<![CDATA[Kemacetan lalu lintas di persimpangan jalan merupakan masalah serius di kota-kota besar, terutama akibat sistem kontrol lampu statis yang tidak adaptif. Sistem konvensional seringkali tidak mampu merespons kondisi lalu lintas real-time, mengakibatkan antrean panjang dan waktu tunggu yang tidak efisien. Oleh karena itu, penelitian ini mengimplementasikan sistem pengaturan lampu lalu lintas berbasis Deep Reinforcement Learning (DRL) untuk mengoptimalkan durasi lampu hijau secara adaptif. Pendekatan DRL dengan algoritma Double Deep Q-Network (Double DQN) diimplementasikan dalam simulasi SUMO. Agen DRL dilatih untuk menerima informasi state (jumlah antrean kendaraan dan fase lampu hijau yang aktif) dan menghasilkan action (memilih durasi fase hijau). Fungsi reward dirancang untuk meminimalkan "Tekanan" sistem (yaitu jumlah kuadrat antrean), yang berfungsi untuk menghukum ketidakseimbangan lalu lintas dan memandu agen belajar strategi optimal. Hasil pengujian komparatif pada berbagai skenario, khususnya skenario acak untuk uji generalisasi, menunjukkan DRL secara signifikan lebih unggul dari sistem kontrol waktu tetap (Statis-30s dan Statis-60s). DRL berhasil menurunkan rata-rata antrean hingga 36.76%, meningkatkan rata-rata kecepatan kendaraan hingga 29.47%, dan meningkatkan throughput hingga 2.70% (vs. Statis-60s). Terhadap Statis-30s, DRL unggul dengan penurunan rata-rata antrean 12.86%, peningkatan rata-rata kecepatan 6.05%, dan peningkatan throughput 2.86%. Keunggulan ini mencakup kemampuan bergeneralisasi yang kuat. Penelitian ini menyimpulkan pendekatan DRL dengan Double DQN adalah solusi efektif dan tangguh untuk mengoptimalkan durasi lampu hijau.]]>
Copyrights © 2025
