Pengendalian Lampu Lalu Lintas menggunakan Reinforcement Learning dengan memprioritaskan Kendaraan Darurat
Kunti Khoirunnisaa, Dr. Ir. Rudy Hartanto, M.T., IPM.; Dr. I Wayan Mustika, S.T., M.Eng.
2024 | Tesis | S2 Teknologi Informasi
Kemacetan lalu lintas merupakan masalah utama di kota-kota, memunculkan
tantangan baru termasuk kesulitan kendaraan darurat mencapai tujuan dengan cepat.
Sistem Transportasi Cerdas (ITS) menjadi solusi dengan penggunaan keputusan
berbasis aturan ahli untuk penentuan lampu lalu lintas.
Kini, Artificial Intelligence (AI) membuka peluang baru dengan kemampuannya
memproses data skala besar, memodelkan perilaku jalan raya secara real-time, dan
mengevaluasi kinerja sistem lampu lalu lintas (APILL). AI dapat mengatasi
kompleksitas ini karna sifatnya dapat memproses multiple-sourced dengan skala yang
besar secara real time mulai dari mengenali kondisi lalu lintas, memprediksi dan
mengevaluasi performa system.
Penelitian ini mengusulkan penerapan Deep Reinforcement Learning, khususnya
Deep Q-Network (DQN) dengan Q-learning, untuk mengendalikan lalu lintas di
persimpangan dengan formulasi yang lebih mempertimbangkan kehadiran Kendaraan
Darurat. Agen APILL cerdas berfungsi sebagai agen yang dinamis mengatur fase
untuk menyeimbangkan antara pemulihan Kendaraan Normal dan pemberian prioritas
pada Kendaraan Darurat.
Hasil penelitian menunjukkan pengurangan efektif dalam waktu tunggu
kendaraan, dibandingkan dengan metode APILL yang diatur secara statis sebesar 52%.
Pengurangan ini lebih baik dibandingkan metode [5] dimana hanya mengurangi waktu
tunggu kendaraan sebesar 37%. Hasil yang lebih optimal juga terjadi pada penurunan
waktu tunggu Kendaraan Darurat yang lebih stabil dibandingkan dengan metode [5].
Traffic congestion is a major issue in cities, posing new challenges such as the
difficulty for emergency vehicles to reach their destinations quickly. Intelligent
Transportation Systems (ITS) offer a solution by utilizing decision-making based on
expert rules for traffic light control.
Now, Artificial Intelligence (AI) opens new opportunities with its ability to
process large-scale data, model real-time road behavior, and evaluate the performance
of traffic light systems (APILL). AI can address this complexity due to its capability to
process multiple-sourced, large-scale data in real-time, ranging from recognizing
traffic conditions to predicting and evaluating system performance.
This research proposes the application of Deep Reinforcement Learning,
specifically Deep Q-Network (DQN) with Q-learning, to control traffic at intersections
with a formulation that takes into account the presence of Emergency Vehicles. The
intelligent traffic light agent functions as an agent that dynamically regulates phases to
balance between Normal Vehicle recovery and prioritization of Emergency Vehicles.
The results showed an effective reduction in vehicle waiting time, compared to the
statically regulated traffic light method of 52%. This reduction is better than the
method [5] which only reduces vehicle waiting time by 37%. More optimal results also
occur in a more stable reduction in Emergency Vehicle waiting times compared to the
method [5].
Kata Kunci : Emergency Vehicle Preemption (EVP), Reinforcement Learning, Deep Q-Network, Q-Learning