Cloud, fog dan edge computing saat ini merupakan teknologi yang banyak digunakan untuk implementasi Internet of Things (IoT), karena teknologi tersebut memiliki banyak keunggulan yaitu sangat fleksibel, mudah dikembangkan dan dapat diintegrasikan dengan berbagai sistem lainnya (Bittencourt et al., 2018; Tao dkk., 2019). Dimana j adalah indikator kemacetan lalu lintas secara umum, v adalah kecepatan kendaraan saat ini, v adalah kecepatan rata-rata kendaraan di jalan raya.
Kecepatan dan Kepadatan Jalan (Density)
Sinyal Lalu-lintas (Traffic Light)
Parameter yang menentukan pengaturan sinyal lampu lalu lintas adalah fase, waktu siklus, waktu hijau, waktu hijau maksimum, waktu hijau minimum, rasio warna hijau, waktu merah semua, waktu kuning, periode antara hijau dan waktu hilang seperti dijelaskan pada Tabel 2.6. Waktu yang hilang juga dapat diperoleh dari selisih total waktu siklus dengan jumlah total waktu hijau dalam satu siklus.
Model dan Cara Kerja Komputasi Awan (Cloud Computing)
Cloud computing memiliki banyak keunggulan antara lain skalabilitas, kemudahan akses, kreasi yang lebih luas, memberikan kemudahan dalam ketersediaan data dan meningkatkan tingkat keamanan jika diterapkan dengan baik. Teknologi ini mengubah banyak hal dalam berbagai bidang, namun pada hakikatnya cloud computing memiliki ciri-ciri memiliki jaringan yang luas, layanannya dapat dipantau atau dikendalikan dengan baik, layanannya otomatis dinamis sesuai kebutuhan, bersifat fleksibel dan dinamis, dapat digunakan tersebar di seluruh wilayah. lokasi yang berbeda secara bersamaan dan mandiri (Diaby dan Rad, 2017). Ciri-ciri utama dari cloud computing adalah penggunaan atau distribusi sumber daya, koneksi dan integrasi antar infrastruktur, antar pengguna secara online dan real time tanpa dibatasi oleh jarak dan waktu, menggunakan jaringan internet untuk menjalankan teknologi virtualisasi, sangat fleksibel dalam skalabilitas, sehingga sangat mudah beradaptasi dengan perkembangan. Hal ini terjadi, Memberikan banyak efisiensi dalam pengelolaan dan interaksi layanan (Escamilla et al, 2018).
Secara hierarki, IaaS berjalan langsung pada infrastruktur fisik, PaaS berjalan pada IaaS dan infrastruktur fisik, sedangkan SaaS berjalan pada Paas, IaaS dan infrastruktur fisik dari komputasi awan (Escamilla et al., 2018). Dalam implementasi IoT, penggunaan cloud computing secara langsung mempunyai banyak keterbatasan, sehingga fog computing dirancang menjadi jembatan yang menghubungkan layanan cloud dengan perangkat yang terhubung. Tujuan dari cloud computing adalah menjalankan komputasi dan pengambilan data secara otomatis dan real-time tanpa dibatasi oleh batasan bandwidth, kecepatan akses (bandwidth) atau kualitas latensi jaringan Internet.
Edge Computing
Dalam penelitian ini, fog computing secara khusus difungsikan sebagai penghubung antara cloud dan edge computing. Implementasi komputasi kabut bekerja dengan memperluas komputasi awan dan layanan ke tepi jaringan. Komputasi kabut banyak digunakan dalam sistem Internet of Things (IoT), jaringan sensor, analisis data real-time dan integrasi dengan berbagai teknologi (Suryono et al., 2019; Tao et al., 2019).
Manfaat utama terbesar dari Edge Computing adalah memungkinkan komputasi awan untuk membangun jaringan Internet of Things (IoT). Edge Computing memungkinkan data yang dihasilkan oleh perangkat IoT diproses lebih dekat dengan lokasinya, sehingga tidak perlu menempuh perjalanan jauh ke komputasi awan. Komputasi tepi dapat mengurangi latensi karena data tidak harus melintasi jaringan ke pusat data atau cloud secara terus menerus untuk diproses (Hossain et al, 2018).
Extreme Programming
Web services, Integrasi dan MQTT
Setiap node dalam jaringan MQTT harus bergabung (berlangganan) ke server MQTT dengan topik dan subtopik tertentu. Node yang memiliki topik dan subtopik yang sama akan dapat mempublikasikan dan menerima pesan satu sama lain. Dalam jaringan IoT, MQTT digunakan sebagai sarana komunikasi antar node (pesan) yang tergabung dalam suatu jaringan.
Dalam sistem IoT terintegrasi, protokol MQTT dipasang di komputasi awan, komputasi kabut, dan komputasi tepi. 25 anggota yang memiliki topik dan subtopik yang sama (berlangganan) menerima pesan yang dikirim (terbitkan) dengan komputasi tepi. Sistem komputasi cloud, fog, dan edge yang menerapkan protokol MQTT sebenarnya merupakan teknologi terintegrasi yang telah diterapkan di banyak model sistem Internet of Things (IoT) (Kashyap et al, 2018).
Sumber Data
27 Menggunakan Google Maps API memerlukan kunci Web API yang bisa kita peroleh melalui akun Google kita. Setiap Web API key yang kita miliki dikhususkan untuk satu aplikasi saja, sehingga diperlukan beberapa key untuk berbagai aplikasi yang kita kembangkan.
Penggunaan Map and Travelling API pada Intelligent Traffic Light Integrasi dengan layanan map-API yang terhubung dengan aplikasi mobile
Solusi terbaik merupakan tujuan yang dicari dalam penelitian ini, sehingga diperlukan suatu algoritma untuk mencari nilai yang paling optimal dalam sekumpulan kemungkinan solusi dari permasalahan tersebut. Penentuan nilai optimal sangat bergantung pada rumusan masalah, metode penyelesaian, penentuan nilai minimum atau maksimum dan toleransi yang diperbolehkan. Otomasi merupakan suatu proses yang selalu berkaitan dengan input, karakteristik metode yang digunakan, proses matematis dan pengujian hasilnya, guna memperoleh hasil optimal yang mewakili solusi untuk memecahkan suatu masalah (Haupt, 2004).
Optimasi dapat dilihat sebagai suatu proses mencari nilai maksimum atau minimum berdasarkan kriteria tertentu dalam suatu lingkup dengan persyaratan tertentu. Penentuan nilai minimum atau maksimum jika nilai optimal ditentukan oleh rumus dan penilaian terhadap variabel-variabel yang mempengaruhi permasalahan dan variabel-variabel yang mewakili penyelesaiannya.
Metode Heuristik dan Algoritma Genetika
Pencarian pada algoritma ini tidak terlalu memperhatikan rumus hubungan antara proses, masalah dan variabelnya secara langsung. Algoritma ini sangat efisien dalam ruang pencarian global karena terdapat operator evolusi untuk menentukan nilai suatu variabel yang mewakili suatu solusi. Algoritma ini sangat fleksibel dan sangat mudah untuk digabungkan (hibrida) dengan metode lain untuk meningkatkan efisiensinya.
Algoritma ini tidak mencari solusi pada titik awal tertentu, melainkan pada individu dalam populasi yang mewakili solusi. Algoritma ini tidak didasarkan pada pengetahuan tambahan, tetapi hanya pada nilai fungsi tujuan. Algoritma ini bekerja menggunakan aturan probabilistik dan tidak menggunakan aturan deterministik.
Pemetaan Dalam Algoritma Genetika
Penyilangan Seragam (Uniform Crossover)
Pada persilangan berbasis pesanan (order-based crossover), kromosom anak pertama terbentuk dari orangtua pertama, namun dilakukan perubahan pada gen-gen terpilih dengan mengubah urutan sesuai urutan gen yang nilainya sama dengan kromosom orangtua kedua (seperti terlihat pada Gambar 2.16). ). Kemungkinan terjadinya mutasi genetik biasanya sangat kecil, karena dalam kehidupan alamiah mutasi genetik bisa saja terjadi namun persentasenya sangat kecil. Mutasi yang melibatkan kode biner yaitu dengan mengubah posisi gen yang terkena mutasi ke nilai sebaliknya, sebagai contoh dapat dilihat pada gambar 2.18.
Metode mutasi berbasis posisi bekerja dengan cara memilih suatu posisi gen secara acak kemudian memindahkannya ke posisi acak lainnya (seperti terlihat pada Gambar 2.19). Metode mutasi gen berbasis urutan bekerja dengan menukar 2 posisi gen yang dipilih secara acak (seperti terlihat pada Gambar 2.20). Metode mutasi berbasis acak (scramble mutasi) dilakukan dengan memilih posisi beberapa gen secara acak, kemudian menukar urutan gen tersebut juga (seperti terlihat pada Gambar 2.21).
Seleksi dalam Algoritma Genetika
- Seleksi sebanding dengan Fitness Value
- Pemilihan Kromosom Secara Acak Menggunakan Bilangan Bulat Pada setiap kromosom dihitung nilai vektornya (v) dengan cara
- Pemilihan Kromosom Secara Acak Menggunakan Bilangan Riil
- Seleksi Peringkat
- Seleksi Turnamen
Semakin kompleks dan semakin banyak kriteria optimasi suatu permasalahan, maka fungsi tujuan nilai kesesuaiannya akan semakin kompleks. Dimana pi adalah probabilitas kromosom i untuk bertahan pada siklus generasi berikutnya, fi adalah nilai kebugaran kromosom i, N adalah jumlah kromosom dalam suatu populasi. Perbandingan sudut setiap N-arc sebanding dengan perbandingan nilai fitness masing-masing kromosom.
Pemilihan yang sebanding dengan nilai kebugaran hanya dapat diterapkan ketika mencari nilai maksimum tanpa nilai negatif yang dihasilkan dari fungsi tujuan. Seleksi acak menggunakan bilangan real mula-mula menghasilkan bilangan r (bertipe bilangan real) antara 0 dan jumlah nilai kebugaran seluruh kromosom dalam satu generasi. Metode pemilihan peringkat bekerja dengan mengurutkan nilai kebugaran kromosom dalam suatu populasi.
Penentuan Parameter dalam Algoritma Genetika
Seleksi turnamen pada algoritma genetika menggunakan analogi sebuah turnamen dimana akan dicari juara dalam suatu kompetisi yang diikuti oleh peserta turnamen. Pada setiap kelompok akan dicari kromosom dengan nilai fitness terbaik untuk dipertahankan pada populasi berikutnya.
Optimasi Dengan Kendala pada Algoritma Genetika
45 dimana pi adalah nilai probabilitas kromosom ke-i, sedangkan a, b, c dan e adalah bilangan pembentuk fungsi (Du dkk, 2016). Kromosom yang mungkin timbul dalam proses pembentukan populasi, hasil persilangan atau hasil mutasi yang tidak memenuhi kriteria pembatasan harus diperlakukan dengan hati-hati. Strategi ini sangat populer, namun memiliki keterbatasan, jika semua kromosom pada generasi pertama atau hasil inisialisasi adalah kromosom yang tidak sesuai, berarti semua kromosom akan ditolak.
47 Penggunaan strategi perbaikan bekerja sedemikian rupa sehingga kromosom yang tidak dapat hidup akan diperbaiki hingga menjadi layak. Dengan perbaikan ini, kromosom yang tidak sesuai masih mungkin bertahan. Dalam menggunakan strategi ini, operator pada proses yang diterapkan harus mampu menghasilkan kromosom yang memenuhi batasan, sehingga kromosom yang dihasilkan selalu memenuhi persamaan dan/atau pertidaksamaan batasan dalam menyelesaikan permasalahan.
Fungsi Evaluasi untuk Penanganan Kendala dengan Strategi Pinalti Strategi pinalti adalah adopsi dari strategi konvensional. Langkah utama
Dalam permasalahan dengan kendala yang kompleks, wilayah yang tidak sesuai mewakili sebagian besar populasi. 48 Untuk menambahkan fungsi penalti pada definisi fungsi evaluasi, lakukan dengan membuat fungsi penalti sebagai ekspresi tambahan dari fungsi evaluasi atau fungsi penalti sebagai pengali fungsi evaluasi. Jika kromosom v mempunyai fungsi f(v) yang mewakili evaluasi kromosom v, dan terdapat fungsi p(v) sebagai penalti untuk kromosom v, maka implementasi fungsi penalti tersebut dapat dilakukan dengan cara berikut.
Jika hal sebaliknya terjadi pada masalah optimasi pencarian nilai minimum, fungsi penalti bertindak sebagai penjumlahan fungsi tujuan, dengan p(v) = 0 untuk kromosom layak dan p(v) > 0 untuk kromosom tidak layak. 49 Optimasi dengan mencari nilai maksimum, fungsi penalti p(v) harus mengurangi nilai fungsi tujuan f(x), sehingga p(v) = 1 menunjukkan bahwa kromosom tersebut layak dan tidak terkena penalti, sedangkan nilainya fungsi penalti harus memenuhi kriteria 0 ≤ p(v) ≤ 1. Fungsi penalti harus menaikkan nilai fungsi tujuan sehingga p(v) = 1 menunjukkan bahwa kromosom tersebut layak dan tidak dikenakan penalti, sedangkan nilai penalti harus memenuhi kriteria p(v) > 1.
Syarat Berhenti Dalam Algoritma Genetika
Kepadatan, Kapasitas Jalan dan Kecepatan Rata-Rata Kendaraan
Semakin lambat kecepatan rata-rata kendaraan yang melintas pada suatu ruas jalan maka akan menunjukkan bahwa ruas tersebut mempunyai tingkat kemacetan yang semakin tinggi (Gaddam dan Rao, 2018). Banyak faktor yang mempengaruhi kapasitas jalan, dan diperlukan analisa yang mendalam untuk menentukan kapasitas dan kelayakan suatu jalan (Samra, 2018) Besar kecilnya kapasitas jalan ini mempengaruhi tingkat kecepatan normal kendaraan yang dapat melewati jalan tersebut, yaitu nilai kelayakan kecepatan kendaraan pada suatu ruas jalan yang biasanya ditentukan oleh instansi yang berwenang (Mishra et al., 2018).
Rasio Kecepatan Kendaraan dan Efektifitas Traffic Light (Traffic Light fitness value)
