Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-1

DESAIN PENGATUR LAMPU LALU LINTAS ADAPTIFDENGAN KENDALI LOGIKA FUZZY

Erwan Eko Prasetiyo1), Oyas Wahyunggoro2), Selo Sulistyo3)

1), 2),3) Jurusan Teknik Elektro dan Teknologi Informasi Fakultas Teknik Universitas Gadjah MadaJl. Grafika 2 Kampus UGM Yogyakarta

Email : erwan.sie13@mail.ugm.ac.id1), oyas@ugm.ac.id2), selo@ugm.ac.id3)

Abstrak

Kemacetan lalu lintas merupakan masalah penting yangharus diselesaikan. Salah satu penyebab kemacetan lalulintas adalah adanya sistem lampu pengatur lalu lintasyang belum optimal karena masih menggunakan sistempengendalian waktu tetap. Oleh karena itu, konseppengendalian lampu lalu lintas adaptif perludikembangkan untuk mendapatkan waktu pengaturanyang lebih baik. Makalah ini memaparkan konseppengendalian lampu lalu lintas adaptif dengan kendalilogika fuzzy. Kendali fuzzy digunakan untuk menentukandurasi lampu hijau berdasarkan tiga masukan, yaitujumlah antrian kendaraan, waktu tunggu dan prediksikepadatan. Tujuan penelitian ini untuk membandingkanpenentuan keputusan dengan menggunakan beberapametode defuzzifikasi pada fuzzy tipe Mamdani. Metodedefuzzifikasi yang dibandingkan adalah metode centroid,bisector, mean of maximum, largest of maximum dansmallest of maximum. Metode defuzzifikasi yangmemberikan hasil lebih baik adalah centroid danbisector, karena perubahan keluaran yang dihasilkancenderung lebih halus. Metode ini selanjutnya dapatditerapkan untuk membangun sebuah sistem pengaturlampu lalu lintas adaptif.

Kata kunci: adaptif, lampu lalu lintas, logika fuzz, kemacetan;lalu lintas

1. PendahuluanPeningkatan jumlah kendaraan khususnya di kota-kotabesar membuat kemacetan menjadi salah satu masalahpenting yang harus diselesaikan [1]. Keadaan ini biasanyadapat dilihat di sebuah persimpangan jalan dengan banyakantrian kendaraan yang hendak melewati sebuahpersimpangan jalan. Arus lalu lintas di persimpangan jalandi kota-kota besar sudah banyak yang diatur menggunakanlampu lalu lintas. Penggunaan lampu lalu lintas dipersimpangan jalan ditujukan untuk mengendalikan aruslalu lintas agar tidak terjadi kemacetan. Lampu lalu lintasdi Indonesia sebagian besar masih menggunakanpengaturan waktu penyalaan dengan durasi waktu yangtetap di tiap-tiap sisinya. Penentuan waktu tersebutmenggunakan metode statistik yang didasarkan padapenelitian dan pengamatan arus lalu lintas yang terjadi dipersimpangan [2]. Pada kenyataannya arus lalu lintas dipersimpangan jalan tidak menentu dan berubah-ubah. Halini memungkinkan arus lalu lintas di persimpangan tidak

efektif karena adanya waktu hijau yang terlalu pendekuntuk jumlah antrian kendaraan yang banyak di sebuahruas jalan.

Dalam pengembangan sistem pengendalian lampu lalulintas yang kompleks telah diterapkan sistem pengaturanlalu lintas adaptif. Salah satu contoh sistem adaptif yangtelah dikembangkan adalah menggunakan kendali logikafuzzy [3]. Konsep dasar strategi adaptif yang digunakan disini untuk mengatur fungsi keanggotaan sesuai kondisilalu lintas agar dapat bekerja optimal. Sistem pengaturanadaptif akan mempertimbangkan keadaan lalu lintas yangselalu berubah-ubah, sehingga dapat mengoptimalkan aruslalu lintas sesuai dengan keadaan kepadatan lalu lintasyang selalu berubah-ubah.

Akan tetapi, keadaan lalu lintas yang dipertimbangkanterbatas pada keadaan di sebuah area persimpangan saja.Pada kenyataannya keadaan lalu lintas di jalan raya antarapersimpangan satu dengan yang lainnya saling berkaitan.Keadaan lalu lintas di sebuah persimpangan, misalnyajumlah kendaraan yang melintas, dapat digunakan untukmemprediksi keadaan lalu lintas di persimpanganberikutnya. Pada makalah ini akan memaparkanperancangan sistem pengendali lampu lalu lintas dengankendali logika fuzzy. Sistem ini akan mempertimbangkanprediksi keadaan lalu lintas sebagai masukan dalammenentukan durasi lampu hijau pada sebuah lampu lalulintas. Sehingga diharapkan dengan konsep ini dapatmemberikan durasi waktu hijau yang sesuai denganjumlah antrian kendaraan yang akan melintasipersimpangan.

Tujuan penelitian ini adalah membandingkan beberapametode defuzzifikasi pada fuzzy tipe Mamdani. Metodedefuzzifikasi yang dibandingkan antara lain metodecentroid, bisector, mean of maximum (MOM), largest ofmaximum (LOM) dan smallest of maximum (SOM).Masing-masing metode defuzzifikasi diujicoba dengancara simulasi menggunakan fuzzy toolbox pada Matlab. Ujicoba dilakukan dengan menggunakan beberapa variasimasukan yang sama pada tiap metode defuzzifikasi,kemudian hasilnya dibandingkan.

2. Pembahasan

a. Kemacetan Lalu Lintas

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-2

Kemacetan di Indonesia khususnya di kota-kota besarsudah semakin meningkat. Kemacetan terjadi terutamapada titik-titik persimpangan baik di jalan-jalan protokolhingga di jalan lingkungan. Pertambahan jumlahkendaraan mengakibatkan kemacetan semakinmeningkat. Sistem transportasi yang kurang baik disebagian kota-kota besar telah menimbulkan kemacetanyang cukup parah. Kerugian akibat dari kemacetan lalulintas antara lain waktu terbuang percuma, pemborosanbahan bakar, meningkatnya biaya kesehatan danpencemaran lingkungan [4].

Kemacetan lalu lintas berkepanjangan seperti di Jakartamenyebabkan pemborosan senilai Rp 8,3 triliun pertahun. Perhitungan itu mencakup tiga aspek sebagaikonsekuensi kemacetan, yakni pemborosan bahan bakarakibat biaya operasional kendaraan senilai Rp 3 triliun,kerugian akibat waktu yang terbuang Rp 2,5 triliun, dandampak kesehatan akibat polusi udara sebesar Rp 2,8triliun. Angka kerugian akan terus meningkat secaragradual seiring kemacetan lalu-lintas yang semakin parahdi Jakarta. Tingginya penggunaan kendaraan bermotormenjadi pemicu utama masalah kemacetan . Bahkan,hingga saat ini tercatat jumlah kendaraan bermotor sudahmencapai 6,5 juta unit, yang terdiri atas 6,4 juta unit atau98,6 persen merupakan kendaraan pribadi dan 88.477 unitatau sekitar 1,4 persen adalah angkutan umum, denganpertumbuhan kendaraan mencapai 11 persen setiaptahunnya. Sedangkan panjang jalan yang ada 7.650 Kmdengan luas 40,1 Km2 atau 6,2% dari luas wilayah DKI,dengan pertumbuhan jalan hanya sekitar 0.01 % per tahun[5]. Dari data tersebut, jika dibandingkan antarapertumbuhan jalan dengan pertumbuhan kendaraan, jelasterlihat bahwa pertumbuhan jalan tidak mampu mengejarpertumbuhan kendaraan. Sehingga kemacetan hampirtidak mungkin dihindarkan.

b. Sistem Pengendalian Lampu Lalu Lintas

Pengendalian lampu lalu-lintas yang dioperasikan padabasis waktu saja, ternyata hanya membentuk sebuahsistem kendali loop terbuka. Meskipun demikian, jikajumlah kendaraan yang menunggu di setiap lampu lalulintas pada suatu daerah yang padat arus lalu-lintasnya,diukur secara kontinyu dan informasinya dikirim ke pusatpengendalian, maka sistem semacam ini menjadi looptertutup.

Salah satu aplikasi sistem loop tertutup adalah sistempengendalian arus lalu lintas terpusat. Penentuankeputusan dalam pengaturan arus lalu lintas ditentukanberdasarkan data keadaan lalu lintas di beberapa ruas jalanyang diterima oleh pusat pengendali. Untuk membantumenentukan keputusan dalam sistem pengendali lalulintas terpusat salah satunya dengan menggunakan logikafuzzy. Logika fuzzy digunakan sebagai sistem pendukungkeputusan untuk pusat pengendali lalu lintas. Sistem iniakan memandu operator di pusat pengendali lalu lintasketika harus mengurangi kemacetan. Sistem ini akanmemberikan daftar urutan kombinasi pengendali lalulintas yang terukur [6]. Sistem pengendalian lalu lintas

seperti ini secara garis besar ditunjukkan seperti padaGambar 1.

Gambar 1. Garis Besar Sistem Pendukung KeputusanPengendalian Lalu Lintas

Mobilitas arus lalu lintas dalam jaringan cukup kompleks,karena variasi volume lalu lintas sangat bergantung padajam dan hari dalam satu minggu, maupun pada beberapafaktor lain. Jadi untuk mengendalikan lampu lalu lintassecara terpusat memang cukup sulit, terlebih jika volumelalu lintas dari setiap persimpangan ruas jalan sangatheterogen. Dalam hal ini meminimumkan waktu tunggurata-rata yang relatif proporsional dengan tingkatkepadatan lalu-lintasnya, merupakan suatu kendalapengendalian yang menuntut perencanaan dan pemecahansecara cermat [7].

c. Operator Fuzzy

Operator fuzzy terdiri atas operasi-operasi yang samaseperti himpunan tegas atau crisp, mulai dari union(hubungan OR), intersection (hubungan AND),komplemen, perkalian cartesian, dan selisih himpunan.Berikut ini definisi dari operator untuk logika fuzzy [8].

1) Gabungan (union)

A ⋃ B = {x | x ∈ A atau x ∈ B}

µA ⋃ B (x) = µA(x)∨ µB(x) = max (µA(x), µB(x)) .........(1)

2) Irisan (intersection)

A ∩ B = {x | x ∈ A dan x ∈ B}

µA ∩ B (x) = µA(x)∧ µB(x) = min (µA(x), µB(x)) ...........(2)

3) Perkalian Kartesian (cartesian product)

A . B = { (a,b) | a ∈ A dan b ∈ B } .........................(3)

4) Komplemen

A’ = {x | x ∉ A, x ∈ x} ...........................................(4)

5) Selisih (difference)

A-B = {x | x ∈ A dan x ∉ B} = A ∩ B’ ..................(5)

d. Desain Pengatur Lampu Lalu Lintas Adaptif

Sistem pengaturan lampu lalu lintas adaptif yangmenggunakan kendali logika fuzzy perlu dikembangkanuntuk mendapatkan hasil yang optimal. Pada penelitianini sistem pengendalian dikembangkan denganmempertimbangkan prediksi kepadatan arus lalu lintasyang akan terjadi di sebuah persimpangan. Prediksikepadatan ini dapat diperoleh dari pembacaan keadaan

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-3

jumlah kendaraan di persimpangan sebelumnya. Konsepyang dikembangkan pada penelitian ini secara garis besardapat dilihat seperti pada Gambar 2.

Gambar 2. Desain Sistem Pengendalian Lalu Lintas

Konsep tersebut merupakan pengembangan dari sistempengendalian lampu lalu lintas adaptif. Sistempengendalian lampu lalu lintas adaptif merupakan sistempengendalian yang bekerja berdasarkan keadaan lalulintas di area persimpangan. Sistem adaptif yang biasanyadipakai dibangun menggunakan sistem kendali logikafuzzy [9].

Untuk membaca keadaan arus lalu lintas di persimpangan,salah satu caranya dengan memasang sensor. Sensordipasang di sekitar persimpangan jalan tersebut. Sensordiletakkan pada dua bagian, yaitu sensor di persimpanganitu dan sensor pada persimpangan lain yang salingberhubungan. Pada penelitian ini pengaturan durasi waktupenyalaan isyarat lampu lalu lintas tidak hanyaberdasarkan pada keadaan arus lalu lintas di sebuahpersimpangan itu saja tetapi juga berdasarkan padakeadaan arus lalu lintas di persimpangan lain yang salingberhubungan.

Sistem kendali adaptif yang digunakan adalah kendalilogika fuzzy. Sistem ini berfungsi sebagai pengambilkeputusan dalam pengaturan lampu lalu lintas. Keputusanyang diberikan berupa besarnya durasi lampu hijau.Besarnya durasi tergantung dari keadaan arus lalu lintasdi persimpangan. Variasi durasi waktu penyalaan lampuhijau merupakan keputusan yang dibuat dalam aturan-aturan (rules) sistem kendali logika fuzzy. Konfigurasidasar sistem kendali logika fuzzy ditunjukkan padaGambar 3.

Gambar 3. Konfigurasi Dasar Sistem Fuzzy denganPengaburan dan Penegasan

Masukan sistem terdiri atas tiga macam variabel yaitujumlah antrian kendaraan (NV) dalam satuan smp,prediksi kepadatan (NVP) dalam satuan smp/menit danwaktu tunggu (WT) dalam satuan detik. Keluaran berupadurasi waktu hijau (GT). Masukan pertama, NV akandibagi menjadi tiga fungsi keanggotaan yaitu small (S),medium (M) dan big (B) dengan rentang [0;40]. Masukankedua, NVP akan dibagi menjadi tiga fungsi keanggotaanyaitu small (S), medium (M) dan big (B) dengan rentang[0;20]. Masukan ketiga, WT akan dibagi menjadi tigafungsi keanggotaan yaitu small (S), medium (M) dan big(B) dengan rentang [0;180]. Sedangkan keluaran, GTakan dibagi menjadi lima fungsi keanggotaan yaitu verysmall (VS), small (S), medium (M), big (B) dan very big(VB) dengan rentang [0;180]. Sistem fuzzy tersebut dapatdilihat seperti pada Gambar 4.

Gambar 4. Sistem Fuzzy dengan 3 Masukandan 1 Keluaran dengan 21 Aturan

Sedangkan fungsi keanggotaan masing-masing masukandan keluaran sistem fuzzy ditunjukkan seperti padagambar 5 berikut ini.

Gambar 5a. Fungsi Keanggotaan NVP

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-4

Gambar 5b. Fungsi Keanggotaan NV

Gambar 5c. Fungsi Keanggotaan WT

Gambar 5d. Fungsi Keanggotaan GTGambar 5. Fungsi Keanggotaan Masukan dan

Keluaran Sistem Fuzzy

Sistem fuzzy pada penelitian ini dibangun dengan 21aturan. Adapun aturan-aturan tersebut ditunjukkan sepertipada daftar berikut ini.

Daftar aturan sistem fuzzy pengatur lampu lalu lintasadaptif.

1. If NV is S and WT is S then GT is S2. If NV is S and WT is M then GT is S3. If NV is S and WT is B then GT is VS4. If NVP is S and NV is M and WT is S then GT is M5. If NVP is S and NV is M and WT is M then GT is S6. If NVP is S and NV is M and WT is B then GT is S7. If NVP is S and NV is B and WT is S then GT is B8. If NVP is S and NV is B and WT is M then GT is M9. If NVP is S and NV is B and WT is B then GT is M10.If NVP is M and NV is M and WT is S then GT is B11.If NVP is M and NV is M and WT is M then GT is M12.If NVP is M and NV is M and WT is B then GT is S13.If NVP is M and NV is B and WT is S then GT is VB14.If NVP is M and NV is B and WT is M then GT is B15.If NVP is M and NV is B and WT is B then GT is M16.If NVP is B and NV is M and WT is S then GT is VB17.If NVP is B and NV is M and WT is M then GT is M18.If NVP is B and NV is M and WT is B then GT is S19.If NVP is B and NV is B and WT is S then GT is VB20.If NVP is B and NV is B and WT is M then GT is B21. If NVP is B and NV is B and WT is B then GT is B

e. Logika Fuzzy Tipe Mamdani

Metode Mamdani sering juga dikenal dengan namaMetode Max-Min. Metode ini diperkenalkan oleh

Ebrahim Mamdani pada tahun 1975. Pada metodeMamdani untuk mendapatkan keluaran diperlukan 4tahapan, yaitu fuzzification, aplikasi fungsi implikasi,komposisi aturan (rules) dan defuzzification.Fuzzification adalah proses konversi dari ranah tegas(crisp) ke ranah fuzzy. Fungsi implikasi yang digunakanadalah min. Inferensi diperoleh dari kumpulan dankorelasi antar aturan. Ada 3 metode yang digunakandalam melakukan inferensi sistem fuzzy, yaitu max,additive (sum) dan probalistik OR (probor) [10].

1) Metode Max (maximum)Pada metode ini, solusi himpunan fuzzy diperolehdengan cara mengambil nilai maksimum aturan,kemudian menggunakannya untuk memodifikasidaerah fuzzy, dan mengaplikasikannya ke keluarandengan menggunakan operator OR (union). Jikasemua proposisi telah dievaluasi, maka keluaran akanberisi suatu himpunan fuzzy yang merefleksikankonstribusi dari tiap-tiap proposisi. Secara umumdituliskan seperti Persamaan 6.

µsf[xi] ← max(μ sf[xi], μkf[xi]) .........................(6)dengan:μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturanke-iμkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i

2) Metode Additive (Sum)Pada metode ini, solusi himpunan fuzzy diperolehdengan cara melakukan bounded-sum terhadap semuakeluaran daerah fuzzy. Secara umum dituliskan sepertiPersamaan 7.

μsf[xi] ← min(1,μ sf[xi]+ μkf[xi]) .......................(7)dengan:μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturanke-iμkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i

3) Metode Probabilistik OR (Probor)Pada metode ini, solusi himpunan fuzzy diperolehdengan cara melakukan product terhadap semuakeluaran daerah fuzzy. Secara umum dituliskan sepertiPersamaan 8.

μsf[xi] ← (μ sf[xi]+ μkf[xi]) - (μsf[xi] * μkf[xi])....(8)dengan:μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturanke-i;μkf[xi] = nilai keanggotaan konsekuen I aturan ke-i;

Masukan dari proses defuzzification adalah suatuhimpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan keluaran yang dihasilkanmerupakan suatu bilangan pada domain himpunan fuzzytersebut. Sehingga jika diberikan suatu himpunan fuzzydalam range tertentu, maka harus dapat diambil suatunilai tegas tertentu sebagai keluaran [10]. Ada beberapametode defuzzification pada komposisi aturan Mamdani,antara lain [11] :

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-5

1) Centroid of Area (COA)Nilai tegas diperoleh dengan cara mengambil titikpusat daerah fuzzy. Secara umum dituliskan sepertiPersamaan 9.

ZCOA=∫ ( )∫ ( ) ............................................(9)

2) Bisector of AreaNilai tegas diperoleh dengan cara mengambil nilaipada domain fuzzy yang memiliki nilai keanggotaansetengah dari jumlah total nilai keanggotaan padadaerah fuzzy. Secara umum dituliskan sepertiPersamaan 10.∫ µ ( ) =∫ µ ( ) ...........................(10)

dengan α=min{z|z ∈ Z} dan =max{z|z ∈ Z}

3) Mean of Maximum (MOM)Nilai tegas diperoleh dengan cara mengambil nilairata-rata domain yang memiliki nilai keanggotaanmaksimum. Secara umum dituliskan sepertiPersamaan 11.

ZMOM=∫∫ ................................................(11)

4) Largest of Maximum (LOM)Nilai tegas diperoleh dengan cara mengambil nilaiterbesar dari domain yang memiliki nilai keanggotaanmaksimum.

5) Smallest of Maximum (SOM)Nilai tegas diperoleh dengan cara mengambil nilaiterkecil dari domain yang memiliki nilai keanggotaanmaksimum.

Gambar 6. Variasi Metode Defuzzifikasi untukMendapatkan Angka Keluaran Tegas

f. Simulasi dan Hasil

Pada penelitian ini simulasi dilakukan denganmenggunakan toolbox Matlab. Simulasi yang dilakukanhanya sebatas pada penentuan jumlah waktu hijau (GT)yang dikeluarkan oleh sistem fuzzy. Sistem fuzzy padasimulasi ini menggunakan metode Mamdani denganbeberapa metode defuzzifikasi, yaitu Centroid, Bisector,Mean of Maximum (MOM), Largest of Maximum (LOM)dan Smallest of Maximum (SOM) . Simulasi dilakukandengan beberapa variasi masukan yang sama untukmetode defuzzifikasi yang berbeda. Tujuan dari simulasi

ini adalah untuk membandingkan keluaran sistem fuzzydari beberapa metode defuzzifikasi yang berbeda. Untukselanjutnya metode defuzifikasi tersebut akan diterapkanpada sistem pengatur lampu lalu lintas adaptif. Adapunhasil perbandingan dari beberapa metode defuzifikasitersebut disajikan pada Tabel 1.

Tabel 1. Hasil Keluaran Sistem Fuzzy dari BeberapaMetode Defuzzification

No Masukan KeluaranNVP NV WT GT (detik)smp/mnt

smp dtk Cen Bi Mom Lom Som

1 5 4 40 10 10 10 14.4 5.62 10 4 40 10 10 10 14.4 5.63 15 4 40 10 10 10 14.4 5.64 5 10 40 10 10 10 14.4 5.65 10 10 40 10 10 10 14.4 5.66 15 10 40 10 10 10 14.4 5.67 5 12 40 13.3 12.4 10 16 48 10 12 40 17.3 14.8 10 16 49 15 12 40 17.3 14.8 10 16 410 5 16 40 16.3 17.2 20 24.8 15.212 10 16 40 23.3 25.6 30 34.4 25.613 15 16 40 23.2 23.2 37.6 40 35.214 10 12 15 17.2 14.4 10 16 415 10 12 60 17.3 14.8 10 16 416 10 12 90 13.3 12.4 10 16 417 10 12 120 12.5 11.6 10 16 418 10 12 170 7.78 6.4 3 6 019 10 5 90 10 10 10 12.4 7.620 10 15 90 16.6 17.6 20 24.8 15.221 10 20 90 20 20 20 20 2022 10 25 90 23.4 22.4 20 24.8 15.223 10 35 90 30 30 30 32.4 27.6

Tabel 1 data nomor 1 sampai dengan nomor 13menampilkan data hasil percobaan dengan masukan nilaiNVP dan NV yang bervariasi tetapi dengan WT yangsama. Data pada Tabel 1 menunjukkan bahwa masukannilai NVP akan diperhitungkan setelah nilai NV lebih dari10 atau masuk daerah M (medium) dan B (big). Iniditunjukkan dengan adanya perubahan nilai keluaran GTsetelah nilai NV lebih dari 10. Hal ini sudah sesuai denganaturan fuzzy yang telah dibuat yaitu nilai NVP akandiperhitungkan setelah keadaan NV masuk dalam daerahM (medium) dan B (big). Nilai masukan NVP ini akandiperhitungkan sehingga akan berpengaruh terhadapbesarnya nilai keluaran GT. Terlihat bahwa pada saatkeadaan masukan NV masuk pada daerah M (medium)dan B (big) jika nilai NVP mengalami peningkatan makabesarnya nilai keluaran GT juga akan mengalamipeningkatan. Data pada Tabel 1 data nomor 14 sampaidengan nomor 18 menunjukkan adanya pengaruhbesarnya nilai masukan WT terhadap besarnya keluaranGT. Nilai WT (pada fase berikutnya) yang semakin besarakan mengakibatkan nilai GT semakin berkurang.Sedangkan data pada Tabel 1 data nomor 19 sampaidengan nomor 23 menunjukkan adanya pengaruhbesarnya nilai masukan NV terhadap besarnya keluaran

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

3.7-6

GT. Nilai NV yang semakin besar akan mengakibatkannilai GT semakin besar.

Pada tiap metode defuzzifikasi dengan masukan yangsama, belum tentu menghasilkan keluaran GT yang samapula. Data pada Tabel 1 menunjukkan bahwa besarnyanilai keluaran GT dengan metode centroid, bisector danMOM memberikan keluaran yang sama saat keadaanmasukan NV pada daerah S (small). Tetapi saat keadaanmasukan NV masuk daerah M (medium) besarnya nilaikeluaran GT dengan metode centroid, bisector dan LOMakan mengalami peningkatan, sedangkan dengan metodeMOM dan SOM tidak mengalami peningkatan.Sedangkan pada saat keadaan masukan NV masuk padadaerah B (big) besarnya nilai keluaran GT dengan semuametode defuzzifikasi akan mengalami peningkatan.

3. Kesimpulan

Berdasarkan percobaan yang telah dilakukan, didapatkanhasil bahwa besarnya nilai keluaran GT berubah-ubahakibat besarnya nilai masukan NVP, NV dan WT yangbervariasi. Hal ini menunjukkan bahwa sistem fuzzy dapatmemberikan pengaturan yang adaptif pada sebuah sistempengatur lampu lalu lintas. Metode defuzzifikasi yangberbeda akan menghasilkan keputusan yang berbeda pulapada keluaran sebuah sistem fuzzy. Metode defuzzifikasicentroid dan bisector cenderung menghasilkan keluaranyang halus terhadap adanya perubahan masukandibandingkan metode MOM, LOM dan SOM. Sehinggapada tahap selanjutnya dari penelitian ini, yaitu untukimplementasi pada sebuah sistem pengaturan lampu lalulintas dapat diterapkan sebuah sistem fuzzy dengandefuzzifikasi menggunakan metode centroid atau metodebisector.

Daftar Pustaka[1] L. Wu, X. Zhang, and Z. Shi, “An Intelligent Fuzzy Control

fCrossroads Traffic Light,” 2010 Second WRI Glob. Congr. Intell.Syst., pp. 28–32, Dec. 2010

[2] M. G. H. Kulkarni and M. P. G. Waingankar, “Fuzzy Logic BasedTraffic Light Controller,” no. August, pp. 8–11, 2007

[3] U. Feeydca, “Fuzzy Traffic Control: Adaptive Strategies,” pp. 506–511

[4] Badan Pusat Statistik, “Perkembangan Jumlah Kendaran BermotorMenurut Jenis,” diakses darihttp://www.bps.go.id/tab_sub/view.php?tabel=1&id_subyek=17&notab=12

[5] Kementrian Perhubungan, “Transportasi Kota JakartaMengkhawatirkan,” diakses darihttp://bstp.hubdat.web.id/index.php?mod=detilSorotan&idMenuKiri=345&idSorotan=54

[6] A. Hegyi, B. De Schutter, S. Hoogendoornt, R. Babusw, H. VanZuylent, and H. Schuurmant, “A Fuzzy Decision Support Systemfor Traffic Control Centers,” pp. 358–363, 2001

[7] Jang, J.S.R., Sun, C.T., Mizutani,E., “Neuro-Fuzzy and SoftComputing,” Prentice-Hall International, New Jersey, 1 – 89, 1997

[8] Novan Parmonangan Simanjuntak “Aplikasi Fuzzy Logic Controllerpada Pengontrolan Lampu Lalu Lintas” Makalah IF4058 TopikKhusus Informatika I – Sem. II Tahun 2011/2012

[9] W. Yong, “A cooperative fuzzy control method for traffic lights,”vol. 7, pp. 185–188, 2001

[10]S. Kusumadewi, “Analisis dan Desain Sistem Fuzzy MenggunakanTool Box Matlab”,2002- Graha Ilmu

[11]O. Castillo, P. Melin, “Type-2 Fuzzy Logic: Theory andApplications”, 2008- Springer Science & Business Media

Biodata Penulis

Erwan Eko Prasetiyo, memperoleh gelar SarjanaPendidikan (S.Pd), Jurusan Pendidikan TeknikElektronika Universitas Negeri Yogyakarta, lulus tahun2012. Saat ini sedang menempuh pendidikan PascaSarjana Teknik Elektro Jurusan Teknik Elektro danTeknologi Informasi Fakultas Teknik Universitas GadjahMada Yogyakarta.

Oyas Wahyunggoro, memperoleh gelar Insinyur (Ir)Jurusan Teknik Elektro dan Teknologi Informasi FakultasTeknik Universitas Gadjah Mada Yogyakarta, lulus tahun1993. Memperoleh gelar Magister Teknik (M.T) ProgramPasca Sarjana Jurusan Teknik Elektro dan TeknologiInformasi Fakultas Teknik Universitas Gadjah MadaYogyakarta, lulus tahun 2001. Memperoleh gelar Doctorof Philosophy (Ph.D) dari Universiti Teknologi Petronas,lulus tahun 2011. Saat ini menjadi Dosen di JurusanTeknik Elektro dan Teknologi Informasi Fakultas TeknikUniversitas Gadjah Mada Yogyakarta.

Selo Sulistyo, memperoleh gelar Sarjana Teknik (ST)Jurusan Teknik Elektro dan Teknologi Informasi FakultasTeknik Universitas Gadjah Mada Yogyakarta, lulus tahun2000. Memperoleh gelar Magister Teknik (M.T) ProgramPasca Sarjana Jurusan Teknik Elektro dan TeknologiInformasi Fakultas Teknik Universitas Gadjah MadaYogyakarta, lulus tahun 2000. Memperoleh gelar Masterof Science (M.Sc) dari Agder University College, lulustahun 2003. Memperoleh gelar Doctor of Philosophy(Ph.D) dari Agder University College, lulus tahun 2012.Saat ini menjadi Dosen di Jurusan Teknik Elektro danTeknologi Informasi Fakultas Teknik Universitas GadjahMada Yogyakarta.