Prediksi Perambatan Arus Lalu Lintas Berdasarkan Korelasi Tertinggi Antar Jalan

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 3, Juni 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i3.4203 Hal 667−672 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Prediksi Perambatan Arus Lalu Lintas Berdasarkan Korelasi Tertinggi Antar Jalan

Bagus Priambodo^1,*, Yuwan Jumaryadi¹, Umniy Salamah²

1 Fakultas Ilmu Komputer, Program Studi Sistem Informasi, Universitas Mercu Buana, Jakarta, Indonesia

2 Fakultas Ilmu Komputer, Program Studi Teknik Informatika, Universitas Mercu Buana, Jakarta, Indonesia

Email: ^1,*[email protected], ²[email protected], ³[email protected] Email Penulis Korespondensi: [email protected]

Submitted 06-06-2022; Accepted 20-06-2022; Published 30-06-2022 Abstrak

Selama beberapa tahun terakhir, banyak algoritma untuk prediksi arus lalu lintas telah diusulkan untuk memprediksi arus lalu lintas.

Model time series dan model neural network telah diterapkan secara luas untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data trafik, kecepatan kendaraan, cuaca, kecelakaan, dan hari-hari khusus. Akan tetapi kebanyakan dari penelitian sebelumnya hanya digunakan untuk memprediksi arus lalu lintas, tidak diterapkan untuk memprediksi perambatan arus lalu lintas.

Perambatan arus lalu lintas merupakan penelitian yang menarik, karena dengan menggunakan hasil ini pengemudi dapat menghindari jalan tetangga yang terkena dampak kemacetan jalan. Kami mengusulkan metode korelasi untuk menemukan hubungan antara jalan.

Untuk mengevaluasi hubungan antara jalan, hasil korelasi kami tampilkan dalam peta. Hasil visualisasi menunjukan korelasi trafik pada saat terjadi kemacetan lebih baik dalam menunjukan hubungan antara jalan daripada korelasi pada semua waktu.

Kata Kunci: Penyebaran Arus; Hubungan Antara Jalan; Korelasi; Kemacetan; Transportasi Abstract

Over the past few years, many algorithms for traffic flow predictions have been proposed to predict traffic flow. Time series models and neural network models have been widely implemented to predict traffic flow and traffic congestion based on traffic data, vehicle speed, weather, accidents, and special days. However, most of previous studies are used to predict traffic flow, not applied to predict the propagation of traffic flow. Traffic flow propagation is an interesting study. Using this finding the driver can avoid neighboring roads affected by road congestion. We propose the correlation method to find the relationship between the road. To evaluate the relationship between the road, we display the correlation results in the map. The visualization show that the correlation of traffic when congestion occurs shows better in showing the relationship between the road than the correlation at all times.

Keywords: Congestion Propagation; Relationship Between Roads; Correlation; Traffic Jam; Transportation

1. PENDAHULUAN

Kemacetan lalu lintas adalah keadaan dimana pengguna jalan melebihi kemampuan jalan. Ciri ciri kemacetan jalan raya adalah kecepatan lambat, waktu tempuh lebih lama, dan panjang antrian mobil di sepanjang jalan. Selama beberapa tahun terakhir, banyak algoritma untuk prediksi arus lalu lintas telah disarankan untuk memprediksi arus lalu lintas. Model deret waktu dan model jaringan saraf tiruan banyak digunakan untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data trafik sebelumnya. Data trafik di yang diperoleh dari sensor [1] [2] [3] [4] [5]sering diterapkan menggunakan arima atau jaringan saraf tiruan. Peningkatan kinerja prediksi dapat ditingkat dengan penambahan klasifikasi hari [3], [6]–[9], volume lalu lintas dan zona [10], data cuaca [11], [12], serta data kecepatan dari berbagai kendaraan, hari, dan kepadatan lalu lintas [13]. Prediksi lain menggunakan data lintasan GPS, data cuaca, hari khusus , berdasarkan kesamaan temporal spasial. Penelitian lain menyebut tingkat keselamatan lalu lintas berdasarkan surat izin mengemudi, faktor, GDP dan data kecelakaan menggunakan regresi berganda. Selain prediksi menggunakan metode linier dan nonlinier, penelitian menarik lainnya adalah memprediksi kemacetan jalan berdasarkan irisan persimpangan jalan menggunakan model BML, memprediksi arus lalu lintas berdasarkan kesamaan pola kemacetan lalu lintas [14], penelitian ini dapat berguna untuk memprediksi perambatan arus lalu lintas, namun sayangnya hasil menggunakan metode ini kurang memuaskan. Atau secara umum dalam memprediksi arus lalu lintas banyak faktor yang dapat mempengaruhi arus lalu lintas atau kemacetan lalu lintas pada suatu rute, antara lain data temporal [13] kecepatan kendaraan [12], kemacetan [15], dan kecelakaan [16].

Faktor lain yang mempengaruhi kemacetan lalu lintas pada suatu rute adalah kemacetan jalan di sekitarnya. Seperti penelitian yang dilakukan oleh ahn et al, hubungan antar jalan diekstraksi menggunakan model 3D Markov [17], atau dengan memvisualisasikan dan menyoroti dampak lalu lintas mempengaruhi jalan yang berdekatan [16], visualisasi kemacetan mencerminkan penyebaran arus lalu lintas [18], deteksi kemacetan lalu lintas berdasarkan pada irisan antar simpang menunjukkan adanya hubungan antar jalur [19], kemacetan penambangan antar ruas jalan [20] mencatat hubungan antara satu jalan dengan jalan lainnya. Berdasarkan faktor-faktor yang mempengaruhi kemacetan lalu lintas di atas. Kami menganggap faktor kemacetan di suatu jalan akan mempengaruhi jalan-jalan di sekitarnya. Namun, tidak semua ruas jalan mempengaruhi arus lalu lintas di jalan tersebut. Hanya jalan yang sangat terkait dengan jalan tertentu yang dapat mempengaruhi arus lalu lintas di jalan tersebut. Hal ini dapat membantu petugas yang berwenang dalam melakukan rekayasa lalu lintas.

Model deret waktu dan model jaringan saraf diterapkan secara luas untuk memprediksi arus lalu lintas dan kemacetan lalu lintas berdasarkan data historis, kecepatan kendaraan, cuaca, kecelakaan, dan hari-hari khusus. Tetapi

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 3, Juni 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i3.4203 Hal 667−672 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom kebanyakan dari mereka biasanya digunakan untuk memprediksi arus lalu lintas, tidak diterapkan untuk memprediksi propagasi arus lalu lintas.

Hubungan yang kuat antara satu jalan dan jalan tetangganya membuat jalan tersebut menjadi kandidat kuat untuk input faktor dalam memprediksi kecepatan di jalan. Hasil prediksi ini dapat membantu memprediksi perambatan arus lalu lintas dari jalan yang mengalami situasi macet. Lalu lintas jalan di sekitarnya dapat diterapkan sebagai alat untuk memprediksi perambatan arus lalu lintas. Seperti yang dapat kita lihat pada gambar 1, jalan 158324 dipengaruhi oleh jalan yang mengelilinginya. Jika terjadi kemacetan atau kemacetan jalan di jalan tetangga akan mempengaruhi kecepatan rata-rata di jalan 158324. Atau sebaliknya jika jalan 158324 macet maka akan mempengaruhi arus jalan pada jalan disekitarnya.

Gambar 1. Jalan 158324 dan jalan sekitarnya

Sebelumnya telah dilakukan penelitian tentang korelasi penambangan antara dua jalan [20]. Secara umum akan terjadi korelasi kemacetan dari ruas jalan A ke ruas B jika kondisi ini terjadi, kemacetan terjadi pada ruas jalan A pada waktu t, dari waktu t + T terjadi kemacetan pada ruas jalan B. Demikian pula A dan B berada pada jarak tertentu d . Kelemahan dari algoritma ini, pertama perhitungannya tidak mudah. Untuk memastikan kedua ruas jalan tersebut memiliki hubungan yang kuat maka kita harus menghitung jumlah kemacetan jalan yang terjadi pada ruas jalan B, bila pada ruas jalan A terdapat kemacetan jalan pada saat yang bersamaan, kedua panjang antara jalan A dan jalan B harus dilakukan secara manual. didefinisikan. Dibutuhkan algoritma yang mudah dan cepat untuk menemukan korelasi yang akurat antara dua jalan untuk memprediksi perambatan arus lalu lintas dari data besar arus lalu lintas.

2. METODOLOGI PENELITIAN

Pada gambar 2 dibawah ini merupakan alur metodologi dari penelitian ini.

Gambar 2. Diagram Methodologi 1. Pengumpulan Data

2. Tetapkan interval waktu saat terjadi kemacetan

3. Ambil data median avgSpeed pada interval waktu

5. Evaluasi dengan visualisasi 4. Hitung korelasi trafik antara jalan

berdasarkan data median

(3)

2.1 Pengumpulan Data

Dataset trafik kami diambil dari sensor lalu lintas di Aarhus, Denmark [21] [22] [23]. Jumlah total sensor adalah 449 sensor seperti yang kita lihat pada gambar 3. Data yang kami gunakan adalah data arus trafik pada bulan Juni-September 2014. Kami menghitung semua korelasi antar jalan, tetapi penelitian ini hanya menampilkan hasil daripada 2 jalan yaitu jalan 158324 dan jalan 184649.

Gambar 3. Peta 449 Sensor Lalu Lintas Di Kota Aarhus, Denmark 2.2 Menetapkan interval waktu

Kami menetapkan kemacetan jalan ketika kecepatan rata-rata kurang dari 30 dan jumlah kendaraan yang melewati jalan lebih dari 10. Untuk jalan 158324 kemacetan jalan terjadi pada 05.30 sampai 06.30. Sedangkan untuk ruas jalan 184649 kemacetan terjadi pada pukul 14.10 waktu denmark hingga 14.35 waktu denmark.

2.3 Ambil data median dalam interval waktu

Selanjutnya, untuk menyiapkan perhitungan korelasi, cari nilai tengah kecepatan rata-rata (avgSpeed) dalam rentang interval waktu terjadi kemacetan.

2.4 Hitung korelasi trafik antara jalan berdasarkan data median

Untuk memprediksi dampak jalan antara jalan tetangga kita perlu mencari korelasi tertinggi antara semua jalan di kota.

Kami menghitung korelasi antara semua jalan menggunakan formula korelasi (0) . 𝐶𝑜𝑟𝑥𝑦= ^∑^𝑛^𝑖=1^(𝑥^𝑖^{−𝑥̅)(𝑦}^𝑖^−𝑦̅)

√∑^𝑛_𝑖=1(𝑥_𝑖−𝑥̅)∑^𝑛_𝑖=1(𝑦_𝑖−𝑦̅)

(1)

2.5 Evaluasi hasil dengan visualisasi

Hasil korelasi kami urutkan berdasarkan yang tertinggi hingga yang terendah dimana nilai korelasi terbaik adalah nilai yang paling dekat dengan 1. Selanjutnya lima nilai korelasi tertinggi akan ditampilkan dalam peta.

3. HASIL DAN PEMBAHASAN

Pada penelitian ini kami melakukan dua ekperimen, eksperimen pertama kami menggunakan semua data kondisi arus lalu lintas, sedangkan eksperimen kedua kami menggunakan data trafik pada waktu interval terjadi kemacetan.

3.1 Hasil

3.1.1 Hasil korelasi menggunakan data trafik dalam semua waktu

Menggunakan semua kondisi arus lalu lintas. Banyak ditemukan jalan yang memiliki nilai korelasi tinggi dengan jalan 18324. Begitu juga dengan jalan 184649. Seperti terlihat pada gambar 4 dan gambar 5

(4)

Gambar 4. Visualisasi Jalan Yang Berhubungan Dengan Jalan 158324 (Semua Kondisi Lalu Lintas)

Gambar 5. Visualisasi Jalan Yang Berhubungan Dengan Jalan 184649 (Semua Kondisi Lalu Lintas) 3.1.2 Hasil korelasi menggunakan data trafik pada interval waktu terjadi kemacetan

Eksperimen ini menggunakan lokasi yang sama yaitu pada ruas jalan 158324 akan tetapi pada saat terjadi kemacetan (kemacetan terjadi pada pukul 05:30 – 06:30) dan jalan 184649 (kemacetan terjadi pada pukul 14:20 – 14:35). Hasil korelasi antar jalan dapat dilihat pada tabel 1 dan tabel 2 di bawah ini. Hasil visualisasi korelasi tersebut dapat dilihat pada Gambar 6 dan 7.

Tabel 1. Hasil korelasi jalan 158324

No With Roads Value

1 158475 0.623

2 192574 0.622

3 206051 0.608

4 158415 0.603

5 158595 0.588

Tabel 2. Hasil Korelasi Jalan 158324

No With Roads Value

1 190879 0.305

2 203610 0.284

3 184595 0.280

4 181305 0.258

5 206104 0.253

(5)

Gambar 6. Visualisasi Jalan Yang Memiliki Korelasi Dengan Jalan 158324

Gambar 7. Visualisasi Jalan Yang Memiliki Korelasi Dengan Jalan 184649 3.2 Pembahasan

Berdasarkan hasil eksperimen dengan menggunakan data pada semua waktu, menunjukkan bahwa semua kondisi arus lalu lintas pada ruas jalan 158324 dan jalan 184649 memiliki banyak ruas jalan yang berhubungan dengan jalan tersebut.

Tidak hanya jalan raya yang dekat, tetapi juga jalan lain yang cukup jauh dari jalan raya. Sedangkan hasil eksperimen menggunakan data pada saat terjadi kemacetan menunjukan hasil yang berbeda. Hasil korelasi menggunakan data pada saat terjadi kemacetan menunjukkan hasil yang lebih baik di jalan 184649. Data pada saat terjadi kemacetan, menseleksi lebih banyak jalan. Atau menampilkan hanya jalan jalan yang tertentu. Dimana hanya jalan yang memiliki hubungan kuat saat terjadi kemacetan jalan yang ditampilkan. Namun dari hasil visualisasi pada peta terlihat terdapat ruas jalan yang memiliki korelasi yang cukup kuat, namun memiliki letak yang sangat jauh dari jalan tersebut. Hal ini menunjukan bahwa hasilnya tidak cukup akurat dalam mendeteksi hubungan antar jalan. Sehingga jarak juga perlu dipertimbangkan dalam menilai hubungan antara jalan. Selain filter data kemacetan jalan, data jarak antar jalan juga perlu diperhatikan sebagai parameter. Nilai korelasi yang tinggi pada saat terjadi kemacetan dengan jarak yang saling berdekatan sangat penting dalam prediksi hubungan kemacetan antara dua jalan.

4. KESIMPULAN

Objektif utama dari penelitian ini adalah untuk memprediksi perambatan arus lalu lintas. Berdasarkan studi literatur faktor kemacetan di suatu jalan akan mempengaruhi jalan-jalan di sekitarnya. Namun, tidak semua ruas jalan mempengaruhi arus lalu lintas di jalan tersebut. Hanya ruas jalan yang terhubung kuat dengan ruas jalan tertentu yang dapat mempengaruhi arus lalu lintas di jalan tersebut. Hasil eksperimen menunjukkan bahwa perhitungan korelasi pada saat terjadi kemacetan dapat digunakan untuk mencari hubungan antara jalan. Atau dapat digunakan untuk memprediksi jalan

(6)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 3, Juni 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i3.4203 Hal 667−672 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom jalan yang terkena dampak dari kemacetan suatu jalan. Pemilihan waktu dan kriteria saat terjadi kemacetan jalan juga penting dalam prediksi hubungan kemacetan antara dua ruas jalan. Selain itu jarak antara jalan juga faktor yang penting untuk menilai apakah suatu jalan memiliki hubungan atau tidak. Selain itu nilai korelasi antar jalan juga berbeda antara jalan 158324 dan jalan 184649. Kemungkinan letak jalan, persimpangan, kondisi jalan menyebabkan perbedaan nilai korelasi jalan, selain faktor waktu dan faktor kriteria kemacetan jalan.

REFERENCES

[1] A. Abadi, T. Rajabioun, and P. A. Ioannou, “Traffic Flow Prediction for Road Transportation Networks With Limited Traffic Data,” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 2, pp. 653–662, 2015, doi: 10.1109/TITS.2014.2337238.

[2] K. Y. Chan and T. S. Dillon, “Traffic flow prediction using orthogonal arrays and Takagi-Sugeno neural fuzzy models,” in 2014 International Joint Conference on Neural Networks (IJCNN), 2014, pp. 35–41, doi: 10.1109/IJCNN.2014.6889374.

[3] H. Dong, L. Jia, X. Sun, C. Li, and Y. Qin, “Road traffic flow prediction with a time-oriented ARIMA model,” in NCM 2009 - 5th International Joint Conference on INC, IMS, and IDC, 2009, no. 1, pp. 1649–1652, doi: 10.1109/NCM.2009.224.

[4] C. Hu, K. Xie, G. Song, and T. Wu, “Hybrid Process Neural Network based on Spatio-Temporal Similarities for Short-Term Traffic Flow Prediction,” in Proceedings of the 11th International IEEE Conference on Intelligent Transportation Systems Beijing, China, October 12-15, 2008, 2008, pp. 253–258.

[5] K. Kumar, M. Parida, and V. K. Katiyar, “Short Term Traffic Flow Prediction for a Non Urban Highway Using Artificial Neural Network,” in Procedia - Social and Behavioral Sciences, 2013, vol. 104, pp. 755–764, doi: 10.1016/j.sbspro.2013.11.170.

[6] B. Priambodo and Y. Jumaryadi, “Time Series Traffic Speed Prediction Using k-Nearest Neighbour Based on Similar Traffic Data,” MATEC Web Conf., vol. 218, p. 03021, 2018, doi: 10.1051/matecconf/201821803021.

[7] B. Priambodo and A. Ahmad, “Traffic flow prediction model based on neighbouring roads using neural network and multiple regression,” J. Inf. Commun. Technol., vol. 17, no. 4, pp. 513–535, 2018.

[8] B. Priambodo and A. Ahmad, “Predicting Traffic Flow Based on Average Speed of Neighbouring Road Using Multiple Regression.”

[9] I. Laña, J. Del Ser, and I. Olabarrieta, “Understanding Daily Mobility Patterns in Urban Road Networks using Traffic Flow Analytics,” in International Workshop on Urban Mobility & Intelligent Transportation Systems (UMITS), 2016, pp. 1157–1162, doi: 10.1109/NOMS.2016.7502980.

[10] H. Dai and Z. Yang, “Real-Time Traffic Volume Estimation with Fuzzy Linear Regression,” in 2006 6th World Congress on Intelligent Control and Automation, 2006, pp. 3164–3167, doi: 10.1109/WCICA.2006.1712950.

[11] D. Zhang and M. R. Kabuka, “Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning Approach,” Proc. - 2017 IEEE 15th Int. Conf. Dependable, Auton. Secur. Comput. 2017 IEEE 15th Int. Conf. Pervasive Intell.

Comput. 2017 IEEE 3rd Int. Conf. Big Data Intell. Compu, vol. 2018-Janua, pp. 1216–1219, 2018, doi: 10.1109/DASC-PICom- DataCom-CyberSciTec.2017.194.

[12] J. Lee, B. Hong, K. Lee, and Y.-J. Jang, “A Prediction Model of Traffic Congestion Using Weather Data,” in 2015 IEEE International Conference on Data Science and Data Intensive Systems, 2015, pp. 81–88, doi: 10.1109/DSDIS.2015.96.

[13] R. Zhang, Y. Shu, Z. Yang, P. Cheng, and J. Chen, “Hybrid Traffic Speed Modeling and Prediction Using Real-World Data,”

Proc. - 2015 IEEE Int. Congr. Big Data, BigData Congr. 2015, pp. 230–237, 2015, doi: 10.1109/BigDataCongress.2015.40.

[14] W. Hu, L. Yan, and H. Wang, “Traffic Jams Prediction Method based on Two-dimension Cellular Automata Model *,” 2014.

[15] K. Lee, B. Hong, D. Jeong, and J. Lee, “Congestion pattern model for predicting short-term traffic decongestion times,” in 2014 17th IEEE International Conference on Intelligent Transportation Systems, ITSC 2014, 2014, pp. 2828–2833, doi:

10.1109/ITSC.2014.6958143.

[16] A. Anwar, T. Nagel, and C. Ratti, “Traffic origins: A simple visualization technique to support traffic incident analysis,” IEEE Pacific Vis. Symp., pp. 316–319, 2014, doi: 10.1109/PacificVis.2014.35.

[17] J. Ahn, E. Ko, and E. Y. Kim, “Highway traffic flow prediction using support vector regression and Bayesian classifier,” 2016 Int. Conf. Big Data Smart Comput. BigComp 2016, pp. 239–244, 2016, doi: 10.1109/BIGCOMP.2016.7425919.

[18] W. Xiong, Z. Yu, L. Eeckhout, Z. Bei, F. Zhang, and C. Xu, “SZTS: A novel big data transportation system benchmark suite,”

Proc. Int. Conf. Parallel Process., vol. 2015-Decem, pp. 819–828, 2015, doi: 10.1109/ICPP.2015.91.

[19] W. Hu, L. Yan, and H. Wang, “Traffic jams prediction method based on two-dimension cellular automata model,” in 17th International IEEE Conference on Intelligent Transportation Systems (ITSC), 2014, pp. 2023–2028, doi:

10.1109/ITSC.2014.6958001.

[20] Z. Wang, M. Lu, X. Yuan, J. Zhang, and H. Van De Wetering, “Visual traffic jam analysis based on trajectory data,” IEEE Trans.

Vis. Comput. Graph., vol. 19, no. 12, pp. 2159–2168, 2013, doi: 10.1109/TVCG.2013.228.

[21] S. Bischof, C.-S. Karapantelakis, Athanasios Nechifor, A. Sheth, A. Mileo, and P. Barnaghi, “Real Time IoT Stream Processing and Large-scale Data Analytics for Smart City Applications,” 2014.

[22] S. Kolozali, M. Bermudez-Edo, D. Puschmann, F. Ganz, and P. Barnaghi, “A knowledge-based approach for real-time IoT data stream annotation and processing,” in Proceedings - 2014 IEEE International Conference on Internet of Things, iThings 2014, 2014 IEEE International Conference on Green Computing and Communications, GreenCom 2014 and 2014 IEEE International Conference on Cyber-Physical-Social Computing, CPS 20, 2014, no. iThings, pp. 215–222, doi: 10.1109/iThings.2014.39.

[23] S. Bischof, A. Karapantelakis, A. Sheth, and A. Mileo, “Semantic Modelling of Smart City Data Description of Smart City Data,”

in W3C Workshop on the Web of Things Enablers and services for an open Web of Devices, 2014, pp. 1–5, [Online]. Available:

http://www.w3.org/2014/02/wot/papers/karapantelakis.pdf.