintas yang adaptif terhadap kondisi antrian di persimpangan jalan [3] [5]. EP dibangun untuk membuat Sistem Fuzzy belajar dan berevolusi sehingga dihasilkan rancangan yang optimal untuk diterapkan pada pengaturan lampu lalu lintas. Selanjutnya, Sistem

Fuzzy tersebut akan diterapkan dan dianalisis

melalui proses pengujian dan simulasi [6].

Dari simulasi yang dilakukan, ukuran performansi sistem Fuzzy tersebut dapa dievaluasi berdasarkan kondisi panjang antrian yang tersisa setiap kali lampu hijau berganti dengan lampu merah. Hal ini dikarenakan panjangnya antrian kendaraan dianggap sebagai suatu kerugian, sehingga sistem harus mampu mengupayakannya agar seminimal mungkin terjadi.

2. Pengaturan Lampu Lalu Lintas

Pengendalian lampu lalu lintas pada persimpangan jalan ditentukan oleh Traffic Light

Controller. Terdapat 3 jenis Traffic Light Controller yang biasa digunakan selama ini, yaitu Fixed Time, Vehicle Actuated, dan Area Traffic Control System (ATCS) [1].

Traffic Light Controller menggunakan metode Fixed Time ialah model pengendalian lampu lalu

lintas yang durasi dan urutan nyala lampunya sudah ditetapkan sebelumnya. Penentuan durasinya juga tergantung pada jam-jam sibuk, misalnya jam pagi, siang, dan sore [1].

Traffic Light Controller yang menggunakan

metode Vehicle Actuated, durasi dan urutan nyala lampunya tergantung kondisi lalu lintas pada saat itu yang dideteksi oleh sebuah detektor kendaraan. Jadi, pada metode ini dibutuhkan semacam sensor kendaraan [1].

Sedangkan pada Traffic Light Controller dengan metode ATCS, pengendalian lampu lalu lintas dilakukan secara terpusat di suatu tempat. Jadi, diperlukan saluran komunikas antara controller di lapangan dengan komputer di pusat pengatur [1].

3. Sistem Fuzzy

Sistem Fuzzy adalah inti dari Soft Computing dan merupakkan sebuah metode komputasi yang dapat membangun sebuah sistem pengambilan keputusan yang bersifat intuitif layaknya manusia. Sistem ini mampu menangani masalah-masalah yang berkaitan dengan ambiguitas dan kebenaran parsial pada data [7][10].

Secara umum, proses yang terjadi pada Sistem

Fuzzy terdiri atas 3 tahap, yaitu fuzzification, rule evaluation, dan defuzzification. Fuzzification

adalah suatu fase di mana terjadi pengubahan masukan-masukan yang nilai kebenarannya bersifat tegas (crisp input) ke dalam bentuk fuzzy input berupa nilai linguistik, yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu. Rule evaluation merupakan suatu fase di mana dilakukan penalaran menggunakan fuzzy

rules yang telah ditentukan berdasarkan fuzzy input

yang ada, sehingga diperoleh fuzzy output.

Sedangkan fase defuzzification adalah suatu fase yang mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Berikut adalah diagram blok yang menunjukkan fase-fase pada sistem yang berbasiskan aturan fuzzy [9][2].

(3)

Fuzzification Rule Evaluation Defuzzification Fuzzy input Fuzzy output Crisp output Crisp input Input µ Output µ Fuzzy rules

Gambar 1: Diagram Blok Sistem Fuzzy

Beberapa hal yang harus dipahami di sini ialah konsep mengenai variabel linguistik dan fungsi keanggotaan. Variabel linguistik merupakan suatu interval numerik dan mempunyai nilai-nilai linguistik [7]. Nilai-nilai linguistik menunjukkan kelas-kelas dalam sebuah variabel linguistik dan semantiknya didefinisikan oleh fungsi-fungsi keanggotaan atau membership function.

4. Evolutionary Programming

Evolutionary Programming (EP) berada di

bawah naungan Evolutionary Computation dan merupakan salah satu dari algoritma-algoritma optimasi yang berbasis evolusi atau Evolutionary

Algorithms (EAs). EP pertama kali ditujukan untuk

menghasilkan suatu bentuk kecerdasan (intelligence), yaitu sebuah tingkah laku yang adaptif (adaptive behavior) [8].

Proses evolusi yang terjadi pada EP menggambarkan setiap individu yang tersebar di dalam ruang solusi akan bergerak menuju solusi yang paling optimum. Pergerakan acak setiap individu yang dilakukan melalui proses mutasi tersebut dikontrol menggunakan parameter-parameter tertentu. Individu-individu terbaik yang pergerakannya mendekati solusi optimum akan bertahan hidup di generasi berikutnya. Sebaliknya, individu-individu yang bergerak menjauh dari solusi optimum akan tersingkirkan dari populasi dan tidak dapat hidup di generasi berikutnya. Ciri khusus dari EP ini ialah proses mutasinya yang menggunakan mutation step sizes, yaitu bilangan-bilangan yang menunjukkan area atau batas pergerakan setiap individu saat mengalami mutasi. Adapun komponen-komponen penyusun EP, yaitu: inisialisasi populasi, dekode kromosom, evaluasi individu, mutasi, dan seleksi survivor.

Setiap calon solusi pada EP direpresentasikan dalam sebuah kromosom dengan struktur sebagai berikut.

x adalah variable objek, adalah mutation

step sizes, dan n menyatakan banyaknya variabel

pada fungsi yang akan dioptimasi.

Adapun proses mutasi yang dilakukan oleh EP ialah dengan memperbarui nilai setiap gen pada kromosom EP di atas untuk setiap iterasi dengan rumus sebagai berikut [8].

Alfa ( ) adalah suatu konstanta yang biasanya

diset sekitar 0.2. Sedangkan adalah bilangan random yang dibangkitkan secara distribusi normal dengan rata-rata sama dengan 0 dan simpangan baku sebesar 1 [8].

5. Perancangan Data

Persimpangan yang menjadi objek penelitian di sini ialah persimpangan jalan Merdeka-Martadinata-Juanda, Bandung, di mana terdapat tiga traffic light dengan 1 ruas untuk jalur satu arah. Persimpangan tersebut dipilih karena kondisi lalu lintasnya selalu dipantau dan diatur oleh polisi lalu lintas. Kondisi antrian pada persimpangan tersebut juga dinamis, sehingga cukup mewakili berbagai kemungkinan kondisi lalu lintas yang terjadi.

Observer1 Observer2 Polantas 200 meter 200 meter 1 2 3

Gambar 2: Denah Persimpangan Jalan Merdeka-Martadinata-Juanda

Kepadatan untuk tiap ruas diperoleh dengan cara memberikan batasan maksimum untuk panjang antrian. Batasan tersebut ditentukan berdasarkan informasi rata-rata jarak pandang maksimum yang diberikan oleh petugas polisi. Pada setiap kali dilakukan pencatatan, observer akan mencatat panjang antrian berdasarkan nilai-nilai yang ditunjukkan pada sensor kendaraan.

Sedangkan untuk memperoleh data durasi, pencatatan hanya dilakukan pada ruas yang sedang berjalan. Sesaat sebelum ruas tertentu berjalan atau saat ada pergantian lampu hijau menjadi lampu merah, observer yang sedang mengamati ruas

(4)

tersebut mulai menyalakan penghitung waktu (stopwatch) dan ia akan mengakhirinya ketika petugas polisi telah memberhentikan ruas jalan tersebut.

Hasilnya, data mentah yang diperoleh dari pencatatan di lapangan antara lain panjang antrian ruas jalan 1, 2, dan 3, serta waktu untuk suatu ruas diperbolehkan berjalan. Data tersebut kemudian diolah menjadi panjang antrian ruas yang akan berjalan, rata-rata panjang antrian ruas jalan lainnya, dan durasi untuk suatu ruas diperbolehkan berjalan. Setiap data tersebut akan dinormalisasi ke dalam suatu rentang bilangan real dari 0 sampai 1 dengan rumus sebagai berikut.

Gambar 3: Proses Pengolahan Data

Inputan sistem terdiri dari panjang antrian ruas yang akan berjalan dan rata-rata panjang antrian ruas lain yang sedang menunggu. Sedangkan target untuk sistem ini ialah durasi lampu hijau hasil normalisasi yang nantinya akan dibandingkan dengan output sistem sehingga dapat diukur performansinya.

6. Perancangan Sistem

Alur perancangan sistem yang dilakukan di sini ialah sebagai berikut.

1. Perancangan data, yaitu pengumpulan data di lapangan dengan mencatat durasi lampu hijau yang diberikan polisi lalu lintas serta panjang antrian setiap ruas jalan pada setiap saat. 2. Pembangunan Hybrid System, yaitu

membangun Evolutionary Programming yang diintegrasikan dengan Sistem Fuzzy untuk memperoleh solusi yang paling optimal. 3. Proses observasi, yaitu menjalankan Hybrid

System untuk mencari parameter-parameter yang terbaik pada EP serta rancangan Sistem

Fuzzy yang paling optimal untuk diterapkan

pada kasus terkait. Proses ini menggunakan data

training dan validasi sebagai acuan.

4. Proses pengujian, yaitu menguji rancangan Sistem Fuzzy yang dihasilkan dari proses

observasi menggunakan data testing.

Selanjutnya, dilakukan simulasi terhadap hasil Sistem Fuzzy tersebut dengan aplikasi simulasi yang akan memperlihatkan performansinya.

Berdasarkan diagram blok berikut ini, mula-mula diinisialisasi sejumlah kromosom, lalu dilakukan proses mutasi. Kemudian, kromosom-kromosom orangtua dan anak hasil mutasi akan didekodekan menjadi individu-individu yang masing-masing merepresentasikan satu buah rancangan Sistem Fuzzy. Hasil Dekode Kromosom akan dievaluasi melalui proses pemanggilan fungsi evaluasi Sistem Fuzzy menggunakan data training dan validasi sehingga diperoleh nilai fitness masing-masing. Selanjutnya, akan dilakukan serangkaian proses evolusi lainnya hingga kondisi berhenti terpenuhi. Setelah proses evolusi berakhir, akan diperoleh satu individu (Sistem Fuzzy) terbaik dan akan dilakukan pengujian menggunakan data

testing dan simulasi pada Aplikasi Traffic Light Simulator [4]. 4...13...0.10.3... 3 4... 13...0.10.3... 3 4...13...0.10.3... 3 4...13...0.10.3... 3 Evaluasi Individu Dekode Kromosom Nilai Fitness Proses Evolusi: Mutasi Data-data kepadatan lalu lintas dan durasi lampu hijau Pengolahan Data Data Training dan

Data Validasi

Data

Testing

Individu (Sistem Fuzzy) Terpilih

Fuzzification Rule Evaluation Defuzzification Fuzzy input Fuzzy output Crisp output Crisp input Input µ Output µ Fuzzy rules

Gambar 4: Diagram Blok Perancangan Sistem

7. Strategi Pengujian

7.1. Pengujian dan Observasi Parameter EP Parameter-parameter kontrol yang diset di sini ialah probabilitas mutasi untuk jumlah nilai linguistik dan bentuk fungsi keanggotaan, serta batas atas dan batas bawah untuk mutation step sizes dengan nilai-nilai sebagai berikut.

Pm(JNL) = 1/JumlahGenJNL Pm(BMF) = 1/JumlahGenBMF

Batas atas-bawah mutation step sizes = 0-1 Jumlah maksimum individu terevaluasi = 30000 Jumlah maksimum observasi = 10

Sedangkan parameter-parameter yang akan diobservasi dan dianalisis di sini adalah ukuran Variasi nilai yang nantinya akan dikombinasikan untuk kedua parameter tersebut ialah:

(5)

Alfa = {0.01, 0.1, 0.5, 0.9}

Nilai-nilai parameter di atas akan dikombinasikan sehingga akan terbentuk 16 kombinasi nilai parameter. Untuk setiap kombinasi, dilakukan observasi sebanyak jumlah maksimum observasi yang telah ditentukan sebelumnya. Kita tidak cukup hanya melakukan sekali percobaan untuk setiap kombinasi parameter karena kita ingin memastikan bahwa nilai-nilai kombinasi parameter yang sedang diobservasi adalah yang terbaik. Jika observasi hanya dilakukan sekali, maka bisa jadi hasil terbaik yang diperoleh hanya merupakan suatu kebetulan. Namun, jika kombinasi parameter tersebut memang benar-benar yang terbaik, maka hasil terbaik yang diperoleh akan muncul berkali-kali. Oleh karena itu, diperlukan lebih dari sekali observasi untuk menjamin validitas hasilnya.

Sedangkan data-data yang digunakan selama proses observasi di sini ialah sebagai berikut.

Data training sebanyak 110 record Data validasi sebanyak 99 record

Pada pengujian kali ini, digunakan sebuah parameter penilaian BestSoFar yang fungsinya ialah untuk mengevaluasi setiap observasi.

BestSoFar digunakan di sini karena observasi yang

dilakukan lebih dari sekali. Untuk setiap generasi pada setiap observasi, akan dihitung fitness validasi dari solusi terbaik menggunakan data validasi. Kemudian, akan dihitung fitness rata-rata antara

fitness validasi dengan fitness tertinggi dalam

generasi tersebut. BestSoFar akan selalu membandingkan nilai BestSoFar sebelumnya dengan fitness rata-rata. Nilai BestSoFar akan

di-update dengan nilai yang lebih tinggi dari pembandingan kedua nilai tersebut. Dengan demikian, dalam satu observasi atau sampai semua generasi telah terpenuhi, akan diperoleh nilai

BestSoFar yang paling tinggi.

7.2. Pengujian Sistem Fuzzy Hasil EP

Setelah observasi selesai dilakukan, akan dipilih kombinasi nilai parameter yang memiliki rata-rata BestSoFar tertinggi. Kemudian, dari kombinasi tersebut diambil solusi Sistem Fuzzy dari fitness maksimumnya. Sistem Fuzzy tersebut lah yang akan diuji sebagai pengatur lampu lalu lintas. Pengujian dilakukan dengan menggunakan data testing yang telah dipersiapkan sebelumnya. Dari pengujian ini, keluaran sistem akan dibandingkan dengan target pada data data testing, sehingga akan diketahui seberapa mirip sistem tersebut terhadap intuisi polisi lalu lintas.

7.3. Penerapan Sistem Fuzzy dengan Simulasi Sistem Fuzzy hasil observasi oleh EP akan diterapkan pada Aplikasi Smart Traffic Light

Simulator. Dari simulasi tersebut, akan diketahui

performansi dari Sistem Fuzzy. Ukuran performansi

tersebut diperoleh dari panjang antrian yang tersisa dari ruas yang baru saja berjalan atau dengan kata lain, setiap lampu hijau berganti dengan lampu merah pada suatu ruas jalan, akan dicatat sisa antriannya. Panjangnya antrian dikatakan dianggap sebagai suatu kerugian. Oleh karena itu, semakin panjang sisa antriannya, maka semakin buruk performansi dari Sistem Fuzzy yang sedang diterapkan tersebut. Sebaliknya, semakin pendek antriannya, maka semakin bagus performansi Sistem Fuzzy tersebut.

Gambar 5: Aplikasi Smart Traffic Light Simulator

Adapun batasan-batasan untuk simulasi ini adalah sebagai berikut.

Panjang antrian maksimum ialah 20 kendaraan. Lebar antrian maksimum ialah 2 kendaraan. Kendaraan yang dihitung pada simulasi ini ialah terbatas untuk mobil yang panjang rata-ratanya ialah 5 meter.

Simulasi dilakukan pada persimpangan yang mirip dengan studi kasus.

Sedangkan parameter-parameter yang dapat diatur dalam simulasi di sini antara lain:

Inisialisasi jumlah kendaraan setiap ruas jalan dengan tombol Random Density.

Sistem Fuzzy yang akan digunakan untuk pengaturan lampu lalu lintas dengan tombol Browse Fuzzy System.

Probabilitas kemunculan kendaraan dalam setiap detik untuk setiap ruas jalan pada field Inc. Prob.

8. Analisis Hasil Pengujian

8.1. Analisis Observasi Kombinasi Parameter EP

Berdasarkan observasi yang dilakukan, ukuran populasi 50 dan nilai alfa 0.5 adalah kombinasi nilai parameter yang terbaik dilihat dari rata-rata BestSoFar tertinggi, yaitu 94.133%.

(6)

Sistem Fuzzy yang paling optimal berdasarkan observasi yang dilakukan.

Gambar 6: Grafik hubungan alfa dengan rata-rata BestSoFar

Grafik di atas menunjukkan bahwa berdasarkan rata-rata BestSoFar, nilai alfa yang terbaik adalah 0.5. Hal ini dapat dilihat dari berapapun ukuran populasinya, rata-rata BestSoFar yang tertinggi berada pada nilai alfa 0.5.

Gambar 7: Grafik hubungan ukuran populasi dengan rata-rata

BestSoFar

Grafik di atas menunjukkan bahwa berdasarkan rata-rata BestSoFar, ukuran populasi yang terbaik adalah 50. Hal ini dapat dilihat dari berapapun nilai alfa-nya, rata-rata BestSoFar yang tertinggi berada pada ukuran populasi 50.

Nilai alfa berfungsi untuk mengatur kecepatan evolusi dari individu-individu pada populasi. Nilai

alfa terbaik yang dihasilkan dari observasi tidaklah

terlalu besar, dan tidak pula terlalu kecil. Hal ini dikarenakan semakin kecil nilai alfa, maka pergerakan mutasinya akan semakin halus dan evolusi akan terjadi perlahan-lahan. Akibatnya,

semakin lama suatu individu mendekati solusi optimal. Bahkan, pencarian dapat tersesat pada optimum lokal. Sebaliknya, semakin besar nilai

alfa, maka pergerakan mutasinya akan semakin

besar dan evolusi akan terjadi secara cepat serta terkesan kasar. Akibatnya, sulit untuk terjadi konvergen. Apabila terdapat individu-individu yang sudah dekat dengan solusi optimal, individu-individu tersebut akan susah sampai kepada solusi yang optimal karena terlalu besarnya mutasi yang terjadi [8].

Sedangkan ukuran populasi menunjukkan banyaknya individu yang menjadi pengamatan dalam satu generasi. Ukuran populasi terbaik yang dihasilkan dari observasi tidaklah terlalu besar, dan tidak pula terlalu kecil. Hal ini dikarenakan semakin kecil ukuran populasi, ruang pencarian akan semakin sempit. Individu-individu yang berada dalam pengamatan juga akan terlalu mirip. Hal tersebut akan membuat pencarian terlalu bersifat eksploitatif, sehingga akan sangat memungkinkan terjadinya konvergensi prematur. Sebaliknya, apabila ukuran populasi terlalu besar, individu-individu yang berada dalam pengamatan akan terlalu variatif. Hal tersebut akan membuat pencarian terlalu bersifat eksploratif dan acak, sehingga sulit untuk memfokuskan pencarian [8]. 8.2. Analisis Sistem Fuzzy Hasil EP

(a)

(b)

(c)

Gambar 6: Fungsi Keanggotaan untuk Variabel Input (a dan b) dan Output (c)

(7)

Adapun aturan fuzzy yang terbentuk dapat dituliskan sebagai berikut.

Tabel 1: Aturan Fuzzy yang Terbentuk

Nomor Aturan

1 IF Input1 = '1' AND Input2 = '1' THEN Output = '1'

Dengan rancangan Sistem Fuzzy yang telah didefinsikan di atas, diperoleh tingkat akurasi sebagai berikut.

94.465% untuk data training (110 record) 94.232% untuk data validasi (99 record) 93.836% untuk data testing (91 record)

Hasil di atas cukup menunjukkan bahwa Sistem Fuzzy yang dibangun menggunakan EP di sini, meskipun tanpa a priori information, telah mampu mengadopsi kecerdasan dan intuisi petugas polisi lalu lintas dalam mengatur lalu lintas di persimpangan jalan agar lebih adaptif dengan kondisi panjang antrian setiap ruas jalan yang senantiasa berubah setiap saat.

8.3. Analisis Sistem Fuzzy pada Simulasi Dari proses simulasi yang dijalankan, Sistem

Fuzzy akan dimasukkan ke dalam Aplikasi Traffic Light Simulator. Sistem tersebut akan menjalankan

kondisi yang mirip dengan kenyataan di lapangan. Lampu lalu lintas akan berjalan dalam beberapa siklus yang dapat diatur jumlahnya. Selama beberapa siklus tersebut aplikasi akan menghitung waktu tunggu setiap kendaraan selama mengantri. Selain itu aplikasi juga mampu menghitung panjang antrian yang masih tersisa setelah lampu hijau pada ruas tertentu sudah berganti dengan lampu merah. Jadi, ada dua hal yang bisa dilakukan oleh aplikasi ini, yaitu waktu tunggu rata-rata setiap kendaraan yang melintasi persimpangan jalan, serta sisa panjang antrian setelah lampu hijau

dinyalakan. Dari beberapa hal yang bisa dilakukan oleh aplikasi ini, kita dapat mengukur performansi dari Sistem Fuzzy ketika nantinya diterapkan pada kondisi nyata di lapangan.

Untuk setiap Sistem Fuzzy, dilakukan 5 kali percobaan terhadap 5 buah Sistem Fuzzy yang berbeda. Berikut adalah grafik yang menunjukkan rata-rata waktu tunggu untuk setiap Sistem Fuzzy yang digunakan.

Gambar 7: Grafik rata-rata waktu tunggu setiap kendaraan hasil simulasi 5 buah Sistem Fuzzy dengan tingkat kemiripan

masing-masing terhadap polisi.

Dari grafik di atas, terlihat bahwa semakin mirip Sistem Fuzzy terhadap kecerdasan dan intuisi polisi, maka waktu tunggu untuk setiap kendaraan akan semakin lama. Sedangkan Sistem Fuzzy yang tidak terlalu mirip dengan kecerdasan dan intuisi polisi justru menghasilkan rata-rata waktu tunggu yang lebih singkat untuk setiap kendaraan. Artinya, pengaturan lampu lalu lintas oleh petugas polisi dinilai masih kurang bagus apabila dilihat dari lama waktu tunggu setiap kendaraan yang sedang mengantri di persimpangan jalan.

Selanjutnya, berikut ini adalah grafik yang menunjukkan simpangan baku dari waktu tunggu setiap kendaraan yang pernah melintasi persimpangan jalan.

Gambar 8: Grafik simpangan baku dari waktu tunggu setiap kendaraan pada 5 kali percobaan untuk 5 buah Sistem Fuzzy

berbeda

Grafik di atas menunjukkan bahwa pengaturan lampu lalu lintas berbasis fuzzy logic sudah cukup adil dari sisi pengguna jalan. Pernyataan tersebut berdasarkan simpangan baku dari waktu tunggu setiap kendaraan yang besarnya relatif kecil, yaitu berkisar di antara 20 detik.

(8)

Semakin kecil simpangan baku yang dihasilkan, maka perbedaan waktu tunggu satu kendaraan dengan kendaraan yang lain juga semakin kecil. Sehingga, dapat dikatakan bahwa pengaturan lampu lalu lintas berbasis fuzzy logic di sini mampu memberikan keadilan bagi para pengguna jalan. 9. Simpulan dan Saran

Dari hasil pengujian dan analisis yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut.

1. Kombinasi nilai parameter terbaik pada EP untuk pencarian solusi Sistem Fuzzy dalam pengaturan lampu lalu lintas di sini adalah dengan ukuran populasi 50 dan nilai alfa 0.5. 2. Dengan EP, Sistem Fuzzy yang optimal dapat

dibangun dan mampu belajar untuk mengadopsi kecerdasan dan intuisi petugas polisi lalu lintas hingga tingkat kemiripannya terhadap data target mencapai 94.133%.

3. Berdasarkan hasil simulasi, terbukti bahwa sistem pengaturan lampu lalu lintas berbasis

fuzzy logic mampu memberikan keadilan terhadap para pengguna jalan.

4. Pengaturan lampu lalu lintas oleh petugas polisi dinilai masih kurang bagus jika dilihat dari lama waktu tunggu setiap kendaraan yang sedang mengantri di persimpangan jalan.

Adapun saran pengembangan untuk penelitian selanjutnya di antaranya sebagai berikut. 1. Perlu dilakukan analisis yang lebih mendalam

terhadap EP maupun perbandingannya dengan algoritma optimasi yang lain untuk mendapatkan hasil yang lebih baik.

2. Perlu dilakukan optimalisasi terhadap aturan

fuzzy yang terbentuk karena merupakan salah

satu komponen yang paling utama.

3. Perlu dibangun simulasi yang lebih baik untuk menunjang keakuratan data dan analisis terhadapnya.

10. Daftar Pustaka

[1] Aryuanto, 2005. Mengenal (agak lebih

dekat) Sistem Pengendali Lampu Lalu Lintas. http://www.ina-nagaoka.org

[2] Klir, J.R., Bo Yuan, 1999. Fuzzy Sets and

Fuzzy Logic Theory and Aplications. New

Jersey: Prentice Hall.

[3] Lea, J. Wendrea, Ferryanto, 1996. Sistem

Pengaturan Lampu Lalu Lintas Memakai

Logika Fuzzy.

http://www.elektroindonesia.com/elektro [4] Mubarok, Mohamad Syahrul, 2009. Sistem

Identifikasi Plagiat Menggunakan

Kombinasi Algoritma Genetika - Sistem Fuzzy. Bandung: Institut Teknologi Telkom.

[5] Tan, Kok Khiang, Marzuki Khalid, dan

Rubiyah Yusof, 1996. Intelligent Traffic

Lights Control by Fuzzy Logic. Kuala

Lumpur: Malaysian Journal of Computer Science.

[6] Tettamanzi A., Tomassini M., 2001. Soft

Computing: Integrating Evolutionary, Neural, and Fuzzy Systems. Germany: Springer-Verlag Berlin Heidelberg.

[7] Suyanto, 2008. Soft Computing,

Membangun Mesin Ber-IQ Tinggi.

Bandung: Informatika.

[8] _______, 2008. Evolutionary Computation,

Komputasi Berbasis "Evolusi" dan "Genetika". Bandung: Informatika.

[9] _______, 2007. Artificial Intelligence, Searching, Reasoning, Planning, and Learning. Bandung: Informatika.

[10] Zadeh, Lotfi A., 1994. Fuzzy Logic, Neural