Post on 24-Nov-2021
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 :
Oktavianus Zenggi Surya Putranjaya
155314023
INFORMATICS STUDY PROGRAM
DEPARTMENT OF INFORMATICS
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2020
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
Oktavianus Zenggi Surya Putranjaya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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. 3 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 1 ......... 42
Gambar 3. 4 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 2 ......... 43
Gambar 3. 5 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 3 ......... 43
Gambar 3. 6 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 4 ......... 43
Gambar 3. 7 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 5 ......... 44
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
Gambar 4. 2 grafik akurasi percobaan satu hidden layer dengan fungsi aktivasi
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. 6 Uji data tunggal kelas 1 .................................................................... 54
Gambar 4. 7 Uji data tunggal kelas 2 .................................................................... 54
Gambar 4. 8 Uji data tunggal kelas 3 .................................................................... 55
Gambar 4. 9 Uji data tunggal kelas 4 .................................................................... 55
Gambar 4. 10 Uji data tunggal kelas 5 .................................................................. 56
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Day Hours MC LV HV Plan
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Gambar 3. 3 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Gambar 3. 4 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 2
Gambar 3. 5 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 3
Gambar 3. 6 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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. 7 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas 5
Gambar 3. 8 Ilustrasi kelompok data aturan 3-fold untuk prediksi kelas baru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Gambar 4. 1 grafik akurasi percobaan satu hidden layer dengan fungsi aktivasi
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 4. 2 grafik akurasi percobaan satu hidden layer dengan fungsi aktivasi
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Gambar 4. 6 Uji data tunggal kelas 1
Gambar 4. 7 Uji data tunggal kelas 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Berdasarkan percobaan pada gambar di atas, sistem memprediksi data secara
benar. Data diprediksi sebagai plan 2.
d. Data Plan 3
Berdasarkan percobaan pada gambar di atas, sistem memprediksi data secara
benar. Data diprediksi sebagai plan 3.
e. Data Plan 4
Gambar 4. 8 Uji data tunggal kelas 3
Gambar 4. 9 Uji data tunggal kelas 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Berdasarkan percobaan pada gambar di atas, sistem memprediksi data secara
benar. Data diprediksi sebagai plan 4.
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.
Gambar 4. 10 Uji data tunggal kelas 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
A. Lampiran Program
1. Source code Min_Max
2. Source code RunMinMax
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
3. Source code PembagiandataPerkelas
4. Source code PembagianData
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI