<![CDATA[Kemacetan lalu lintas merupakan permasalahan global yang kompleks, terutama di daerah perkotaan dan metropolitan. Dengan pertumbuhan populasi dan keterbatasan infrastruktur, perlu dikembangkan sistem manajemen lalu lintas yang adaptif untuk mengoptimalkan arus lalu lintas. Penelitian ini bertujuan untuk mengembangkan sistem cerdas berbasis Multi-Agent System (MAS) yang didukung oleh Reinforcement Learning untuk manajemen lalu lintas perkotaan secara real-time. Sistem ini menggunakan agen-agen yang berinteraksi dengan data lalu lintas untuk mengontrol rencana sinyal lampu lalu lintas, batas kecepatan variabel, dan jalur masuk kendaraan, termasuk kendaraan otonom. Melalui simulasi dan pengujian di lingkungan nyata, sistem ini berhasil mengatasi perubahan dinamis lalu lintas dan mengurangi keterlambatan rata-rata kendaraan, dengan pendekatan yang mendekati optimal namun dengan beban komputasi yang lebih rendah dibandingkan metode konvensional. Hasil menunjukkan bahwa pendekatan berbasis MAS dan Reinforcement Learning ini berpotensi meningkatkan efisiensi transportasi perkotaan, mengurangi kemacetan, dan memberikan kualitas hidup yang lebih baik bagi masyarakat kota.]]>
Copyrights © 2025
