PENERAPAN ALGORITMA FUZZY LOGIC PADA PEN

(1)

PENERAPAN ALGORITMA FUZZY LOGIC PADA PENGEMBANGAN TEKNOLOGI

LAMPU LALU LINTAS BERBASIS DEMAND RESPONSIVE

(258T)

Budi Yulianto1dan Setiono2

1_{Jurusan Teknik Sipil, Universitas Sebelas Maret, Jl. Ir. Sutami 36 A Surakarta} Email: byuliantouns@gmail.com

2

Jurusan Teknik Sipil, Universitas Sebelas Maret, Jl. Ir. Sutami 36 A Surakarta Email: setiono@uns.ac.id

ABSTRAK

Lampu lalu lintas digunakan untuk mengatur pergerakan lalu lintas dari masing-masing kaki persimpangan agar tidak terjadi kecelakaan, meminimalkan tundaan kendaraan dan polusi udara. Lampu lalu lintas yang dipakai di Indonesia adalah Fixed Time control (FT) yang mempunyai kelemahan tidak dapat mengakomodir fluktuasi arus lalu lintas yang tinggi, sehingga mengakibatkan meningkatnya tundaan kendaraan dan polusi udara. Penelitian ini bertujuan untuk mengembangkan teknologi lampu lalu lintas yang berbasis demand responsive yang dapat digunakan untuk kondisi lalu lintas yang hoterogen dan tidak teratur (mixed traffic). Algoritma lampu lalu lintas dikembangkan dengan menggunakan metode Fuzzy Logic (FL), karena FL cocok untuk mengkuantifikasi informasi yang tidak presisi dari indeks kinerja komponen subyektif. Hasil analisa unjuk kinerja persimpangan bersinyal, penggunaan metode FL menghasilkan rata-rata tundaan yang lebih kecil dibandingkan dengan FT.

Kata kunci: demand responsive, fuzzy logic, intelligent transport system, lampu lalu lintas,

microsimulation VISSIM.

1. PENDAHULUAN

Kemacetan lalu lintas merupakan masalah yang sering ditemui di kota-kota besar di dunia terutama di negara-negara berkembang, dimana kesenjangan antara pertumbuhan kepemilikan kendaraan pribadi dengan pembangunan prasarana jalan baru yang besar. Kemacetan lalu lintas terjadi karena banyaknya pemakai kendaraan menggunakan akses jalan yang terbatas pada saat yang bersamaan, biasanya pada kondisi jam sibuk (Adhiatna, 1999). Dampak negatif dari kemacetan lalu lintas antara lain meningkatnya waktu perjalanan, pemborosan bahan bakar, polusi udara, meningkatkan stress pengguna jalan dan masalah pernafasan. Hal tersebut dapat mempengaruhi aktifitas perekonomian dan kondisi lingkungan suatu daerah. Kemacetan lalu lintas akan semakin memburuk untuk tahun-tahun ke depan sebagai akibat semakin bertambahnya kendaraan di jalan, bila tidak ada usaha penyelesaiannya. Salah satu usaha untuk mengatasi masalah kemacetan lalu lintas adalah dengan mengoptimalkan fungsi kerja lampu lalu lintas (traffic signal control).

Teknologi lampu lalu lintas yang digunakan di persimpangan berlampu lalu lintas di Indonesia adalah Fixed Time control(FT), dimana waktu interval tertentu untuk setiap sinyal indikasi dalam satu siklus(cycle time)adalah tetap. FT ini biasanya menghasilkan kinerja yang bagus pada kondisi lalu lintas yang normal, akan tetapi pada kondisi lalu lintas yang fluktuasi jumlah lalu lintasnya tinggi tidak menghasilkan kinerja yang bagus (Lee et al, 1994; Trabia and Kaseko, 1996; Kim, 1997). Untuk itu perlu digunakannya teknologi lampu lalu lintas yang responsif terhadap kebutuhan jumlah kendaraan (demand responsive). Akan tetapi teknologidemand responsive traffic signal control

yang ada saat ini seperti VA, MOVA dan TOL (DfT, 2005; Vincent and Peirce, 1988; Bång, 1976) dibuat untuk kondisi lalu lintas yang homogen dan teratur, yang mana kendaraan bermotor melaju pada lajur yang sudah ditentukan dan tidak mempertimbangkan keberadaan sepeda motor.

(2)

responsiveyang dapat digunakan untuk kondisi lalu lintas yang hoterogen dan tidak teratur seperti di Indonesia guna mengatasi masalah kemacetan dan tundaan di persimpangan berlampu lalu lintas.

Tujuan utama dari penelitian ini adalah mengembangkan teknologi lampu lalu lintas berbasisdemand responsive,

dengan menggunakan metodefuzzy logic,yang dapat digunakan untuk kondisi lalu lintas yang heterogen dan tidak teratur (mixed traffic).

2. METODE PENELITIAN

Penelitian ini dilakukan melalui studi pustaka, survei lalu lintas dan pengembangan model berbasis fuzzy logic. Tahapan-tahapan yang dilakukan antara lain:

Studi pustaka, pengembangan teori dan pengintegrasian ide dan konsep dilakukan untuk menegaskan arah penelitian dan desain perangkat lunak (microsimulation program) lampu lalu lintas berbasisdemand responsive

untuk kasusisolated signalised intersection.

Pemilihan lokasi persimpangan berlampu lalu lintas di kota Surakarta. Lokasi ini merupakan perempatan berlampu lalu lintas, jumlah lalu lintasnya mendekati jenuh, mempunyai fasilitas penyeberangan jalan dan sedikit gangguan dari aktifitas parkir kendaraan.

Pengumpulan data. Data yang dibutuhkan yaitu volume lalu lintas, komposisi lalu lintas, asal-tujuan, waktu tempuh, antrian kendaraan, data karakteristik beberapa tipe kendaraan seperti kecepatan bebas, geometrik persimpangan, data lampu lalu lintas (signal timing), dan tingkah laku pengedara kendaraan (traffic behaviour).

Pemodelan persimpangan dengan menggunakan program simulasi VISSIM. Agar didapatkan hasil yang terukur (robust) maka model persimpangan VISSIM perlu divalidasi dan parameter lalu lintasnya perlu dikalibrasi. Model persimpangan VISSIM dinyatakan valid bila hasil keluaran dari model ini secara konsisten menyamai data lapangan. Gambar 3.1 memperlihatkan contoh model persimpangan VISSIM. Pada akhir tahap ini, akan dibuat academic paper tentang “pemodelan mixed traffic isolated junction dengan menggunakan program

simulasi VISSIM”.

Membuat VA danFLTSC programdengan menggunakan bahasa pemrogramanVehicle Actuated Programming

(VAP). Menganalisa kinerja FLTSC dengan menggunakan model persimpangan VISSIM dan kemudian membandingkan kinerja FLTSC dengan FT dan VA. Diharapkan kinerja FLTSC lebih baik daripada FT dan VA dalam hal rata-rata tundaan kendaraan per jam yang terjadi di persimpangan.

Gambar 1. Model Persimpangan VISSIM

3. PENGEMBANGAN FUZZY LOGIC TRAFFIC SIGNAL CONTROLLER (FLTSC)

Penelitian ini mengembangkan teknologi lampu lalu lintas berbasis demand responsive dengan menggunakan metode fuzzy logic (yaitu FLTSC) untuk kondisi lalu lintas yang heterogen dan tidak teratur. dengan dua skema model yaitu Model 1 (M1): FLTSC untuk simpang 4 tunggal dengan pergerakan arus lalu lintas dari Timur-Barat dan Utara-Selatan (dua stages) tanpa adanya gerakan membelok. Model 2 (M2): FLTSC untuk simpang 4 tunggal dengan pergerakan arus dari Selatan, Utara dan Timur (tiga stages) dengan adanya gerakan membelok. Dalam tulisan ini hanya akan dibahas tentang Model 2 (M2) saja.

Model FLTSC

Kriteria desain dan batasan FLTSC Model 2 adalah sebagai berikut:

(3)

c. Lampu lalu lintas mempunyai 3 stage. Stage 1 terdiri dari pergerakan arus lalu lintas dari arah Selatan, Stage 2 terdiri dari pergerakan arus lalu lintas dari arah Utara dan Stage 3 terdiri dari pergerakan arus lalu lintas dari Timur.

Gambar 2. Simpang 4 tunggal dengan 3 stage (M2)

Struktur FLTSC dan Pemodelan Lalu Lintas

Proses FLTSC dalam studi ini terdiri dari 6 bagian yaitu: Model lalu lintas (traffic flow model), Deteksi dan pengukuran (detection or measurement - crisp input), Fuzzification, Fuzzy inference,Defuzzification(crisp output) dan Program sinyal kontrol (signal controller program). Proses FLTSC (Gambar 2) dilakukan dengan menggunakan program simulasi VISSIM.

Selama periode simulasi, model lalu lintas mensimulasi pergerakan arus lalu lintas di persimpangan. Setiap detik detektor akan menghasilkan informasi lalu lintas di masing-masing kaki simpang. Informasi ini selanjutnya digunakan sebagai crisp input untuk Fuzzy Logic Module di setiap akhir siklus sinyal. Fuzzy Logic module

mempunyai 3 bagian yaitu fuzzification, fuzzy inference dan defuzzification. Output dari Fuzzy Logic Module digunakan oleh sinyal kontrol program untuk menentukan waktu sinyal untuk siklus berikutnya dan menginformasikan waktu sinyal ini ke model lalu lintas. Di akhir periode simulasi, output tundaan kendaraan di persimpangan akan didapatkan.

Gambar 3. Struktur FLTSC and pemodelan lalu lintas

(4)

1) Maksimum Antrian Kendaraan (Maximum Queue Length)

Antrian Kendaraan adalah jarak (dalam meter) dari garis henti (stopline) sampai antrian kendaraan terakhir. Selama periode lampu merah, detector VIP menghitung antrian kendaraan yang terpanjang setiap detiknya. Maksimum antrian kendaraan di awal periode lampu hijau akan digunakan sebagai input data untuk sinyal kontrol program (lihat Gambar 4)

2) Rata-rata Occupancy Rate (Average Occupancy Rate)

Occupancy Rate adalah jumlah persentase (%) lamanya detektor kendaraan dilalui oleh kendaraan dalam periode waktu tertentu. Detektor kendaraan di pasang 1 meter setelah garis henti di masing-masing kaki simpang untuk menghitung occupancy rate. Selama periode lampu hijau, VIP menghitung occupancy rate

setiap detik dan rata-rata occupancy rate selama periode tersebut digunakan sebagai input data untuk sinyal kontrol program (lihat Gambar 4).

Gambar 4. Data Input untuk FLTSC

Variabel output fuzzy yang digunakan oleh FLTSC adalah Weight. Weight (harga antara 0 sampai dengan 100) merupakan indikator tingkat kebutuhan signal group (SG) memerlukan waktu hijau. Sebagai contoh jika harga

Weightuntuk SG1adalah 75 dan untuk SG2adalah 25, hala ini menunjukkan bahwa SG1membutuhkan waktu hijau

lebih panjang daripada SG2.

Strategi FLTSC

FLTSC menggunakan konsep ‘kebutuhan mendesak’ (urgency concept) yang dikembangkan oleh Sayers et al’s

(1996). Konsep ini dipilih karena konsep ini fleksibel, program komputerisasi yang sederhana dan dapat digunakan untuk system sinyal kontrol stage-based dimana cycle time dan stage sequence tetap; atau signal group-based

dimanacycle timedanstage sequencetidak tetap (Sayers et al, 1999).

FLTSC menggunakan informasi lalu lintas yaitu maksimum antrian kendaraan dan rata-rataoccupancy rate yang dihitung selama waktu siklus sebelumnya untuk memperkirakan panjang waktu hijau yang dibutuhkan untuk masing-masing stage selama waktu siklus berikutnya. Gambar 5 memperlihatkan proses perhitungan waktu hijau untuk waktu siklus berikut dengan menggunakan data lalu lintas waktu siklus sebelumnya.

Fuzzy Logic Modulemenggunakanvariabel input fuzzymaksimum antrian kendaraan dan rata-rataoccupancy rate

selama waktu siklus sebelumnya untuk menghitung hargaWeightmasing-masing SG dengan menggunakan Fuzzy Rule base. Harga Weight SG Selatan dipergunakan sebagai harga Weightuntuk Stage 1 (W1). Metode ini juga

digunakan untuk menentukan hargaWeightuntukStage 2 (W2) dan harga Weightuntuk Stage3 (W3). Kemudian

hargaWeightuntukStage1, Stage2 danStage3 digunakan untuk menghitung Total waktu hijau dalam satu siklus.

(5)

Gambar 5. Perhitungan waktu hijau baru untuk waktu siklus berikut dengan menggunakan data lalu lintas waktu siklus sebelumnya (M2)

Harga Weightuntuk Stage 1, Stage2, Stage 3 dan Total waktu hijau dalam satu siklus tersebut digunakan untuk memperkirakan panjang waktu hijau yang dibutuhkan oleh masing masingstagedi waktu siklus berikutnya. Total waktu hijau dan panjang waktu hijau yang dibutuhkan oleh masing-masing stage dihitung dengan menggunakan Rumus 1.

Kemudian, waktu hijau untuk masing-masing stage dihitung dengan menggunakan Rumus 2.

n

dengan:Wn=: total nilaiWeight Stage1 dan 2,Min1 andMax1= nilai minimum dan maksimum TotalWeight,

yaitu 0 dan 200,Min2 andMax2= nilai minimum and maximum total waktu hijau dalam satu siklus dann=stage index.

Fuzzification dan Membership Functions

Penentuan jumlah fuzzy subset dan pemilihan bentuk membership function untuk input dan output fuzzy sangat penting dalam proses fuzzification. Dalam riset ini, menggunakan tipe triangular dan trapezoidal membership functiosdikarenakan komputerisasi yang sederhana dan efisien. Jumlah fuzzy subsetuntuk inputdanoutput fuzzy

ditentukan berdasarkan metodetrial error.

Membership functionuntuk masing-masing variabelinputdanoutput fuzzyadalah sebagai berikut:

-

Maksimum Antrian Kendaraan mempunyai {Low, Medium, High dan Very High}

-

Rata-rataOccupancy Ratemempunyai {Low, Medium, High dan Very High}

-

Weight mempunyai {Very Very Low, Very Low, Low, Medium, High, Very High dan Very Very High} Gambar 6 memperlihatkan bentukmembership functionuntuk masing-masing variable input dan outputfuzzyyang digunakan oleh FLTSC. Bentuk membership function tersebut dibuat berdasarkan observasi sistem dimana bentuknya di sesuaikan berdasarkan kinerja sinyal kontrol yang optimum dari berbagai kondisi lalu lintas (Trabia et al, 1999; Sayers et al, 1996).

(6)

(b). Input Fuzzy Variable 2: Rata-rata Occupancy Rate (%)

(c). Output Fuzzy Variable: Weight

Gambar 6. Bentukmembership functionuntuk masing-masing variable input dan outputfuzzyyang digunakan oleh FLTSC.

Fuzzy Rule Base

Fungsi dasar dariFuzzy Rule Base(FRB) adalah untuk menggambarkanexpert knowledgedalam bentuk struktur If-Then. FRB terdiri dari beberapa kumpulan beberapa fuzzy rule yang merupakan matrik kombinasi dari beberapa input fuzzy keoutput fuzzy. Jumlahruleadalah sama dengan jumlah kombinasi dari beberapamembership function

masing-masing input fuzzy (Driankov et al, 1996). FLTSC mempunyai 2 input fuzzy, yang masing-masing mempunyai empatmembership functions, maka jumlahruleadalah 16rule.

Dalam riset ini, FRB dibuat berdasarkan metode trial error (Pappis and Mamdani, 1977). Dari hasil trial error

diperoleh bahwa variable input fuzzyMaksimum Antrian Kendaraan lebih sensitif terhadap kinerja sinyal kontrol daripada Rata-rataOccupancy Rate. Untuk itu maka FRB didesain lebih memprioritaskan pada variable inputfuzzy

Maksimum Antrian Kendaraan. Konfigurasi beberapafuzzy ruledalam bentuk matrik dapat dilihat pada Gambar 7.

Contohfuzzy rulenomor 9:

JIKA Maksimum Antrian KendaraanDAN Rata-rata Occupancy Rate adalah LowMAKAWeight adalah Medium (IF Max. Queue length is High AND Avg. Occupancy rate is Low THEN Weight is Medium).

L M H VH

L VVL L M H

M VL L H VH

H L M H VVH

VH M H VH VVH

Gambar 7. Konfigurasi beberapafuzzy ruledalam bentuk matrik

Fuzzy Inference dan Defuzification

Fuzzy inference berfungsi untuk mengevaluasi pengaturan rule yang ada di dalam FRB. Ada tiga tahapan dalam

fuzzy inferenceyaitu: 1) Firing Strength

2) Fuzzy Implications

3) Rule Aggregation

SistimFuzzy Inferenceyang digunakan dalam riset ini adalah Mamdani and Assilian (1975) method (yaitumax-min composition), karena alasan komputerisasi yang sederhana dan effisien. Gambar 8 memperlihatkan tahapan-tahapan

fuzzy inferencedi dalam FLTSC yang menggunakan metodamax-min inference.

Defuzzificationmerupakan proses untuk mengubah nilai outputfuzzydarifuzzy inferenceke nilai output yangcrisp. Metode defuzzification yang dipakai dalam riset ini adalah metoda Centre of Sums (CoS), karena metoda ini memberikan kinerja yang lebih baik dalam hal kontinuitas,disambiguity,plausibilitydan kompleksitas komputer.

(7)

Gambar 8. Tahapan-tahapanFuzzy inferencedi dalam FLTSC

Studi Kasus

Untuk mengevaluasi efektivitas kinerja sinyal kontrol, maka dilakukan empat studi kasus dengan komposisi dan volume lalu lintas yang berbeda-beda seperti berikut:

-

Kasus 1: Arus lalu lintas yang konstan selama periode simulasi satu jam. Tabel 1 dan 2 memperlihatkan komposisi dan volume lalu lintas yang berbeda-beda yang digunakan dalam Kasus 1.

-

Kasus 2: Arus lalu lintas yang bervariasi, setiap 15 menit arus lalu lintas berubah-ubah. Tabel 1 dan 3 memperlihatkan komposisi dan volume lalu lintas yang berbeda-beda yang digunakan dalam Kasus 2.

Tabel 1. Komposisi lalu lintas (%) untuk kasus 1 dan 2 (M2)

Kasus Sepeda Motor Kendaraan Ringan Kendaraan Berat Bis Besar

1 dan 2

Selatan 77.0 22.2 0.3

Utara 81.8 17.6 0.4

Timur 77.5 22.4 0.1

Tabel 2. Kumpulan volume lalu lintas (kendaraan/jam) untuk Kasus 2 (M2)

Kasus Waktu

(menit) 15’ 30’ 45’ 60’ Total Kasus 15’ 30’ 45’ 60’ Total

Selatan 800 1600 2400 1200 1500 800 1600 2400 1200 1500

2a Utara 600 1200 1800 400 1000 2f 600 1200 1800 400 1000