Implementasi Sistem Pengaturan Lampu Lalu Lintas Berbasis DRL untuk Mengoptimalkan Durasi Lampu Hijau
Keywords:
Sistem Lampu Lalu Lintas, Kemacetan, Deep Reinforcement Learning, Double Deep Q-Network, Lalu Lintas AdaptifAbstract
Kemacetan lalu lintas di persimpangan jalan merupakan masalah serius di kota-kota besar, terutama akibat sistem kontrol lampu statis yang tidak adaptif. Sistem konvensional seringkali tidak mampu merespons kondisi lalu lintas real-time, mengakibatkan antrean panjang dan waktu tunggu yang tidak efisien. Oleh karena itu, penelitian ini mengimplementasikan sistem pengaturan lampu lalu lintas berbasis Deep Reinforcement Learning (DRL) untuk mengoptimalkan durasi lampu hijau secara adaptif. Pendekatan DRL dengan algoritma Double Deep Q-Network (Double DQN) diimplementasikan dalam simulasi SUMO. Agen DRL dilatih untuk menerima informasi state (jumlah antrean kendaraan dan fase lampu hijau yang aktif) dan menghasilkan action (memilih durasi fase hijau). Fungsi reward dirancang untuk meminimalkan "Tekanan" sistem (yaitu jumlah kuadrat antrean), yang berfungsi untuk menghukum ketidakseimbangan lalu lintas dan memandu agen belajar strategi optimal. Hasil pengujian komparatif pada berbagai skenario, khususnya skenario acak untuk uji generalisasi, menunjukkan DRL secara signifikan lebih unggul dari sistem kontrol waktu tetap (Statis-30s dan Statis-60s). DRL berhasil menurunkan rata-rata antrean hingga 36.76%, meningkatkan rata-rata kecepatan kendaraan hingga 29.47%, dan meningkatkan throughput hingga 2.70% (vs. Statis-60s). Terhadap Statis-30s, DRL unggul dengan penurunan rata-rata antrean 12.86%, peningkatan rata-rata kecepatan 6.05%, dan peningkatan throughput 2.86%. Keunggulan ini mencakup kemampuan bergeneralisasi yang kuat. Penelitian ini menyimpulkan pendekatan DRL dengan Double DQN adalah solusi efektif dan tangguh untuk mengoptimalkan durasi lampu hijau.
References
Astuti, S., Manalu, R., Simamora, E., Ulina, E., Hombing, B., Maulana, J., Sarah, K., Siahaan, A., Manalu, M. E., & Ekonomi, I. (2024). Analisis Faktor Penyebab Kemacetan Lalu Lintas Di Simpang Empat Unimed Mmtc Medan Analysis Of Factors Caused By Traffic Construction At The Unimed Middle Mixation Of Mmtc Medan. https://jicnusantara.com/index.php/jiic
Boyko, N., & Mokryk, Y. (2024). Optimizing Traffic at Intersections With Deep Reinforcement Learning. Journal of Engineering, 2024(1), 6509852. https://doi.org/10.1155/2024/6509852
Brilliant, M. G., Meilala, R. R. S., & Herwanis, D. (2024). Manajemen Transportasi: Kerugian Transportasi Akibat Kemacetan Lalu Lintas di Aceh. Sammajiva: Jurnal Penelitian Bisnis Dan Manajemen, 2(4), 42–53.
Damadam, S., Zourbakhsh, M., Javidan, R., & Faroughi, A. (2022). An Intelligent IoT Based Traffic Light Management System: Deep Reinforcement Learning. Smart Cities, 5(4). https://doi.org/10.3390/smartcities5040066
Gao, S., Ding, J., Fu, L., & Wang, X. (2025). Controlling Underestimation Bias in Constrained Reinforcement Learning for Safe Exploration. https://proceedings.mlr.press/v267/gao25b.html
HUANG, F., HE, Y., ZHANG, Y., DENG, X., & JIANG, W. (2024). Controlling underestimation bias in reinforcement learning via minmax operation. Chinese Journal of Aeronautics, 37(7), 406–417. https://doi.org/10.1016/j.cja.2024.03.008
Inayah, S., Yusuf, I. A. W., & Farihin, A. (2025). Faktor Penyebab Kemacetan Lalu Lintas di Kecamatan Gedebage Kota Bandung. Sosiosaintika, 3(1), 11–20.
Kolat, M., Kővári, B., Bécsi, T., & Aradi, S. (2023). Multi-Agent Reinforcement Learning for Traffic Signal Control: A Cooperative Approach. Sustainability, 15(4). https://doi.org/10.3390/su15043479
Li, Z., Yu, H., Zhang, G., Dong, S., & Xu, C.-Z. (2021). Network-wide traffic signal control optimization using a multi-agent deep reinforcement learning. https://doi.org/10.1016/j.trc.2021.103059
Liang, X., Du, X., Wang, G., & Han, Z. (2019). A Deep Reinforcement Learning Network for Traffic Light Cycle Control. IEEE Transactions on Vehicular Technology, 68(2). https://doi.org/10.1109/TVT.2018.2890726
Liu, D., & Li, L. (2023). A traffic light control method based on multi-agent deep reinforcement learning algorithm. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-36606-2
Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Flotterod, Y. P., Hilbrich, R., Lucken, L., Rummel, J., Wagner, P., & Wiebner, E. (2018). Microscopic Traffic Simulation using SUMO. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 2018-November. https://doi.org/10.1109/ITSC.2018.8569938
Maha, E. (2022). Analisis faktor-faktor pendorong penyebab terjadinya kemacetan di kawasan Pajus Padang Bulan Medan. Jurnal Samudra Geografi, 5(1), 38–42.
Matsuo, Y., LeCun, Y., Sahani, M., Precup, D., Silver, D., Sugiyama, M., Uchibe, E., & Morimoto, J. (2022). Deep learning, reinforcement learning, and world models. Neural Networks, 152, 267–275. https://doi.org/10.1016/j.neunet.2022.03.037
Putra, R., Syahbana, Y., & Ananda, A. (2024). Implementasi Algoritma Deep Q-Network (DQN) pada Lampu Lalu Lintas Adaptif Berdasarkan Waktu Tunggu dan Arus Kendaraan. The Indonesian Journal of Computer Science, 13. https://doi.org/10.33022/ijcs.v13i5.4372
Safira, E., & Khuluqi, S. F. (2023). Analisis Tingkat Kemacetan Dan Faktor Penyebab Kemacetan Lalu Lintas Di Jalan Sultan Hamid Ii Kecamatan Pontianak Selatan.
