LAPORAN

TUGAS KELOMPOK 5

SISTEM KONTROL FUZZY UNTUK MENGATUR LAMPU LALU LINTAS

disusun untuk memenuhi tugas

Mata Kuliah Soft Computing

Oleh :

Aji Tri Hutama (118090023)

Tia Hayati Manik (118090024)

Ivan Rekyan Fitrayana (118090025)

PROGRAM STUDI ILMU KOMPUTASI

INSTITUT TEKNOLOGI TELKOM

BANDUNG

2012

SISTEM KONTROL FUZZY UNTUK MENGATUR LAMPU LALU LINTAS

1. PENDAHULUAN

Dewasa ini, transportasi menjadi sebuah sarana penting dalam kehidupan sehari-hari. Peningkatan jumlah transportasi pun meningkat tajam beberapa tahun belakangan. Lampu merah adalah sebuah metode untuk pengaturan lalu lintas yang aman dan tertib. Namun, bisa kita lihat di banyak kota besar, kepadatan kendaraan di lampu merah menjadi tinggi akibat lamanya durasi waktu menunggu di lampu merah. Padahal seperti kita ketahui bersama, dunia teknologi telah berkembang pesat. Dengan menggunakan sistem kontrol cerdas, kita dapat membuat sebuah alat sistem yang bisa kita sesuaikan pengaturannya sesuai kebutuhan. Kita dapat membuat sistem lampu merah cerdas dengan menggunakan micro-controller yang digabungkan dengan sebuah sistem kontrol fuzzy agar pengaturannya menyesuaikan jumlah kepadatan kendaraan di persimpangan lampu merah agar tidak terjadi kemacetan yang panjang. Dalam paper ini akan dikenalkan sebuah metode pengaturan lampu merah yang dapat diatur fleksibel menggunakan umpan balik visual dari pengambilan gambar melalui kamera, segmentasi gambar, dan teknik kontrol fuzzy.

2. TEKNIK SAAT INI

Teknik yang paling umum digunakan untuk mengatur lampu lalu lintas saat ini adalah yang berbasis micro controller, yang mengontrol 4 set lampu lalu lintas. Lampu lalu lintas mengatur arah lalu lintas agar tidak bertabrakan waktunya sesuai waktu yang ditetapkan. Sebagai contoh yaitu lampu hijau yang menyala pada arah tertentu, dan di lain arah yang bertabrakan akan dimunculkan warna merah. Di negara India yang menggunakan sistem left hand drive, lalu lintas akan diijinkan untuk melajukan kendaraan dari utara ke selatan atau sebaliknya, ketika timur ke arah barat, timur ke arah utara, barat ke arah timur, barat ke arah selatan, utara ke arah barat, dan selatan ke arah timur diblok pada waktu yang bersamaan.

Waktu untuk lampu lintas sudah diatur sebagaimana lalu lintas tersebut bergerak perlahan di semua arah tanpa membatasi satu arah harus menunggu waktu panjang yang tidak seharusnya untuk giliran. Giliran untuk melaju perlahan diputar sampai semua sisi memiliki giliran sebelum satu sisi memperoleh lampu merah. Waktunya diawali sesuai dengan level normal dari lalu lintas pada saat melewati sesuai penjelasan sebelumnya.

3. TEKNIK YANG DITAWARKAN

Teknik yang diuraikan sebelumnya merupakan tipikal kontrol teknik yang statis. Teknik yang dianjurkan dalam jurnal yang kami bahas adalah teknik yang mengandalkan seorang polisi lalu lintas untuk mengatasi permasalahan kemacetan yang sama.

Seorang operator lalu lintas, dapat mengamati kondisi aktual jalan, dan mengubah penempatan waktu berdasarkan jumlah antrian kendaraan selagi melakukan pembagian rotasi yang adil.

Paper yang kami bahas menganjurkan teknik dengan pendekatan yang manusiawi untuk membuat sistem real time dari otomasi kontrol lampu lalu lintas.

A. Pendekatan HeuristicPendekatan heuristik yang dilakukan adalah sebagai berikut:

Saat lampu hijau menyala jalur dari arah utara-selatan dan selatan-utara bergerak maju, sedangkan untuk arah lainnya akan menyala lampu merah.

Tunggu hingga interval T yang bukan merupakan hasil penentuan, tetapi berdasarkan kondisi dari jalur yang diperbolehkan untuk melaju. Interval waktu maksimum untuk satu pasang arah yang diperbolehkan melaju ditentukan sebesar Tmax. Namun dapat berkurang sesuai dengan periode waktu Tadj untuk menentukan Tleft sebagai lalu lintas di arah yang diperbolehkan belok.

Kemudian, kedua langkah di atas dilakukan berulang untuk mengijinkan tiga pasang arah lainnya untuk melaju (arah Utara-Barat & Barat-Utara, Timur-Barat & Barat-Timur, dan terakhir Timur-Utara & Utara-Timur)

Ilustrasi Pengaturan Lampu Lalu Lintas pada saat ini

Siklusnya kemudian berulang kembali dari awal

B. Pendekatan PemodelanModel yang digunakan dalam paper ini adalah tipe kontrol Fuzzy Mamdani.

Untuk setiap pasang arah di atas nyalakan lampu hijau, mulai penghitung waktu, tunggu hingga satu menit, dan aplikasikan crisp dan aturan fuzzy if then.

Atur nilai-nilai di bawah ini. (Inisialisasi. Nilai inisialisasi akan bervariasi sesuai dengan keadaan lalu lintas yang melintas)

Tmax = 7 menitTmin = 1 menitTleft =TmaxTimer = Time elapsed = 0.

R1 merupakan sebuah crisp rule yang digunakan untuk alokasi masukan awal sesuai dengan penetapan di atas. Sedangkan R2 hingga R7 adalah aturan inferensi fuzzy yang akan disederhanakan pada sebuah tabel di bawah. Berikut ini aturan fuzzy inference yang telah ditetapkan dalam paper ini :

R1 :

If (waktu yang telah berlalu di arah yang diperbolehkan jalan >= Tmin) ThenApply Rule II.

Else(tunggu 1 menit dan kembali jalankan Rule I)

R2 :

If ((Panjang Antrian = Long) dan (Kepadatan Antrian = Heavy)) Then(Tadj = 0)

R3 :

If ((Panjang Antrian = Long) dan (Kepadatan Antrian = Light)) Then(Tadj = 0.2 * Tleft)

R4 :

If ((Panjang Antrian = Medium) dan (Kepadatan Antrian = Heavy)) Then(Tadj = 0.2 * Tleft)

R5 :

If ((Panjang Antrian = Medium) dan (Kepadatan Antrian = Light)) Then(Tadj = 0.5 * Tleft)

R6 :

If ((Panjang Antrian = Short) dan (Kepadatan Antrian = Heavy)) Then(Tadj = 0.5 * Tleft)

R7 :

If ((Panjang Antrian = Short) dan (Kepadatan Antrian = Light)) Then(Tadj = 0.8 * Tleft)

Rule II sampai dengan rule VII dapat dilihat dalam tabel berikut:

Distribusi dari kepadatan lalu lintas dianggap padat atau ringan ditentukan dari penangkapan gambar oleh kamera dari jalur yang bersangkutan.

Panjang antrian ditentukan berdasarkan jarak dari garis berhenti di jalan sampai dengan akhir antrian kendaraan.

Distribusi di atas digambarkan dengan fungsi keanggotaan seperti berikut:

Fungsi keanggotaan untuk panjang antrian dipetakan ke dalam tiga himpunan fuzzy (pendek, sedang, panjang) yang secara matematis dituliskan dalam bentuk berikut:

μshort (QL) = 1; [QL < 8]

= (-1/4) x (QL – 12); [8 <= QL <= 12]

= 0; [12 < QL]

μmedium (QL) = 0; [QL < 8]

= (1/4) x (QL – 8); [8 <= QL <= 12]

= 1; [12 < QL < 16]

= (-1/4) x (QL – 20); [16 < QL < 20]

= 0; [20 < QL]

μlong (QL) = 0; [QL < 16]

= ( 1/4) x (QL – 16); [16 <= QL < 20]

= 1; [20 < QL]

Fungsi keanggotaan untuk kepadatan lalu lintas dipetakan ke dalam dua himpunan fuzzy (padat, ringan) yang secara matematis dituliskan dalam bentuk berikut:μlight (TD) = 1 ; [TD < 10]

= (-1/6) x (TD – 12); [6 <= TD <= 12]= 0 ; [12 < TD]

μheavy (TD) = 0 ; [TD < 10]= (1/6 ) x (TD – 6); [6 <= TD <= 12]= 1 ; [12 < TD]

C. Cara Memperoleh Peubah FeedbackPada seluruh sudut kiri persimpangan lampu lalu lintas akan dipasang sebuah camera yang memiliki teknologi Bird Eye view. Perolehan data berupa gambar akan dibagi menjadi tiga potongan melebar dari lebar sesuai jalur yang telah ditetapkan untuk batas lalu lintas pada jalan, seperti jalur untuk yang akan berbelok ke arah kanan, arah lurus, dan yang akan berbelok ke kiri. Untuk mendapatkan panjang antrian digunakan teknik segmentasi gambar sedangkan kepadatan antrian digunakan hanya untuk citra dari jalur pada dua arah berlawanan yang akan bergerak maju dan tidak untuk seluruh dua belas jalur secara bersamaan.

D. Pencocokan nilai untuk aturan yang dianjurkan dengan hasil inferensiUntuk mendapatkan nilai keanggotan, nilai sebenarnya dari panjang antrian dan kepadatan lalu lintas didapat dari image processing, yang telah dijelaskan diatas, dilengkapi ke dalam kurva keanggotaan seperti yang telah dipaparkan dalam bagian B di atas. Pencocokkan nilai dari 6 aturan fuzzy (R2-R7) didapat dari pencarian minimum nilai keanggotaan. Nilai untuk Tadj dihasilkan dari seluruh keenam aturan secara berbeda.

E. DefuzzifikasiProses inferensi berdasarkan aturan di atas akan menghasilkan lebih dari satu hasil seperti saat lebih dari satu aturan yang akan terpenuhi untuk banyak situasi. Sehingga hasilnya harus dikombinasikan dan di-defuzzy sebelum menuju proses lebih lanjut. Teknik defuzzyfikasi yang digunakan di sini menitikberatkan rata-rata dari inferensi individu.

Nilai keseluruhan dari penyesuaian waktu dapat ditemukan dengan :

µrule i = min [{µantecedent 1 for rule i (Q L)},{ µantecedent 2 for rule i (T D)}]

QL adalah panjang antrian sebenarnya di jalur tersebut pada saat itu;TD adalah kepadatan lalu lintas sebenarnya di jalur tersebut pada saat itu.

Tadj aggregate = [ ∑ i {[µrule i x Tadj i}] / [ ∑ i {[µrule i }]

Sisa waktu ditentukan dari : Tleft = Tleft - Tmin - Tadj

Aturan 8 merupakan aturan crisp Ulangi untuk seluruh arah berpasangan sesuai pendekatan heuristik pada bagian 3.1

4. KESIMPULANSistem yang ditawarkan di sini dapat dengan mudah disesuaikan sesuai kebutuhan. Perbandingan waktu penyesuaian dengan pembatasan waktu minimum dan minimum yang dapat diatur sambil menjaga struktur dari set aturan yang tidak berubah. Feedback untuk panjang antrian dan kepadatan lalu lintas bisa diambil dari gambar kamera seperti yang telah dijelaskan di atas (bird’s eye view). Teknik image processing yang digunakan dapat diaplikasikan untuk membagi area perhatian dan menganalisanya untuk mencari atribut visual dari kepadan dan panjang antrian. Untuk saat ini, paper ini merupakan sebuah teori yang ditawarkan dan telah disimulasikan di lab dengan hasil yang memuaskan. Definisi dari set fuzzy juga sangat mudah untuk diubah. Teori ini merupakan aplikasi yang menjanjikan dari fuzzy logic dalam area praktek dan sangat berguna dalam mengatur lalu lintas tanpa awak/manusia dalam persimpangan di dunia kecepatan tinggi seperti sekarang.