REVIEW JURNAL INTERNASIONAL

Evaluation of Road Traffic Congestion Using Fuzzy Techniques

(Evaluasi Kemacetan Lalulintas menggunakan Teknik Fuzzy)

 

Oleh : Husnul Khotimah 

NIM : 2010.69.04.0004 

Mata Kuliah : Analictical Intelligence (Kecerdasan Buatan)

UNIVERSITAS YUDHARTA PASURUAN

PRODI TEKNIK INFORMATIKA

 

A.     PENDAHULUAN

Pada tugas riveus jurnal kali ini, saya mengambil sebuah jurnal internasional yang berjudul Evaluation of Road Traffic Congestion Using Fuzzy Techniques atau Evaluasi Kemacetan Lalulintas menggunakan teknik Fuzzy. Jurnal ini peneliti persembahkan untuk sebuah system evaluasi Lalulintas dari data pengolahan citra yang menggunakan penyesuaian Logika fuzzy secara manual.

Peneliti mengambil sampel data untuk penelitian ini di daerah metropolitan Bangkok. Hal ini dekarenakan daerah-daerah kota besar seperti di Bangkok cenderung mengalami kemacetan.

Informasi data lalulintas di ambil didapatkan dari aplikasi pendeteksi kendaraan dan lalulintas yang memerlukan sebuah sinyal video sebagai input untuk menghitung kecepatan dan kepadatan kendaraan.

Pelaporan lalulintas bisa menjadi tugas yang membingungkan selama tidak ada standarisasi dalam pengukuran kemacetan. Pengguna umum membutuhkan laporan lalulintas yang singkat dan mudah dimengerti. Salah satu cara yang umum digunakan yaitu melaporkan keadaan kemacetan lalulintas menurut tingkat kemacetannya.

Beberapa kendala dalam melaporkan kemacetan menurut tingkat kemacetannya adalah berapa banyak tingkat kemacetan yang digunakan, dan seberapa tepat definisi pada tiap tingkat kemacetan. Kemacetan lalulintas adalah sebuah kuantitas subjektif. Dalam suatu kondisi jalan yang sama, beberapa orang mungkin merasa jalan itu macet berat, sedangkan beberapa orang lain mungkin merasa jalan itu hanya sedikit macet. Ini adalah masalah dari ketidakcocokan penafsiran data karena pengalaman pengemudi yang berbeda-beda. Karena itu peneliti mengenalkan sebuah teknik Fuzzy untuk mengatasi masalah ini. Logika fuzzy dikenal  sangat cocok untuk masalah non linear (tidak bisa ditentukan) seperti perasaan manusia.

B.     PENDEKATAN PENELITI

Dalam proyek ini, peneliti melakukan percobaan dengan dua system fuzzy. Yang pertama yaitu system fuzzy manual yang sudah diuji. Dan yang kedua adalah system keputusan Neuro-Fuzzy adaptif. Bagian III akan membandingkan keakuratan dari kedua system tersebut.

1.      Logika Fuzzy

Logika Fuzzy adalah sebuah model yang menghubungkan hubungan antara input dan output yang berbasis teorema probabilitas. Logika ini bisa mengatasi situasi dimana disana ada ketidakpastian yang terlibat, seperti masalah yang bergantung pada perasaan dan pengalaman manusia. Karenanya, logika fuzzy ini cocok untuk laporan lalulitas jalan raya dimana orang-orang yang berbeda bisa memiliki perasaan yang berbeda pula dalam situasi kemacetan yang sama.

Dalam proses logika fuzzy terdapat dua bagian utama. 1) input dan output fungsi utama, yang jangkauannya bisa kita definisikan secara manual agar bisa sesuai dengan logia input/output. Dan 2) ketentuan fuzzy yang dirancang secara manual oleh seorang programmer sesuai dengan keahliannya dalam mengatasi masalah-masalah tertentu. Disana ada beberapa jenis dari  fungsi utamanya seperti trapezium, segitiga, lonceng, Gaussian, dan lain-lain. Dalam proyek kita, kita mencoba fungsi-fungsi tersebut untuk menemukan fungsi dari trapezium agar bekerja maksimal

2.      Neuro-Fuzzy Adaptiff

Neuro-Fuzzy Adaptiv ini lebih sering dikenal dengan Logika Fuzzy Normal, yang  jarak dari fungsi utama berdasarkan dengan pengaturan secara manual pada data ujicoba. Peneliti memakai Adapative Neuro-Fuzzy Inference System (ANFIS) atau Sistem Keputusan Neuro-Fuzzy Adaptif (6), yang menggunakan kedua teknikn gradient dan least-square untuk membuat peraturan dan mengatur jarak utama untuk menyesuaikan dengan data ujicoba peneliti. Fungsi utama yang digunakan di ANFIS adalah fungsi lonceng. Kita menguji coba ANFIS kami selama 100 kali.

3.      Akuisis data

Penelti memperoleh video lalu lintas di jalan Sukhumvit, pada sebuah jalan di Bangkok pada 3 Jalur sibuk. Video yang berdurasi 220 menit ini di ambil saat sore hari pada tanggal 2 agustus 2006. Kemudian peneliti menggunakan aplikasi pendetesi kendaraan dan jalan, yang ditunjukkan pada Figure 1, yang mendeteksi jumlah dan kecepatan kendaraan dari input video. Outputnya kepadatan kendaraan dan kecepatan rata-ratanya setiap 30 detik. Output tersebut menjadi input untuk system fuzzy peneliti.

 

Selain kecepatan dan kepadatan kendaraan, penilaian manusia pada tingkat kemacetan juga dijadikan input. Penilaian tersebut dijadikan standar ukur untuk evaluai kemacetan lalulintas. Pendapat tersebut diperoleh dari 10 relawan yang menyaksian video kemacetan lalulintas yang sama. Dan memberikan  nilai (Merah, Kuning, Hijau) setiap jangka waktu 30 detik. Pilihan yang terbanyak digunakan sebagai standar pengukuran target.

4.      Accuracy Measurement (keakuratan ukuran)

kinerja matrik yang kita gunakan untuk mengevaluai kinerja system Fuzzy kita adalah keakuratan yang didefinisikan sebagai

Jika dari haril diatas masih dianggap kurang benar, maka akan diambil pendapat dari para relawan, peneliti menggambarkan matrik lain yang disebut dengan Average Deviation (rata-rata penyimpangan)

HumanOpinionScore   =  nilai kemacetan yang dipilih mayoritan relawan

FuzzyScore                  =  nilai tingkat kemacetan dari system Fuzzy

Angka 1, 2, dan 3 diberikan untuk tingkat kemacetan Merah, Kuning, Hijau yang diberikan secara berurutan. Untuk itu, AvgDeviation akan bergeser dari tingkat 0 – 2. Dengan 0 nilai paling akurat, dan 2 kesalahan terbesar.

C.     HASIL PENELITIAN

Peneliti melakukan 6 percobaan untuk tingkat kemacetan lalulintas yang berdasarkan pada data video yang sudah dijelaskan sebelumnya.  Pada tiap percobaan peneliti merubah jenis input dan penilaian selang waktunya. Peneliti menggunakan tool “Fuzzy Logic Control” dan “ANFIS” pada MATLAB untuk penerapan Logika Fuzzy dan Neuro-Fuzzy Adaptif.

1.      Jalur Tunggal, Evaluasi Kecepatan (Single-Lane, Velocity Evaluation)

Pada percobaan pertama, peneliti mengasumsikan interval evaluasinya selama 30 detik. Input untuk logika fuzzynya adalah rata-rata kecepatan jalur tengah dan rata-rata kecepatan jalur kanan.

Peneliti mengabaikan jalur kiri karena disana banyak Bus dan Taxi berhenti. Kumpulan aturan Fuzzy untuk penelitian ini ditunjukkan pada figure 4.

Peneliti menyesuaikan secara manual tiga golongan utama untuk tiap inputan, yang disebut Slow (pelan) untuk kecepatan kurang dari 18 k/jam, Medium (sedang) diantara 11-35 km/jam, dan Fast (Cepat) lebih dari 18 km/jam. Tingkat kecepatan lajunya sama dengan jalur tengan kecuali tingkat Medium nya antara 11-26 km/jam. dan menghasilkan 3 output Red (Merah), Yellow (Kuning), Green (Hijau). Kemiripan jaraknya 0-1. 1-2, dan 2-3 secara berurutan.

Dari penelitian ini menghasilkan ketakuratan 75.86% dan rata-rata tingkat penyimpangan 0.2414.

2.      Jalur Tunggal, Evaluasi Kepadatan dan Kecepatan (Single-Lane, Velocity and Volume Evaluation)

Pada percobaan ini, disamping kecepatan rata-ratanya, peneliti juga menambahkan jumlah kendaraan pada tiap jalur sebagai inputnya. Peneliti melakukan kontrol logika Fuzzy dua kali. Pertama menggunakan kecepatan dan kepadatan kendaraan pada jalur tengah, dan kedua mengunakan kecepatan dan kepadatan kendaraan pada jalur kanan. Outputnya adalah rata-rata dari output kedua tahap diatas.

Dari percobaan ini, peneliti memperoleh tiga kecepatan tempuh utama sebagai input, yaitu 0-11 km/jam untuk Slow, 8-26 km/jam untuk Medium, dan lebih 18 km/jam untuk Fast. Dan kepadatan kendaraan juga dibagi menjadi 3 tingkat, yaitu 0-6 mobil untuk Minimum, 2-10 mobil untuk Medium, dan lebih dari 6 mobil untuk Maximum.

Ketentuan-ketentuan Fuzzy untuk percobaan ini ditunjukkan pada figure 5.

Dari penelitian ini menghasilkan tingkat keakuratan 88.76% dan rata-rata tingkat penyimpangannya adalah 0.1208.

Ini bisa dilihat bahwa kinerja logika fuzzy lebih baik jika menggunakan dua jenis inputan, yaitu kepadatan dan kecepatan rata-rata kendaraan dari pada hanya menggunakan kecepatan saja.

3.      Dua Jalur, Evaluasi Rata-rata kecepatan dan Jumlah Kepadatan (Two-Lane, Avg Velocity & total volume evaluation)

Pada percobaan ini, peneliti masih menggunakan kecepatan dan kepadatan kendaraan sebagai input. Pengecualiannya, kita mengkombinasikan jumlah kepadatan kendaraan dan rata-rata kecepatan kendaraan pada kedua jalur. Dan memperoleh tiga kecepatan tempuh utama sama seperti pada percobaan 2. Akan nilai dari jumlah kepadatan kendaraannya berubah menjadi 0-8 mobil untuk Min, 2-15 mobil untuk Medium, dan lebih dari 8 mobil untuk Max. Ketentuan Fuzzy untuk percobaan ini sama seperti pada Figure 5.

Logika Fuzzy pada percobaan ini mencapai tingkat keakuratan 86.20% dan rata-rata tingkat penyimpangannya 0.1466.

4.      Jalur Tunggal, Kecepatan rata-rata, 60 Detik (Single-Lane, Velocity Evaluation, 60 Second)

pada percobaan ini peneliti menguji effek dari evaluasi interval. Pada percobaan 1 – 3 semuanya mengasumsikan selang waktu selama 30 detik. Tapi pada percobaan ini, selang waktunya diperpanjang menjadi 60 detik. Input, output, dan ketentuan fuzzynya sama seperti pada percobaan 1. Tingkat Keakuratan pada percobaan ini mencapai 81.96% dan rata-rata tingkat penyimpangannya 0.1804. kinerjanya lebih baik dari pada percobaan 1, yang membuat kita berfikir bahwa periode evaluasi bisa mempengaruhi kinerja dari system logika fuzzy.

5.      Jalur Tunggal, Evaluasi Kepadatan dan Kecepatan, 60 Detik (Single-Lane, velocity & Volume Evaluation, 60 Second)

Pada percobaan ini, peneliti pengulang percobaan 2, hanya saja peneliti menambah waktu intervalnya menjadi 60 detik. Peneliti juga mensimulasikan control Fuzzy sebanyak 2 kali untuk tiap jalur. Percobaan ini juga menghasilkan jarak tempuh kecepatan sama seperti pada percobaan 2. Akan tetapi jumlah volume kendaraannya berubah menjadi  0-23 mobil, 20-34 mobil, dan lebih dari 31 mobil untuk Slow, Medium dan Fast secara berurutan. Volume kendaraan tersebut menyatakan bahwa eksperimen ini tidak lebih baik dari eksperimen 2. Keakuratannya adalah 81.96% sedangkatn rata-rata penyimpangannya adalah0.1804. Oleh karena itu kita tidak bisa menyimpulkan bahwa evaluasi periode bisa meningkatkan keakuratan.

6.      Adative Neuro-Fuzzy Evaluation

Teknik Neuro-Fuzzy adaptiv hampir sama dengan sistem kontrol Logika Fuzzy. peneliti menggunakan rata-rata kecepatan dan jumlah kepadatan lalulintas pada kedua jalur sebagai input, dan mengasumsikan selang waktu evaluasi 60 detik. Dan outputnya adalah persamaan linear.

Setelah 100 kali pengujian, sistem neuro-fuzzy adaptif siap untuk evaluasi keadaan kemacetan. Peneliti membandingkan hasil dari neuro-fuzzy adaptif dengan pendapat manusia (menggunakan beberapa pendapat yang berbeda untuk pengujian dan untuk membuktikan keakuratan).

Hasilnya menunjukkan ketepatannya 75.43% dan rata-rata tingkat penyimpangannya adalah 0.2808. Keakuratann ini lebih rendah dari semua sistem logika fuzzy yang telah di uji sebelumnya.

Tabel dibawah merangkum ketepatan dan rata-rata penyimpangan dari semua percobaan.

D.     KESIMPULAN

Dalam jurnal ini, penulis mengusulkan untuk menggunakan logika fuzzy dan sistem neuro-adaptif fuzzy untuk mengevaluasi tingkat dari kemacetan lalulintas. Kinerja dari sistem yang di usulkan telah dievaluasi dengan mengukur ketepatan dari output terhadap pendapat relawan. Selesai percobaan, peneliti menemukan bahwa mengatur sistem logika fuzzy secara manual mencapai keakuratan yang lebih tinggi dari pada sistem Neuro-Fuzzy adaptif. Itu dikarenan sistem logika fuzzy bisa menangkap keahlian manusia lebih baik setelah penyesuaian secara manual dari fungsi utama.

Peneliti menguji kedua jenis input logika fuzzy, kecepatan rata-rata dan kepadatan lalu lintas dalam sebuah interval. Hasil menunjukkan bahwa menggunakan kedua parameter sebagai input menghasilkan keakuratan yang lebih baik dari pada hanya menggunakan informasi kecepatan.

peneliti juga mengamati bagaimana ketepatan effek evaluasi interfal pada sistem. Hasilnya tidak meyakinkan apakah selang waktu yang lebih panjang bisa meningkatkan keakuratan.

REFERENSI

Genius  Joint  Venture  Co.  Ltd,  “Intelligent  Message  Sign System”,  available  at  http://www.forth-its.com/   (accessed May 1,2007)

J. Lu and L. Cao, “Congestion Evaluation from Traffic flow information based on fuzzy logic,” in IEEE Intelligent Transportation Systems, vol. 1, 2003, pp.50-53.

B. Krause and C. von Altrock, “Intelligent highway by fuzzy logic: Congestion detection and traffic control on multi-lane roads with variable road signs,” in 5^th Internasional Conference in uzzy Systems,

F. Porikli and X. Li, “Traffic congestion estimation using hmm models without vehicle tracking,” in IEEE Intelligent Vehicle Symposium, June 2004, pp. 188-193.

W. Pattara-atikom, P. Pongpaibool, and S. Thajchayapong, 2006 “Estimating Road Traffic Congestion using vehicle Velocity”, in Proceeding of ITST 2006, June 2006.

A.P. Paplinski, Adaptive Neuro-Fuzzy Inference System (ANFIS), May 20, 2005.

N. Patchancee, P. Tangamchit, P. Pongpaibool, “Road Traffic Estimation from a GPR-equipped Cas Using Fuzzy Logic”, in Proceeding of 29^th Electrical Engineering Conference, Vol.2 pp. 1081-1084, Chonburi, Thailand, November 2006.