Yandiyan, Yandiyan (2026) Optimalisasi penjadwalan lampu lalu lintas adaptif berbasis Proximal Policy Optimization (PPO) dan Vanet di persimpangan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text
1_cover.pdf Download (261kB) | Preview |
|
|
Text
2_abstrak.pdf Download (223kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (1MB) | Preview |
|
|
Text
4_daftarisi.pdf Download (172kB) | Preview |
|
|
Text
5_bab1.pdf Download (322kB) | Preview |
|
|
Text
6_bab2.pdf Restricted to Registered users only Download (418kB) | Request a copy |
||
|
Text
7_bab3.pdf Restricted to Registered users only Download (435kB) | Request a copy |
||
|
Text
8_bab4.pdf Restricted to Registered users only Download (3MB) | Request a copy |
||
|
Text
9_bab5.pdf Restricted to Registered users only Download (250kB) | Request a copy |
||
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (272kB) | Request a copy |
Abstract
Kemacetan lalu lintas pada persimpangan jalan perkotaan dengan volume kendaraan tinggi, seperti Simpang Samsat di Kota Bandung, memerlukan sistem pengendalian yang lebih adaptif dibandingkan sistem waktu tetap (fixed-time) konvensional. Penelitian ini mengusulkan solusi manajemen lampu lalu lintas cerdas menggunakan algoritma Deep Reinforcement Learning, yaitu Proximal Policy Optimization (PPO), yang diintegrasikan dengan teknologi Vehicular Ad-hoc Networks (VANET). Melalui komunikasi Vehicle-to-Infrastructure (V2I), agen PPO menerima data posisi dan kecepatan kendaraan secara real-time untuk menentukan kebijakan durasi fase lampu hijau yang optimal. Penelitian ini dilakukan melalui simulasi mikroskopis menggunakan SUMO (Simulation of Urban Mobility) dengan menguji tiga variasi seed untuk menjamin stabilitas performa. Hasil pengujian menunjukkan bahwa algoritma PPO secara konsisten mengungguli sistem baseline (waktu tetap). Implementasi PPO berhasil mereduksi rata-rata waktu tunggu (mean waiting time) secara drastis sebesar 68,58%, dari semula 646,36 detik menjadi 203,10 detik. Selain itu, terdapat penurunan kehilangan waktu (time loss) sebesar 18,06% dan peningkatan kecepatan rata-rata kendaraan sebesar 11,34%. Dari sisi produktivitas jaringan, sistem ini juga mampu meningkatkan jumlah kendaraan yang berhasil sampai ke tujuan sebesar 1,16% dibandingkan sistem konvensional. Temuan ini membuktikan bahwa integrasi PPO dan VANET sangat efektif dalam mengoptimalkan kinerja persimpangan pada kondisi trafik jenuh, sekaligus menawarkan solusi transportasi cerdas yang responsif terhadap dinamika lalu lintas perkotaan.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Proximal Policy Optimization; Reinforcement Learning; VANET; SUMO; Lampu Lalu Lintas Adaptif; Metode Eksperimental |
| Subjects: | Data Processing, Computer Science Data Processing, Computer Science > Computer Science Education |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Yandiyan Yandiyan |
| Date Deposited: | 13 Aug 2026 07:22 |
| Last Modified: | 13 Aug 2026 07:22 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/137917 |
Actions (login required)
![]() |
View Item |



