pengaturan lampu lalu lintas menggunakan …

i

PENGATURAN LAMPU LALU LINTAS MENGGUNAKAN

JARINGAN SYARAF TIRUAN BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Informatika

Oleh :

Oktavianus Zenggi Surya Putranjaya

155314023

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE SETTING OF TRAFFIC LIGHTS

USING

BACKPROPAGATION ARTIFICIAL NEURAL NETWORKS

THESIS

Present as Partial Fulfillment of the Requirement

To Obtain Sarjana Komputer Degree

in Informatics Study Program

By :


155314023

INFORMATICS STUDY PROGRAM

DEPARTMENT OF INFORMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2020


v

HALAMAN PERSEMBAHAN

“Mengeluh boleh, berhenti jangan”

-Anonim-

“Jika kamu sudah yakin dengan satu hal jalani dengan sepenuh hati hingga akhir,

berhasil atau tidak itu hanya sebuah penilaian”

-Zenggi-

“Neng ning nung nang. Barang siapa meneng, akan menjadi hening, dari hening

orang akan menjadi hanung, dan dengan hanung kita akan menjadi menang”

-Anonim-

Dengan segala syukur, tugas akhir ini saya persembahkan kepada

TUHAN YESUS KRISTUS

Papa, Mama, Risna serta keluarga besar yang ikut mendoakan dan memberi

semangat.


viii

ABSTRAK

Lampu lalu lintas adalah lampu yang mengendalikan arus lalu lintas yang

terpasang di persimpangan jalan, tempat penyeberangan pejalan kaki (zebra

cross), dan tempat arus lalu lintas lainnya. Penelitian ini bertujuan untuk

membantu menghitung pengaturan lampu lalu lintas yang akan memprediksi lama

lampu hijau didasarkan dengan jumlah antrian kendaraan di kemacetan yang ada

dengan mempertimbangkan kinerja simpang yang lain dan berpedoman pada

pelaksanaan serta manajemen rekayasa lalu lintas di Kota Semarang khususnya

pada persimpangan Tugu Muda. Langkah yang dilakukan antara lain diawali

dengan penyeleksian data, transformasi data, normalisasi data, dan

pengelompokkan data. Data yang digunakan yakni data kepadatan lalu lintas kota

Semarang khususnya simpang empat Tugu Muda. Total data yang digunakan

adalah 589 data kendaraan. Pembagian data yakni 393 data dari setiap kelas yang

disatukan sebagai data training, serta 4 data input digunakan untuk uji data

tunggal. Kemudian untuk tahap klasifikasi digunakan metode jaringan syaraf

tiruan backpropagation. Tahap pelatihan digunakan 2/3 data serta untuk tahap

pengujian digunakan 1/3 data dari tiap jenis kendaraan. Arsitektur jaringan yang

digunakan fungsi trainingnya adalah trainrp, trainscg, traincgb, traingdx serta

fungsi aktivasinya adalah tansig dan purelin yakni : input sejumlah 4 ciri dan 2

hidden layer (dengan jumlah neuron kelipatan 5 sampai 50). Hasil pengujian

diperoleh akurasi sebesar 90,81%.

Kata Kunci : Lampu lalu lintas, backpropagation, jaringan syaraf tiruan


https://id.wikipedia.org/wiki/Lalu_lintas

https://id.wikipedia.org/wiki/Jalan

https://id.wikipedia.org/wiki/Pejalan_kaki

https://id.wikipedia.org/wiki/Zebra_cross


ix

ABSTRACT

Traffic light is a light which controls traffic flow installing in crossroads,

pedestrian crossing (zebra cross), and other traffic flow place. The purpose of this

research is to help calculating the setting of traffic light that will predict the

duration of green light based on the amount of vehicle queue on the recent traffic

jam considering another crossroads performance guided by traffic engineering

implementation as well as the management of traffic engineering at the Tugu

Muda intersection in Semarang City. The techniques to do the research starts with

selecting the data, transforming the data, normalizing the data, and grouping the

data. The data used in this research is Semarang City’s traffic density data

moreover in intersection of Tugu Muda. Total data used in the research are 589

vehicle’s data. The data selection using 393 data from each class combined as data

training, also 4 data input used for single data test. After that for classification

stage, it used backpropagation neural network method. For training step, it used

2/3 data and for testing step, used 1/3 data from each vehicle. Networks

architecture which was used, as the training function are trainrp, trainscg,

traincgb also the activation functions are tansig dan purelin, namely: input of 4

features, 2 hidden layers (with amount of neuron 50), 3 output layers, and 1

output. The testing result got accuracy of 90,81%.

Keywords: traffic light, backpropagation, neural network


x

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas

karuniaNya tugas akhir berjudul “Pengaturan Lampu Lalu lintas Menggunakan

Jaringan Syaraf Tiruan Backpropagation” dapat diselesaikan dengan baik. Dalam

penulisan tugas akhir ini penulis tidak lupa mengucapkan terimakasih kepada

pihak – pihak yang telah membantu dan juga telah memberi semangat dalam

pengerjaan tugas akhir ini. Ucapan terima kasih penulis sampaikan kepada :

1. Tuhan Yesus Kristus yang selalu memberikan berkat dan penyertaannya

dalam menyelesaikan tugas akhir ini.

2. Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing

tugas akhir yang telah sabar dan memberikan perhatian untuk

membimbing saya dalam penyusunan tugas akhir.

3. Kedua orang tua tercinta Zeno Supringgo dan Ignasia Suryaningsih yang

telah memberikan dukungan moral dan materi, perhatian, doa sehingga

penulis dapat menyelesaikan tugas akhir ini.

4. Adik Stefani Risna Ade Putranjaya yang telah memberikan doa dan

semangat.

5. Teman teman Tempe Benguk (Adres, Dito, Gayoh, Jeri, Novri, Suryo,

Ega, Piter, Enjang, David) yang telah memberikan masukan dan dorongan

untuk segera menyelesaikan tugas akhir ini.

6. Donata Agustin yang memberikan semangat, doa dan motivasi penulis

untuk menyelesaikan tugas akhir.

7. Anin, Nata yang memberikan motivasi dan dukungan selama penulisan.

8. Teman teman project Humas (Grace, Dea, Pablo) yang mendoakan dan

memberi motivasi agar cepat lulus.

9. Mas Budi, Jery, Tebe, Renno yang telah berbagi ilmu dan memberikan

bantuan jika mengahadapi kesulitan dalam pengerjaan tugas akhir.

10. Teman teman Informatika 2015 yang memberikan semangat kepada

penulis.

11. Teman teman Humas 2019 Universitas Sanata Dharma yang memberikan

motivasi dan doa kepada penulis.


xi

Penulis menyadari masih terdapat kekurangan dari penulisan tugas akhir ini,

sehingga penulis mengharapkan kritik dan saran dari pembaca yang bersifat

membangun untuk penyempurnaan pada masa mendatang.

Penulis berharap semoga tugas akhir ini dapat bermanfaat bagi pihak – pihak

yang berkepentingan untuk menambah wawasan dan pengetahuan bagi pembaca.

Yogyakarta 2020

Penulis,



xii

DAFTAR ISI

PENGATURAN LAMPU LALU LINTAS MENGGUNAKAN .................................... i

HALAMAN PERSETUJUAN PEMBIMBING ............................................................ iii

HALAMAN PENGESAHAN ...........................................................................................iv

HALAMAN PERSEMBAHAN ....................................................................................... v

PERNYATAAN KEASLIAN KARYA ...........................................................................vi

LEMBAR PERYATAAN PERSETUJUAN PUBLIKASI ILMIAH UNTUK

KEPENTINGAN AKADEMIS ....................................................................................... vii

ABSTRAK ....................................................................................................................... viii

ABSTRACT ....................................................................................................................... ix

KATA PENGANTAR ....................................................................................................... x

DAFTAR ISI..................................................................................................................... xii

DAFTAR GAMBAR ....................................................................................................... xiv

DAFTAR TABEL ............................................................................................................ xv

BAB I PENDAHULUAN ................................................................................................ 18

1.1 Latar Belakang ................................................................................................ 18

1.2 Rumusan Masalah .......................................................................................... 20

1.3 Tujuan Penelitian ............................................................................................ 20

1.4 Manfaat Penelitian .......................................................................................... 20

1.5 Luaran .............................................................................................................. 21

1.6 Batasan Masalah ............................................................................................. 21

1.7 Sistematika Penulisan ..................................................................................... 22

BAB II LANDASAN TEORI ......................................................................................... 23

2.1 Lampu lalu lintas ............................................................................................ 23

2.2 Jaringan Syaraf Tiruan .................................................................................. 25

2.2.1 Prinsip Dasar Jaringan Syaraf Tiruan ................................................. 27

2.2.2 Arsitektur Jaringan ................................................................................ 28

2.3 Metode Backpropagation ................................................................................ 30

2.3.2 Pelatihan Backpropagation .................................................................... 33

BAB III METODOLOGI ............................................................................................... 37

3. 1 Gambaran Umum ................................................................................................ 37

3.2 Data .................................................................................................................. 37

3. 3 Preprocessing ................................................................................................... 40


xiii

3. 3. 1 Data Selection ............................................................................................... 40

3. 3. 2 Data Transformation ................................................................................... 40

3.3.3 Data Normalization ................................................................................. 41

3.3.4 Pengelompokan Data ..................................................................................... 42

3. 4 Model Backpropagation ................................................................................. 44

3. 5 Kebutuhan Sistem ........................................................................................... 46

3.6 Perancangan Antar Muka Sistem ....................................................................... 47

3.6.1 Panel Input ..................................................................................................... 47

3.6.2 Panel Output ................................................................................................... 47

3.6.3 Panel Picture ................................................................................................... 47

BAB IV HASIL DAN ANALISA .................................................................................. 48

4.1 Preprocessing ......................................................................................................... 48

4. 1. 1 Data Selection ............................................................................................... 48

4. 2. 2 Data Transformation ................................................................................... 48

4.2 Prediksi .................................................................................................................. 49

4.2.1 Model Prediksi ............................................................................................... 49

4.3 Arsitektur Optimal ............................................................................................... 52

4.4 Uji Data Tunggal ................................................................................................... 53

BAB V PENUTUP .......................................................................................................... 57

5.1 Kesimpulan ............................................................................................................ 57

5.2 Saran ...................................................................................................................... 57

DAFTAR PUSTAKA ...................................................................................................... 58

LAMPIRAN..................................................................................................................... 59


xiv

DAFTAR GAMBAR

Gambar 2. 1 Prinsip Jaringan Syaraf Tiruan (diambil dari internet) ................... 27

Gambar 2. 2 Contoh jaringan layar tunggal (Hagan dan Beale, 2014) ................. 28

Gambar 2. 3 Contoh jaringan layar jamak (Hagan and Beale, 2014) ................... 29

Gambar 2. 4 Contoh jaringan Reccurent (Hagan and Beale, 2014) ...................... 30

Gambar 2. 5 Arsitektur Backpropagation (Hagan and Baele, 2014) .................... 31

Gambar 2. 6 Ilustrasi grafik fungsi sigmoid biner ................................................ 32

Gambar 2. 7 Ilustrasi grafik fungsi sigmoid bipolar ............................................. 33

Gambar 3. 1 Gambaran Umum ............................................................................ 37

Gambar 3. 2 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 0 ......... 42






Gambar 3. 8 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas baru .... 44

Gambar 3. 9 Arsitektur untuk pelatihan ............................................................... 45

Gambar 3. 10 Rancangan Tampilan Antar Muka ................................................ 47

Gambar 4. 1 grafik akurasi percobaan satu hidden layer dengan fungsi aktivasi

tansig ..................................................................................................................... 50


purelin ................................................................................................................... 51

Gambar 4. 3 Grafik akurasi perocobaan dua hidden layer dengan fungsi aktivasi

tansig menggunakan 3 fold ................................................................................... 52

Gambar 4. 4 Arsitektur optimal ............................................................................ 52

Gambar 4. 5 Uji data tunggal kelas 0 .................................................................... 53





Gambar 4. 10 Uji data tunggal kelas 5 .................................................................. 56


xv

DAFTAR TABEL

Tabel 3. 1 Atribut data set kendaraan.................................................................... 38

Tabel 3. 2 Contoh data kendaraan sebelum transformasi ..................................... 38

Tabel 3. 3 Contoh data kendaraan setelah transformasi ........................................ 39

Tabel 3. 4 Nilai Target Output .............................................................................. 46

Tabel 4. 1 Contoh data yang belum di transformasi ............................................. 48

Tabel 4. 2 Confussion matrix model prediksi Plan ............................................... 53


18

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada daerah perkotaan di Indonesia seperti di Semarang, kemacetan

merupakan masalah yang sering menjadi polemik masyarakat perkotaan.

Pengguna kendaraan bermotor di Indonesia semakin meningkat, akibatnya jumlah

kendaraan naik, tetapi jumlah jalan tetap sehingga menambah jumlah kepadatan

lalu lintas yang mengakibatkan kemacetan (Nisak, 2015). Kemacetan yang

muncul tersebut dapat disebabkan dari beberapa faktor, salah satunya adalah

faktor pengatur lampu lalu lintas. Lampu lalu lintas yang sejatinya berfungsi

untuk mengatur kendaraan yang berada di jalan raya justru menjadi masalah yang

sering membuat banyak masyarakat merasa kesal. Lampu lalu lintas atau APILL

(Alat Pemberi Isyarat Lalu Lintas) merupakan lampu yang mengendalikan arus

lalu lintas yang terpasang di persimpangan jalan, tempat penyebrangan pejalan

kaki (zebra cross) dan tempat arus lalu lintas lainnya (UU No 22/2009). Lampu

ini mengatur kapan kita harus berjalan maupun berhenti secara bergantian dari

berbagai arah, dan di maksudkan juga untuk mengatur pergerakan masing –

masing kelompok kendaraan agar bergerak secara bergantian sehingga tidak

mengganggu antar arus yang ada.

Pada Tahun 2016 masyarakat Indonesia rata – rata menghabiskan waktu

sia-sia sampai 47 jam dalam satu tahun dan masuk dalam jajaran negara paling

memprihatinkan kondisi lalu lintasnya nomor dua setelah Thailand (Ghulam

Muhammad Nayazri, 2017), sedangkan untuk Kota Semarang menempati

peringkat nomor 9 kota termacet di Indonesia. Banyak akibat yang muncul dari

kemacetan di Indonesia ini beberapa contohnya adalah kerugian waktu,

pemborosan energi, keausan kendaraan lebih tinggi, meningkatnya polusi udara,

meningkatnya stress para pengguna jalan dan mengganggu kelancaran kendaraan

darurat. Berdasarkan masalah yang telah dijelaskan, penulis ingin melakukan

penelitian terhadap lampu lalu lintas pada simpang empat tugu muda Semarang,

dengan menggunakan sistem pengaturan lalu lintas yang menerapkan Jaringan


19

Syaraf Tiruan. Sistem ini dapat menentukan rencana yang akan digunakan pada

lampu lalu lintas.

Pada dasarnya lampu lalu lintas di bagi dalam 2 kategori

pengoperasiannya yaitu Fixed time traffic signal yaitu lampu lalu lintas yang

pengoperasiaannya menggunakan waktu yang tetap serta tidak mengalami

perubahan dan Actuated traffic signal yaitu lampu lalu lintas yang

pengoperasiaannya dengan pengaturan waktu tertentu dan mengalami perubahan

dari waktu ke waktu sesuai dengan kedatangan kendaraan dari berbagai

persimpangan. Maka dari itu perlu diterapkan manajemen pengaturan lampu lalu

lintas yang baik agar dapat mengurangi tingkat kemacetan di daerah perkotaan

khususnya di kota Semarang. Menurut pengamatan di persimpangan Tugu muda,

selalu terjadi penumpukan kendaraan saat jam – jam sibuk di karenakan intensitas

kendaraan masuk lebih banyak dari pada kendaraan yang keluar. Lampu lalu

lintas di Indonesia pada saat ini menggunakan Fixed Time Control (FT) yang

memiliki kelemahan yaitu tidak dapatnya mengakomodir fluktuasi arus lalu lintas

yang tinggi karena tidak memperhitungkan kedatangan kendaraan dari berbagai

simpang. Solusi yang sudah di lakukan saat ini adalah merubah metode dari Fixed

Time Control menjadi Actuated traffic signal yang sudah mulai diterapkan di

beberapa persimpangan di Semarang saat ini, kepadatan lalu lintas dihitung

menggunakan satuan mobil penumpang, dari hasil pengamatan tadi dapat di

simpulkan jika solusi saat ini belum begitu berjalan dengan baik.tetapi dalam

beberapa kasus masih adanya kelemahan saat kedatangan kendaraan sangat tinggi

contohnya saat jam berangkat maupun pulang kantor atau sekolah. Solusi yang

ditawarkan berupa sistem yang dapat menentukan rencana pengaturan lalu lintas

dengan menggunakan Jaringan Syaraf Tiruan pada lampu lalu lintas.


20

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan, rumusan masalah yang

didapat adalah

1. Apakah prediksi plan pada pengaturan lampu lalu lintas dapat

diimplementasikan menggunakan jaringan syaraf tiruan backpropagation?

2. Berapa akurasi implementasi Jaringan Syaraf Tiruan dalam pengaturan

lampu lalu lintas ?

1.3 Tujuan Penelitian

Tujuan penelitian ini adalah untuk membantu pengaturan lampu lalu lintas

yang akan menentukan rencana pengaturan lalu lintas dengan menggunakan

Jaringan Syaraf Tiruan. Pengaturan lampu lalu lintas ini berpedoman pada

rekayasa pelaksanaan lalu lintas dan manajemen rekayasa lalu lintas, serta

mengurangi penumpukan kendaraan pada saat jam – jam sibuk, dan mengetahui

karakteristik lalu lintas di Kota Semarang khususnya pada persimpangan Tugu

Muda.

Menerapkan Jaringan Syaraf Tiruan untuk membantu menghitung

pengaturan lampu lalu lintas yang akan memprediksi lama lampu hijau didasarkan

dengan jumlah antrian kendaraan di kemacetan yang ada, serta waktu saat

kemacetan terjadi sehingga dapat meminimalkan antrian kendaraan di tiap kaki

simpang.

1.4 Manfaat Penelitian

Manfaat daari penelitian ini adalah :

1. Menambah pengetahuan dan pemahaman tentang algoritma

Backpropagation.

2. Membantu Dinas Perhubungan untuk menentukan penjadwalan lampu lalu

lintas berdasarkan jumlah antrian kendaraan.


21

1.5 Luaran

Luaran yang diharapkan pada penelitian ini berupa sistem yang dapat

menentukan rencana pengaturan lalu lintas dengan menggunakan Jaringan Syaraf

Tiruan pada lampu lalu lintas pada simpang empat Tugu muda Semarang.

1.6 Batasan Masalah

Batasan Masalah yang akan dipakai penulis pada penelitian ini sebagai

berikut :

a. Persimpangan jalan yang dipakai adalah perempatan atau simpang empat.

Studi Lapangan dilakukan pada simpang empat Tugu Muda Semarang.

b. Pengaturan lampu lalu lintas berlawanan dengan arah jarum jam.

c. Padatnya lalu lintas dihitung dari satuan mobil penumpang.

d. Implementasi sistem ini menggunakan Matlab.


22

1.7 Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini membahas latar belakang pemilihan judul tugas akhir,

perumusan masalah, tujuan penelitian, Batasan masalah, manfaat

penelitian, metode penelitian dan sistematika penulisan proposal tugas

akhir ini.

BAB II LANDASAN TEORI

Bab ini berisi teori tentang metode yang digunakan pada tugas

akhir ini seperti metode Jaringan Syaraf Tiruan, pengertian dari lampu lalu

lintas, metode backpropagation.

BAB III METODOLOGI

Bab ini berisi tentang metodologi penelitian yang digunakan pada

penelitian ini yang terdiri dari tahap perancangan dan pengumpulan data,

metode pengembangan sistem, kebutuhan perangkat lunak dan perangkat

keras.

BAB IV HASIL DAN ANALISA

Bab ini berisi tentang analisis hasil yang didapat pada penelitian

yang dilakukan.

BAB V PENUTUP

Bab ini berisi kesimpulan dan saran yang didapat dari analisa data

yang berguna untuk mengembangkan sistem di masa yang akan datang.


23

BAB II

LANDASAN TEORI

Bab ini akan membahas mengenai teori yang digunakan untuk pengaturan

lampu lalu lintas. Pada bagian awal akan membahas tentang lampu lalu lintas dan

teori – teori yang berkaitan dengan preprocessing, jaringan syaraf tiruan dan

backpropagation.

2.1 Lampu lalu lintas

Lampu lalu lintas adalah lampu yang mengendalikan arus lalu lintas yang

terpasang di persimpangan jalan, tempat penyeberangan pejalan kaki (zebra

cross), dan tempat arus lalu lintas lainnya. Lampu ini yang menandakan

kapan kendaraan harus berjalan dan berhenti secara bergantian dari berbagai arah

(UU No. 22 Tahun 2009). Menurut PM 49 Tahun 2014 APILL adalah perangkat

elektronik yang menggunakan isyarat lampu yang dapat dilengkapi dengan isyarat

bunyi untuk mengatur lalu lintas orang dan/atau Kendaraan di persimpangan atau

pada ruas jalan. Sinyal lampu lalu lintas terdiri dari tiga macam, yaitu hijau untuk

berjalan, kuning berarti memperbolehkan kendaraan memasuki pertemuan apabila

tidak terdapat kendaraan lainnya sebelum lampu merah muncul, dan merah untuk

berhenti (Morlok, 1991).

Penempatan dan pemasangan Alat Pemberi Isyarat Lalu Lintas Lampu lalu

lintas harus memperhatikan berbagai aspek seperti desain geometrik jalan, kondisi

tata guna jalan, jaringan lalu lintas dan angkutan jalan, situasi arus lalu lintas,

kelengkapan bagian kontruksi jalan, kondisi struktur tanah dan biasa terpasang

pada persimpangan jalan, ruas jalan, tempat penyeberangan pejalan kaki (zebra

cross), dan tempat arus lalu lintas lainnya. Alat Pemberi Isyarat Lalu Lintas

dengan lampu tiga warna yang dipasang pada persimpangan ditempatkan di

sebelah kiri jalur lalu lintas kendaraan dan menghadap arah lalu lintas kendaraan

dan dapat ditambah pada sisi kanan, serta ditempatkan pada jarak paling sedikit

60cm diukur dari bagian terluar armatur ke tepi paling luar bahu jalan. Alat


https://id.wikipedia.org/wiki/Lalu_lintas





https://id.wikipedia.org/wiki/Kendaraan

https://id.wikipedia.org/wiki/Arah_lalu_lintas





24

Pemberi Isyarat Lalu Lintas dengan lampu satu warna berupa wama

kuning kelap kelip ditempatkan sebelum lokasi kemungkinan ada bahaya,

sedangkan untuk lampu satu warna berupa warna merah ditempatkan sebelum

lokasi perlintasan sebidang antara jalan rel dan jalan (PM 49 Tahun 2014 pasal 29

- 34).

Lampu ini yang memberi tanda kapan kendaraan harus berjalan dan

berhenti secara bergantian dari berbagai arah. Pengaturan lalu lintas di

persimpangan jalan berfungsi untuk mengatur gerak kendaraan pada masing-

masing arus lalu lintas, pergerakan kendaraan harus secara bergantian agar tidak

saling mengganggu antar arus lalu lintas yang ada.

Berdasarkan pada peraturan MKJI (Manual Kapasitas Jalan Indonesia) 1997 cara

pengoperasiannya lampu lalu lintas dibagi menjadi tiga yaitu :

Pretimed Operation

Pengoprasian lampu lalu lintas dalam putaran konstan di mana tiap siklus

sama dan panjang serta fase tetap.

Semi Actuated Operations

Pada isyarat lampu lalu lintas ini, jalan utama (mayor street) selalu

berisyarat hijau sampai alat deteksi pada jalan samping (side street)

menentukan bahwa terdapat kendaraan yang datang pada satu atau sisi

samping jalan tersebut.

Full Actuated Operations

Pada operasi isyarat lampu lalu lintas ini semua fase ampu lalu lintas

dikontrol dengan alat detektor, sehingga panjang siklus untuk tiap fasenya

berubah-ubah tergantung dari permintaan yang dirasakan oleh detector.


https://id.wikipedia.org/wiki/Kendaraan

https://id.wikipedia.org/wiki/Arah_lalu_lintas

25

Variasi lampu lalu lintas bermacam – macam tergantung dari budaya negara

yang menggunakannya dan berbagai kebutuhan khusus di perempatan yang

pasang lampu lalu lintas tersebut. Variasinya adalah lampu lalu lintas khusus

pejalan kaki, lampu lalu lintas untuk pengguna sepeda, bus, kereta, dan lain-lain.

Urutan lampu yang terpasang juga dapat berbeda-beda. Selain itu, ada banyak

aturan dalam pengaturan lampu lalu lintas. Semua variasi lampu lalu lintas ini bisa

saja dioperasikan bersamaan pada perempatan yang kompleks. Misalnya saja pada

perempatan yang kompleks yang ramai dilewati para pejalan kaki dan kendaraan

roda empat. Di sisi lain, jika lampu pejalan kaki berwarna hijau menyala, maka

mobil harus berhenti, karena secara otomatis lampu lalu lintas untuk kendaraan

akan berwarna merah jika lampu pejalan kaki berwarna hijau.

2.2 Jaringan Syaraf Tiruan

Jaringan Saraf Tiruan (artificial neural network) adalah prosesor yang

terdistribusi besar-besaran secara parallel yang dibuat dari unit proses sederhana,

yang mempunyai kemampuan untuk menyimpan pengetahuan berupa pengalaman

dan dapat digunakan untuk proses lain (Haykin, 2009). Jaringan Syaraf Tiruan

merupakan system pemroses informasi yang memiliki karakteristik mirip dengan

jaringan syaraf biologi (Siang, 2004). Jaringan syaraf tiruan dibentuk sebagai

generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa

:

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirimkan diantara neuron – neuron melalui penghubung-

penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi liniar) yang dikenakan pada jumlahan input yang

diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas

ambang (treshold).


https://id.wikipedia.org/wiki/Bus

https://id.wikipedia.org/wiki/Kereta

26

Dalam melakukan proses dengan menggunakan algoritma Jaringan Syaraf

Tiruan terdapat beberpa hal yang perlu diperhatikan :

a. Pola hubungan antar neuron yang akan disebut arsitektur jaringan.

b. Metode yang menentukan bobot penghubung yang akan disebut metode

training atau learnin atau algoritma.

c. Fungsi aktivasi yang akan dipakai.

Jaringan Syaraf Tiruan merupakan sistem adaptif yang dapat mengubah

strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun

internal yang mengalir melalui jaringan tersebut.

Jaringan Syaraf Tiruan memiliki karakteristik hubungan antara neuron

yang disebut arsitektur. Neuron merupakan bagian terkecil dari Jaringan Syaraf

Tiruan yang memiliki fungsi sebagai elemen proses. Neuron adalah unit

pemrosesan informasi yang menjadi dasar dalam pengoprasian jaringan syaraf

tiruan (Siang, 2005:23).

Neuron terdiri dari tiga elemen pembentuk yaitu :

1. Himpunan unit – unit yang dihubungkan dengan jalur koneksi.

2. Suatu unit penjumlahan yang akan menjumlahkan masukan – masukan

sinyal yang sudah dikalikan dengan bobotnya.

3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron

akan diteruskan ke neuron lain atau tidak.

Oleh karena sifatnya yang adaptif dan kemampuan untuk belajar dari pengalaman

serta dapat menyelesaikan permasalahan yang tidak terstruktur JST juga sering

disebut dengan jaringan adaptif. Model neuron terdiri dari single input neuron dan

multiple input neuron.


27

2.2.1 Prinsip Dasar Jaringan Syaraf Tiruan

Prinsip jaringan saraf tiruan (JST) ditentukan oleh tiga elemen dasar

model saraf, yaitu:

1. Satu set dari sinapsis, atau penghubung yang masing-masing digolongkan

oleh bobot atau kekuatannya.

2. Sebuah penambah untuk menjumlahkan sinyal-sinyal input. Ditimbang

dari kekuatan sinaptik masing-masing neuron.

3. Sebuah fungsi aktivasi untuk membatasi amplitudo output dari neuron.

Fungsi ini bertujuan membatasi jarak amplitude yang diperbolehkan oleh

sinyal output menjadi sebuah angka yang terbatas.

Prinsip jaringan saraf tiruan secara sederhana digambarkan di bawah ini:

Pada gambar di atas, Y menerima masukan dari neuron , dengan

bobot hubungan masing-masing adalah . Ketiga impuls neuron

yang ada dijumlahkan menjadi:

(2.1)

Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai

Gambar 2. 1 Prinsip Jaringan Syaraf Tiruan (diambil dari internet)


28

fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk

mengubah bobot (Siang, 2004).

2.2.2 Arsitektur Jaringan

Susunan neuron dan pola keterkaitan antar layer disebut dengan arsitektur

jaringan. Untuk menenttukan banyak layer yang digunakan, layer input tidak

diikut sertakan sebagai layer yang kan digunakan. Arsitektur jaringan ini

diklasifikasikan menjadi tiga yaitu :

a. Jaringan Layar Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron berhubungan dengan

sekumpulan output neuron. Jaringan ini hanya menerima informasi dan

langsung mengolahnya menjadi output tanpa melalui hidden layer.

Pada gambar 2.2 arsitektur jaringan dengan r unit input dan

s buah unit ouput . Semua unit input saling terhubung dengan

unit output dan memiliki bobot yang berbeda-beda

. Meskipun dengn bobot yang berbeda beda

Gambar 2. 2 Contoh jaringan layar tunggal (Hagan dan Beale, 2014)


29

tidak ada unit input yang dihubungkan dengan unit input lainnya,

demikian juga dengan unit output. Besaran w menyatakan bobot hubungan

antara unit ke-n dalam input dengan unit ke-n dalam output. Sebagai

contoh menyatakan bobot hubungan antara unit ke-1 dalam input

dengan unit ke-1 dalam output. Proses pelatihan bobot ini akan terus

dimodifikasi hingga meningkatkan keakuratan hasil. Jaringan layar

tunggal sangat cocok digunakan untuk pengenalan pola karena

kesederhanaannya.

b. Jaringan Layar Jamak (Multi Layer Network)

Model jaringan layar jamak merupakan perluasan dari layar tunggal,

dalam jaringan ini mempunyai tambahan satu atau lebih layer diantara

layer input dan layer output yang biasa disebut hidden layer. Unit-unit

dalam satu layer tidak saling berhubungan. Jaringan dengan layar jamak

dapat menyelesaikan permasalahan lebih rumit daripada layar tunggal.

c. Jaringan Recurrent (Recurrent Network)

Pada jaringan recurrent memiliki kemiripan dengan jaringan layar tunggal

maupun layar jamak, tetapi terdapat neuron output yang membrikan sinyal

pada unit input ( feedback loop)

Gambar 2. 3 Contoh jaringan layar jamak (Hagan and Beale, 2014)


30

Jaringan dengan sendirinya akan memperbaiki diri terus-menerus karena adanya

kemampuan untuk belajar. Setiap ada suatu masalah baru, jaringan dapat belajar

dari masalah baru tersebut, yaitu dengan mengatur kembali nilai bobot untuk

menyesuaikan karakter nilai. (Puspaningrum, 2006).

2.3 Metode Backpropagation

Pengertian Backpropagation merupakan sebuah metode sistematik pada

jaringan saraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi

dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk

mengubah bobot-bobot yang ada pada lapisan tersembunyinya (Kusumadewi,

2004). Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan

pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara

keluaran hasil prediksi dengan keluaran yang nyata. (F.Suhandi, 2009).

Backpropagation merupakan algoritma yang sering digunakan untuk

memecahkan permasalahan yang cukup rumit serta dapat menangani masalah

pengenalan pola – pola yang kompleks dengan melatih jaringan untuk

mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola

yang digunakan selama pelatihan dan memiliki kemampuan jaringan untuk

Gambar 2. 4 Contoh jaringan Reccurent (Hagan and Beale, 2014)


31

memberikan respon yang benar terhadap masukan yang hampir mirip dengan pola

saat pelatihan.

2.3.1 Fungsi Aktivasi

Backpropagation memiliki fungsi aktivasi. Fungsi aktivasi yang dipakai

harus memenuhi beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan

merupakan fungsi yang tidak turun. Fungsi aktivasi yang dipakai untuk

menentukan keluaran suatu neuron jika ∑ didapatkan fungsi

aktivasi ∑ . Beberapa fungsi aktivasi yang sering dipakai

adalah :

a. Fungsi Sigmoid Biner dengan range (0,1)

Salah satu fungsi yang memenuhi beberapa syarat tersebut dan sering

digunakan yaitu fungsi sigmoid biner yang memiliki range (0, 1). Fungsi

sigmoid ini sering dipakai karena nilai fungsinya yang terletak antara 0

dan 1 yang dapat diturunkan dengan mudah. Fungsi sigmoid biner dapat

didefinisikan :

Gambar 2. 5 Arsitektur Backpropagation (Hagan and Baele, 2014)


32

( 1 )

Dengan turunan :

( 2 )

b. Fungsi sigmoid bipolar (-1, 1)

Fungsi lain yang sering digunakan juga yaitu fungsi sigmoid bipolar

(sering disebut sebagai threshold bipolar) yang memiliki fungsi mirip

dengan fungsi sigmoid biner, tetapi dengan range (-1, 1). Fungsi sigmoid

bipolar dapat didefinisikan :

( 3 )

Dengan turunan :

( )

( 4 )

Gambar 2. 6 Ilustrasi grafik fungsi sigmoid biner


33

c. Fungsi identitas

Fungsi sigmoid memiliki fungsi nilai maksimal = 1, sehingga untuk pola

yang memiliki target ˃ 1 pola masukan dan keluaran harus ditransformasi

terlebih dahulu, sehingga semua polanya memiliki range yang sama. Cara

lain dengan menggunakan fungsi sigmoid pada layar yang bukan layar

keluaran. Fungsi identitas sering dipakai apabila keluaran yang diinginkan

berupa sembarang bilangan real. Pada layar keluaran fungsi yang dipakai

adalah fungsi identitas .

2.3.2 Pelatihan Backpropagation

Algoritma backpropagation terdiri dari 3 tahap yaitu :

1. Propagasi Maju.

Selama propagasi maju sinyal masukan dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang di tentukan. Keluaran dari

setiap unit layar tersembunyi selanjutnya dipropagasikan maju lagi ke

layar tersembunyi diatasnya dengan menggunakan fungsi aktivasi yang

ditentukan, sampai menghasilkan keluaran jaringan. Setelahnya keluaran

jaringan dibandingkan dengan target yang harus di capai. Selisih target –

keluaran merupakan kesalahan yang terjadi. Iterasi dihentikan jika

kesalahan lebih kecil dari batas toleransi yang ditentukan, tetapi jika

kesalahan lebih besar dari batas yang ditentukan maka bobot setiap garis

dalam jaringan akan dimodifikasi untuk mengurangi kesalahan.

Gambar 2. 7 Ilustrasi grafik fungsi sigmoid bipolar


34

2. Propagasi Mundur.

Berdasarkan kesalahan target – keluaran , dihitung faktor (k = 1, 2, …,

m) yang dipakai untuk mendistribusikan kesalahan di unit keluaran ke

semua unit tersembunyi yang terhubung langsung dengan unit keluaran.

dipakai juga untuk mengubah bobot garis yang berhubungan langsung

dengan unit keluaran.

3. Perbaikan Bobot dan Bias.

Setelah semua faktor dihitung, bobot semua garis diubah bersamaan.

Perubahan bobot suatu garis didasarkan pada faktor neuron di layar

atasnya. Sebagai contoh perubahan bobot garis yang menuju ke layar

keluaran berdasarkan atas yang berada pada unit keluaran, Untuk

mengetahui hasil yang sesuai dengan label maka dilakukan pernghitungan

index performa atau Mean Squere Error (MSE) dengan membandingkan

hasil dari input dan output.

Tiga tahap ini akan diulang terus menerus hingga kondisi penghentian

terpenuhi. Kondisi dapat dikatakan terpenuhi umumnya bila jumlah iterasi atau

kesalahan iterasi sudah melebihi iterasi maksimal yang ditentukan atau jika

kesalahan yang terjadi lebih kecil dari toleransi yang diijinkan.

Algoritma pelatihan backpropagation dengan fungsi aktivasi sigmoid

bipolar sebagai berikut :

Langkah 0 : Inisiasi semua bobot dengan bilangan acak yang kecil.

Langkah 1 : Jika kondisi penghentian belum terpenuhi maka lakukan langkah

2 sampai dengan langkah 8.

Langkah 2 : Untuk setiap pasangan data pelatihan, lakukan langkah 3 sampai

dengan langkah 8.


35

Fase I : Propagasi Maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskan ke unit

tersembunyi yang berada di atasnya.

Langkah 4 : Menghitung semua luaran pada unit tersembunyi

∑ (5)

( )

(6)

Langkah 5 : Menghitung semua jenis luaran jaringan dari di unit

∑ (7)

( )

(8)

Fase II : Propagasi mundur

Langkah 6 : Hitung faktor unit luaran berdasarkan kesalahan setiap unit

luaran

( ) (9)

merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer di

bawahnya (langkah 7)

Hitung semua perubahan bobot (akan dipakai untuk merubah bobot )

dengan laju percepatan

(10)

Langkah 7 : Hitung faktor unit luaran berdasarkan kesalahan setiap unit

tersembunyi

∑ (11)


36

faktor unit tersembunyi :

( ) (12)

Hitung suku perubahan bobot (akan dipakai untuk merubah bobot )

(13)

Fase III : Perubahan bobot

Langkah 8 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju unit keluaran :

(14)

Perubahan bobot garis yang menuju ke unit tersembunyi :

(15)

Setelah pelatihan telah dilakukan, jaringan sudah dapat dipakai pengenalan pola.

Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) yang dapat dipakai untuk

menentukan luaran jaringan.


37

BAB III

METODOLOGI

Bab ini akan membahas metode yang dilakukan dalam penelitian

pengaturan lampu lalu lintas. Pada bagian ini membahas gambaran umum sistem

yang akan dibuat antara lain gambaran umum pada data, preprocessing,

backpropagation, akurasi, alat dan desain uji.

3. 1 Gambaran Umum

Penelitian ini bertujuan untuk mengatur penjadwalan lampu lalu lintas dan

mengetahui tingkat keberhasilannya. Gambar 3.1 merupakan gambaran umum

tahapan penelitian yang digunakan penulis.

3.2 Data

Data yang digunakan dalam penelitian ini adalah data kepadatan lalu lintas

kota Semarang khususnya simpang empat Tugu Muda pada bulan Juli 2019

berjumlah 589 data. Data yang digunakan dalam bentuk format excel, dengan 6

variabel utama yaitu variabel hari, jam kendaraan melintas, jenis kendaraan dalam

satuan mobil penumpang (SMP) dan jadwal yang digunakan pada lampu APILL.

Jenis kendaraan yang dicatat adalah :

Gambar 3. 1 Gambaran Umum


38

Motorcycle (MC)

Light Vehicle (LV)

Heavy Vehicle (HV)

Data yang direkam berdasarkan jam sibuk pagi hari dan jam sibuk siang hingga

malam hari.

Contoh data :

Tabel 3. 1 Atribut data set kendaraan

Day Hari saat perekaman data

Hours Jam saat data di rekam.

Motorcycle Jumlah data kendaraan dengan 2 atau 3 roda.

Light Vehicle Jumlah data mobil penumpang dengan 4 roda seperti oplet,

mikrobis, pick up, sedan dan kendaraan bermotor ber as 2

dengan jarak antar as 2-3m.

Heavy Vehicle Jumlah data bis, truk 2 As, truk 3 As, dan kendaraan

bermotor lebih dari 4 roda.

Plan Perencanaan pengaturan lampu lalu lintas.

Contoh data yang digunakan :

Tabel 3. 2 Contoh data kendaraan sebelum transformasi

Day Hours MC LV HV Plan

01/07/2019 05:00 - 06.00 263 636 297 1

01/07/2019 06:01 - 07:00 789 1575 673 1

01/07/2019 07:01 - 08:00 1403 2208 1013 1

01/07/2019 08:01 - 09:00 1422 1960 1104 1

01/07/2019 09:01 - 10:00 1654 1937 1148 1

01/07/2019 10:01 - 11:00 1325 1333 960 1

01/07/2019 11:01 - 12:00 502 518 503 1

01/07/2019 12:01 - 13:00 819 970 548 2

01/07/2019 13:01 - 14:00 878 1078 611 2

01/07/2019 14:01 - 15:00 2105 713 603 2

01/07/2019 15:01 - 16:00 3521 641 695 2

01/07/2019 16:01 - 17:00 2367 1762 628 2

01/07/2019 17:01 - 18:00 2902 2792 716 2

01/07/2019 18:01 - 19:00 1112 1743 893 3

01/07/2019 19:01 - 20:00 1100 1368 830 3

01/07/2019 20:01 - 21:00 2057 1139 562 3

01/07/2019 21:01 - 22:00 2353 2751 182 4


39

01/07/2019 22:01 - 23:00 1341 2131 273 4

01/07/2019 23:01 - 24:00 1234 721 731 0

01/07/2019 05:00 - 06.00 263 636 297 1

Tabel 3. 3 Contoh data kendaraan setelah transformasi


1 1 1517 2132 1044 1

1 2 4598 5183 1482 1

1 3 6632 5597 2087 1

1 4 6871 5552 2454 1

1 5 6219 5179 2496 1

1 6 5952 4649 2598 1

1 7 6264 5013 2590 1

1 8 8027 5780 2198 2

1 9 6521 6387 2483 2

1 10 9077 6074 2412 2

1 11 9451 4942 2627 2

1 12 8722 7122 2894 2

1 13 8048 6048 2293 2

1 14 5880 4508 1971 3

1 15 7799 5217 2568 3

1 16 9298 6200 2332 3

1 17 7798 6736 1903 4

1 18 6501 6637 1839 4

1 19 2929 2497 1617 0

1 1 1875 2025 1142 1


40

3. 3 Preprocessing

Pada tahap ini data akan diproses secara manual dan otomatis yang

dimaksudkan untuk mempersiapkan data sebelum diproses menggunakan

algoritma, terdapat beberapa proses yang dilakukan yaitu sebagai berikut :

3. 3. 1 Data Selection

Data selection digunakan untuk memilih atribut yang relevan dan

menghapus atribut yang tidak digunakan dalam penelitian. Dalam

menjalankan tahap data selection penulis menggunakan tools yang ada

pada aplikasi Microsoft Excel versi 2010.

3. 3. 2 Data Transformation

Pada proses transformation yang dilakukan penulis pada penelitian

ini sebagai berikut :

1. Transformasi pada kolom hari saat data direkam :

Terdapat 7 hari yang ada pada kolom hari dan dilakukan

transformasi sebagai berikut :

Senin : 1

Selasa : 2

Rabu : 3

Kamis : 4

Jumat : 5

Sabtu : 6

Minggu : 7


41

2. Transformasi pada kolom jam saat data direkam :

Terdapat 19 jam yang ada pada kolom jam dan dilakukan

transformasi sebagai berikut :

05:00 – 06:00 : 1

06:01 – 07:00 : 2

07:01 – 08:00 : 3

08:01 – 09:00 : 4

09:01 – 10:00 : 5

10:01 – 11:00 : 6

11:01 – 12:00 : 7

12:01 – 13:00 : 8

13:01 – 14:00 : 9

14:01 – 15:00 : 10

15:01 – 16:00 : 11

16:01 – 17:00 : 12

17:01 – 18:00 : 13

18:01 – 19:00 : 14

19:01 – 20:00 : 15

20:01 – 21:00 : 16

21:01 – 22:00 : 17

22:01 – 23:00 : 18

23:01 – 00:00 : 19

3.3.3 Data Normalization

Data yang telah ditransformasi ke bentuk numerik kemudian akan di

normalisasi menggunakan min – max normalization untuk mendapatkan bentuk

data yang optimal. Data akan dirubah ke dalam kisaran 0 sampai dengan 10.

Rumus yang digunakan sebagai berikut :

(16)


42

Dengan merupakan data hasil setelah dilakukan normalisasi,

merupakan data asli. merupakan data maksimum yang sudah ditentukan

sebelumnya, dan merupakan data minimum yang telah ditentukan.

adalah nilai data yang terbesar sedangkan merupakan nilai data

minimal yang digunakan.

3.3.4 Pengelompokan Data

Data akan dikelompokan menjadi 2 yaitu data training dan data testing

yang dibagi menggunakan sebagian aturan 3-fold. Jumlah data per kelompok

ditentukan yaitu

dari jumlah data kelas akan menjadi data training, sedangkan

dari jumlah data kelas akan menjadi data testing. Berikut ini merupakan gambar

ilustrasi dari pembagian data per kelas menggunakan aturan 3-fold untuk masing

masing prediksi :

Gambar 3. 2 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 0



43





44

Data training setiap kelas akan disatukan untuk melatih data testing dari

setiap kelas.

3. 4 Model Backpropagation

Algoritma pada proses klasifikasi yang di gunakan pada penelitian ini

adalah Backpropagation.

Berikut ini merupakan arsitektur jaringan yang akan digunakan untuk

pelatihan pada penelitian ini :


Gambar 3. 8 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas baru


45

Penjelasan mengenai gambar arsitektur di atas :

1. P1, P2, P3, P4 merupakan lapisan masukan dalam jaringan syaraf

tiruan, masukan pada lapisan ini merupakan atribut yang digunakan

dalam penelitian ini. Pada penelitian ini terdapat 4 atribut yang

digunakan yaitu : jam, motorcycle, light vehicle, heavy vehicle.

2. X1, X2, X3, ......, X50 merupakan lapisan layer pertama yang akan

digunakan dalam penelitian ini, pada layer tersembunyi ini terdapat

50 neuron yang akan melakukan variasi pada jumlah neuron yang

berguna untuk meningkatkan akurasi pada sistem yang akan dibuat.

3. Y1, Y2, Y3, ..., Y50 merupakan lapisan layer tersembunyi (hidden

layer) pada layer tersembunyi ini terdapat variasi neuron. Dengan

variasi yang digunakan yaitu jumlah neuron dari 5 sampai 50

dengan kelipatan 5. Dalam arti jumlah neuron yang di gunakan

adalah 5,10,15,20,25,30,35,40,45 dan 50, yang akan melakukan

variasi neuron sesuai dengan neuron pada layer pertama yang

berguna untuk meningkatkan akurasi pada sistem yang akan dibuat.

Gambar 3. 9 Arsitektur untuk pelatihan


46

4. Z merupakan lapisan luaran yang digunakan dalam penelitian ini,

nilai luaran akan bernilai 0, 1, 2, 3, 4, atau 5 yang merupakan plan

yang disarankan oleh sistem. Berikut representasi luaran dari

sistem :

Tabel 3. 4 Nilai Target Output

Status Plan Nilai Target Output

0 0

1 1

2 2

3 3

4 4

5 5

6 6

3. 5 Kebutuhan Sistem

Alat yang digunakan untuk perancangan sistem :

1. Perangkat Keras :

2.1 Komputer :

Processor : Intel® Celeron® CPU 1007U @ 1.50GHz

(2 CPUs), ~1.5GHz

Memory : 4 GB

Hard Drive : 4 GB

2. Perangkat Lunak :

2.2 Microsoft Windows 8.1.

2.3 Matlab R2018a.


47

3.6 Perancangan Antar Muka Sistem

Gambar 3.3 merupakan rancangan tampilan antar muka yang akan dibuat.

Terdapat 3 panel yang terdapat pada tampilan antar muka yaitu panel Input, panel

Output dan panel Picture. Berikut ini penjelasan fungsi masing masing panel :

3.6.1 Panel Input

Panel Input digunakan untuk mamasukan data kendaraan melalui

keyboard, terdapat dropbox untuk memilih jam kendaraan yang melintas dan data

inputan berbentuk numerik. Terdapat button OK untuk memulai proses

preprocessing, training, dan memprediksi luaran.

3.6.2 Panel Output

Panel output digunakan untuk menampilkan data yang telah selesai

diproses, output berupa plan yang akan diimplementasikan yaitu 0, 1, 2, 3, 4, atau

5.

3.6.3 Panel Picture

Panel picture bertujuan untuk menampilkan gambar plan yang dikeluarkan

oleh sistem, gambar yang dikeluarkan berfungsi sebagai acuan untuk mengatur

durasi lampu lalulintas.

Gambar 3. 10 Rancangan Tampilan Antar Muka


48

BAB IV

HASIL DAN ANALISA

Bab ini akan membahas uraian implementasi dari rancangan dan analisis

keluarannya, variasi percobaan jumlah layer tersembunyi, neuron, fungsi aktivasi,

fungsi training serta percobaan kombinasi kelompok ciri. Selain itu terdapat

pengujian data tunggal dan uraian mengenai hasil yang didapat.

4.1 Preprocessing

4. 1. 1 Data Selection

Pada tahap seleksi data, data yang di pakai penulis berjumlah 6 atribut

yaitu day, hours, motorcycle, light vehicle, heavy vehicle, dan plan sedangkan

atribut lain yang tidak dipakai akan dihapus menggunakan aplikasi microsoft

excel.

4. 2. 2 Data Transformation

Setelah melalui tahap selection dilakukan transformasi pada data sesuai

dengan ketentuan yang telah ditulis pada bab 3. Berikut merupakan contoh data

transformasi :

Tabel 4. 1 Contoh data yang belum di transformasi


01/07/2019 05:00 - 06.00 263 636 297 1

01/07/2019 06:01 - 07:00 789 1575 673 1

01/07/2019 07:01 - 08:00 1403 2208 1013 1

01/07/2019 08:01 - 09:00 1422 1960 1104 1

01/07/2019 09:01 - 10:00 1654 1937 1148 1

01/07/2019 10:01 - 11:00 1325 1333 960 1

01/07/2019 11:01 - 12:00 502 518 503 1

01/07/2019 12:01 - 13:00 819 970 548 2

01/07/2019 13:01 - 14:00 878 1078 611 2

01/07/2019 14:01 - 15:00 2105 713 603 2

01/07/2019 15:01 - 16:00 3521 641 695 2

01/07/2019 16:01 - 17:00 2367 1762 628 2

01/07/2019 17:01 - 18:00 2902 2792 716 2

01/07/2019 18:01 - 19:00 1112 1743 893 3

01/07/2019 19:01 - 20:00 1100 1368 830 3

01/07/2019 20:01 - 21:00 2057 1139 562 3


49

01/07/2019 21:01 - 22:00 2353 2751 182 4

01/07/2019 22:01 - 23:00 1341 2131 273 4

01/07/2019 23:01 - 24:00 1234 721 731 0

01/07/2019 05:00 - 06.00 263 636 297 1

4.2 Prediksi

Setelah melakukan proses preprocessing hingga normalisasi, lalu

selanjutnya adalah sistem melakukan pelatihan menggunakan jaringan syaraf

tiruan backpropagation sesuai dengan arsitektur yang sudah ditentukan pada bab

3 dimana fungsi training yang digunakan adalah trainrp, trainscg, traincgb,

traingdx.

Selain fungsi training yang akan divariasi, jumlah hidden layer dan neuron

pada hidden layer juga di variasi dengan kelipatan 5, dan dimulai dari 5 (5, 10, 15,

20, 25, 30, 35, 40, 45, 50) dengan fungsi aktivasi tansig dan purelin. Hal ini

dilakukan untuk menemukan arsitektur jaringan syaraf tiruan yang optimal.

4.2.1 Model Prediksi

a. Satu Hidden Layer

Pada satu hidden layer ini data yang digunakan berjumlah 189 data

dengan 4 atribut yang akan dipakai untuk menghasilkan luaran prediksi

plan dengan menggunakan satu hidden layer. Fungsi aktivasi yang dipakai

pada percobaan ini adalah tansig dan purelin, fungsi training yang dipakai

trainrp, trainscg, traincgb, traingdx menggunakan 3 fold. Berikut ini

merupakan hasil percobaan dengan menggunakan satu hidden layer :


50


tansig

Gambar di atas dapat dilihat bahwa akurasi pada percobaan satu hidden

layer menggunakan 3 fold menghasilkan akurasi tertinggi sebesar 88,26% dengan

fungsi training traincgb dan jumlah neuron yang digunakan sebanyak 50 neuron.

Langkah selanjutnya adalah melakukan percobaan dengan mengganti

fungsi aktivasi menggunakan purelin. Melakukan variasi jumlah neuron pada

hidden layer dan variasi fungsi training serta fungsi aktivasi. Berikut ini

merupakan hasil percobaan dengan menggunakan fungsi aktivasi purelin :

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

90.00%

100.00%

5 10 15 20 25 30 35 40 45 50

Akurasi

Neuron

TrainrpTrainsgTraincgbTraingdx


51


purelin

Gambar di atas dapat dilihat bahwa akurasi pada percobaan satu hidden

layer menggunakan 3 fold menghasilkan akurasi tertinggi sebesar 51,02% dengan

fungsi training traingdx dan jumlah neuron yang digunakan sebanyak 50 neuron.

Pada 2 percobaan di atas dapat disimpulkan bahwa akurasi tertinggi pada

percobaan satu hiiden layer adalah dengan menggunakan fungsi training traincgb

dan fungsi aktivasi tansig yang memperoleh hasil akurasi sebesar 88,26%. Setelah

melakukan variasi pada satu hidden layer, fungsi aktivasi dan fungsi training

maka kemudian akan dipakai pada percobaan dengan dua hidden layer.

b. Dua Hidden Layer

Pada percobaan dua hidden layer ini, layer ke dua akan di variasi

jumlah neuron, fungsi aktivasi serta fungsi training. Percobaan akan

menggunakan 3 fold, fungsi training trainrp, trainscg, traincgb, traingdx,

fungsi aktivasi tansig. Berikut ini merupakan hasil percobaan dengan

menggunakan dua hidden layer :

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

5 10 15 20 25 30 35 40 45 50

Akurasi

Neuron

Trainrp

Trainscg

Traincgb

Traingdx


52

Gambar 4. 3 Grafik akurasi perocobaan dua hidden layer dengan fungsi aktivasi

tansig menggunakan 3 fold

Pada grafik di atas dapat dilihat bahwa pada percobaan dua hidden layer

menghasilkan akurasi tertinggi sebesar 90,81% dengan neuron pada hidden layer

ke dua sebesar 20 neuron.

Berdasarkan percobaan di atas dapat ditarik kesimpulan bahwa akurasi

tertinggi berada pada percobaan dengan menggunakana dua hidden layer, dengan

fungsi aktivasi tansig, dimana neuron pada hidden layer satu berjumlah 5 dan

hidden layer dua berjumlah 20, fungsi training trianrp dan 3 fold yang

menghasilkan akurasi tertinggi sebesar 90,81%.

4.3 Arsitektur Optimal

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

90.00%

100.00%

5 15 5 15 5 15 5 15 5 15 5 15 5 15 5 15 5 15 5 15

Akurasi

Neuron

Trainrp

Gambar 4. 4 Arsitektur optimal


53

Gambar di atas merupakan arsitektur optimal yang didapat melalui

percobaan prediksi plan yang akan digunakan dengan melakukan variasi jumlah

hidden layer, fungsi aktivasi, fungsi training, neuron sehingga didapatkan akurasi

tertinggi sebesar 90,81% . Berikut ini merupakan confussion matrix yang didapat

dari arsitektur optimal di atas :

Tabel 4. 2 Confussion matrix model prediksi Plan

Luaran 000 001 010 011 100 101

000 8 0 0 0 0 0

001 0 62 0 1 0 0

010 0 6 59 1 0 0

011 0 1 3 34 1 0

100 0 0 0 0 15 0

101 3 0 0 0 2 0

4.4 Uji Data Tunggal

Pengujian data tunggal dilakukan dengan mengambil 4 data yang

mewakili masing masing kelas. Berikut ini merupakan hasil pengujian data

tunggal untuk prediksi plan yang akan dipakai :

a. Data Plan 0

Gambar 4. 5 Uji data tunggal kelas 0


54

Berdasarkan percobaan pada gambar di atas, sistem memprediksi data

secara benar. Data diprediksi sebagai plan 0.

b. Data Plan 1

Berdasarkan percobaan pada gambar di atas, sistem memprediksi data secara

benar. Data diprediksi sebagai plan 1.

c. Data Plan 2




55



d. Data Plan 3



e. Data Plan 4




56



f. Data Plan 5

Berdasarkan percobaan pada gambar di atas, sistem memprediksi data

secara salah. Data yang dimasukan merupakan ciri dari kelas 5, seharusnya sistem

data diprediksi sebagai plan 5.



57

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian pengaturan lampu lalu lintas menggunakan jaringan

syaraf tiruan backpropagation dapat disimpulkan sebagai berikut :

1. Model prediksi plan pada pengaturan lampu lalu lintas dapat

diimplementasikan menggunakan jaringan syaraf tiruan

backpropagation.

2. Pengujian yang dilakukan terhadap 189 data kendaraan

menggunakan beberapa aturan 3 fold menghasilkan tingkat

keakuratan sebesar 90,81% dengan struktur jaringan paling optimal

dengan menggunakan dua hidden layer. Satu hidden layer

menggunakan neuron berjumlah 5, sedangkan satu hidden layer

berikutnya menggunakan 20 neuron. Fungsi aktivasi yang

digunakan yaitu tansig dan fungsi training yang dipakai adalah

trainrp. Akurasi ini dapat dikatakan baik untuk digunakan dalam

memprediksi pengaturan lampu lalu lintas.

5.2 Saran

Saran yang dapat diberikan untuk mengembangkan penelitian yang akan

datang adalah :

1. Menggunakan data pada persimpangan yang lain yang memiliki

tingkat kepadatan lalu lintas yang lebih tinggi, lebar jalan yang

lebih kecil, serta rekayasa lalu lintas lebih bervariasi.

2. Menambahkan attribut baru serta jumlah data yang lebih banyak

untuk memaksimalkan pembelajaran pada sistem.

3. Program dapat ditambah dengan pengolahan citra sehingga sistem

dapat langsung memprediksi dari cctv dinas perhubungan.


58

DAFTAR PUSTAKA

Nayazri, Ghulam Muhammad. (Februari, 2017). Indonesia merupakan Negara

Termacet Kedua di Dunia.

https://otomotif.kompas.com/read/2017/02/22/172218515/indonesia.merupaka

n.negara.termacet.kedua.dunia. Diakses tanggal 12 November 2018.

Riadi, Muchlisin. (November, 2016). Jaringan Saraf Tiruan (JST).

https://www.kajianpustaka.com/2016/11/jaringan-saraf-tiruan-jst.html. Diakses

tanggal 18 Oktober 2019

Hagan, M. T., & Demuth, H. B. (2014). Neural Network Design 2nd Edition.

Oklahoma: Martin Hagan

Siang J.J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

MATLAB. Yogyakarta: Andi Offset

Manual Kapasitas Jalan Indonesia (MKJI). (1997). Yogyakarta : Direktorat

Jendral Bina Marga

Nanang. Jaringan Syaraf Tiruan. https://jalanwaktu.wordpress.com/jaringan-

syaraf-tiruan/. Diakses pada tanggal 19 November 2018

Okky. (Oktober, 2016). Arsitektur Jaringan Syaraf Tiruan. Diakses tanggal 19

November 2018

Putri, Verania Puspitaning Tyas Cipta. (2009) Tamara, L. A. (2018). Klasifikasi

Data Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan

Algoritma Rough Set. Yogyakarta: Universitas Sanata Dharma.

Kristianto Andri. 2004. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan

Aplikasi). Gava Media. Yogyakarta.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha

Ilmu. Yogyakarta.


https://otomotif.kompas.com/read/2017/02/22/172218515/indonesia.merupakan.negara.termacet.kedua.dunia

https://otomotif.kompas.com/read/2017/02/22/172218515/indonesia.merupakan.negara.termacet.kedua.dunia

https://www.kajianpustaka.com/2016/11/jaringan-saraf-tiruan-jst.html

https://jalanwaktu.wordpress.com/jaringan-syaraf-tiruan/

https://jalanwaktu.wordpress.com/jaringan-syaraf-tiruan/

59

LAMPIRAN


60

A. Lampiran Program

1. Source code Min_Max

2. Source code RunMinMax


61

3. Source code PembagiandataPerkelas

4. Source code PembagianData


62


pengaturan lampu lalu lintas menggunakan …

Documents