Implementasi Double DQN dengan Reward Function Berbasis Tekanan pada Simulasi Lalu Lintas Adaptif
DOI:
https://doi.org/10.32493/joaiia.v7i2.59402Keywords:
Tekanan Persimpangan, Lampu Lalu Lintas Adaptif, Simulasi Lalu Lintas Adaptif, Double DQN, Reward FunctionAbstract
Efektivitas pengaturan lalu lintas di wilayah perkotaan sering kali terganggu oleh penggunaan sistem lampu lalu lintas konvensional yang menggunakan waktu tetap. Sistem ini memiliki keterbatasan karena sifatnya yang kaku dan tidak mampu menyesuaikan diri dengan volume kendaraan yang berubah-ubah secara dinamis. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan sistem kontrol adaptif berbasis Deep Reinforcement Learning (DRL). Algoritma Double Deep Q-Network (Double DQN) diterapkan pada lingkungan simulasi SUMO untuk melatih agen cerdas agar dapat mengatur durasi lampu hijau secara mandiri. Penelitian ini berfokus pada penggunaan fungsi reward berbasis "Tekanan" (Pressure), yang bertujuan untuk menyeimbangkan panjang antrean di setiap jalur persimpangan agar tidak terjadi penumpukan di satu sisi. Kinerja agen dievaluasi dengan tolok ukur yang ketat, yaitu dibandingkan dengan kontrol statis bersiklus pendek (30 detik) yang umumnya cukup responsif. Hasil pengujian pada skenario acak menunjukkan bahwa metode yang diusulkan tetap mampu mengungguli baseline tersebut. Agen berhasil mengurangi rata-rata panjang antrean sebesar 12,86% dan meningkatkan kecepatan rata-rata kendaraan sebesar 6,05% dibandingkan kontrol waktu tetap 30 detik. Hal ini membuktikan bahwa penggabungan Double DQN dengan metode berbasis tekanan mampu memberikan optimasi yang lebih presisi bahkan dibandingkan dengan pengaturan statis yang agresif.
References
[1] S. Astuti et al., “Analisis Faktor Penyebab Kemacetan Di Simpang Empat UNIMED MMTC MEDAN,” Oct. 2024, [Online]. Available: https://jicnusantara.com/index.php/jiic
[2] S. Inayah, I. A. W. Yusuf, and A. Farihin, “Faktor Penyebab Kemacetan Lalu Lintas di Kecamatan Gedebage Kota Bandung,” Sosiosaintika, vol. 3, no. 1, pp. 11–20, 2025.
[3] E. Maha, “Analisis faktor-faktor pendorong penyebab terjadinya kemacetan di kawasan Pajus Padang Bulan Medan,” Jurnal Samudra Geografi, vol. 5, no. 1, pp. 38–42, 2022.
[4] M. G. Brilliant, R. R. S. Meilala, and D. Herwanis, “Manajemen Transportasi: Kerugian Transportasi Akibat Kemacetan Lalu Lintas di Aceh,” Sammajiva: Jurnal Penelitian Bisnis dan Manajemen, vol. 2, no. 4, pp. 42–53, 2024.
[5] Y. Matsuo et al., “Deep learning, reinforcement learning, and world models,” Neural Networks, vol. 152, pp. 267–275, Aug. 2022, doi: 10.1016/j.neunet.2022.03.037.
[6] X. Liang, X. Du, G. Wang, and Z. Han, “A Deep Reinforcement Learning Network for Traffic Light Cycle Control,” IEEE Trans Veh Technol, vol. 68, no. 2, 2019, doi: 10.1109/TVT.2018.2890726.
[7] S. Damadam, M. Zourbakhsh, R. Javidan, and A. Faroughi, “An Intelligent IoT Based Traffic Light Management System: Deep Reinforcement Learning,” Smart Cities, vol. 5, no. 4, 2022, doi: 10.3390/smartcities5040066.
[8] R. Putra, Y. Syahbana, and A. Ananda, “Implementasi Algoritma Deep Q-Network (DQN) pada Lampu Lalu Lintas Adaptif Berdasarkan Waktu Tunggu dan Arus Kendaraan,” The Indonesian Journal of Computer Science, vol. 13, Oct. 2024, doi: 10.33022/ijcs.v13i5.4372.
[9] M. Kolat, B. Kővári, T. Bécsi, and S. Aradi, “Multi-Agent Reinforcement Learning for Traffic Signal Control: A Cooperative Approach,” Sustainability, vol. 15, no. 4, 2023, doi: 10.3390/su15043479.
[10] Z. Li, H. Yu, G. Zhang, S. Dong, and C.-Z. Xu, “Network-wide traffic signal control optimization using a multi-agent deep reinforcement learning,” Apr. 2021, doi: 10.1016/j.trc.2021.103059.
[11] D. Liu and L. Li, “A traffic light control method based on multi-agent deep reinforcement learning algorithm,” Sci Rep, vol. 13, no. 1, 2023, doi: 10.1038/s41598-023-36606-2.
[12] F. HUANG, Y. HE, Y. ZHANG, X. DENG, and W. JIANG, “Controlling underestimation bias in reinforcement learning via minmax operation,” Chinese Journal of Aeronautics, vol. 37, no. 7, pp. 406–417, 2024, doi: https://doi.org/10.1016/j.cja.2024.03.008.
[13] S. Gao, J. Ding, L. Fu, and X. Wang, “Controlling Underestimation Bias in Constrained Reinforcement Learning for Safe Exploration,” 2025. Accessed: Nov. 20, 2025. [Online]. Available: https://proceedings.mlr.press/v267/gao25b.html
[14] N. Boyko and Y. Mokryk, “Optimizing Traffic at Intersections With Deep Reinforcement Learning,” Journal of Engineering, vol. 2024, no. 1, p. 6509852, 2024, doi: https://doi.org/10.1155/2024/6509852.
[15] H. Van Hasselt, A. Guez, and D. Silver, “Deep Reinforcement Learning with Double Q-Learning,” 2016. [Online]. Available: www.aaai.org
[16] P. A. Lopez et al., “Microscopic Traffic Simulation using SUMO,” in IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 2018. doi: 10.1109/ITSC.2018.8569938.
