Simulasi Penggunaan Logika Fuzzi Pada

Pengendalian Lampu Lalu Lintas

Djasli Djamarus dan Yuliana L Tjanggulung
Laboratorium Informatika Dasar
Jurusan Teknik Informatika FTI USAKTI

Abstract
One of the major we faced in a big city is a traffic jam problem. Usually it is
happened around traffic junctions controlled by a traffic light system. In a
conventional traffic light, the traffic is controlled by giving a constant number of
seconds for each direction at any time for the traffics to pass the junction.
Even though the aim of the traffic light is to avoid or at least to reduce the traffic
jam, in fact in a very dense traffic, the conventional traffic light is fail to comply
with this situation. This paper addresses the design, implementation and analysis
of an intelligent traffic light controller based on fuzzy logic technology to
overcome the traffic problem.
Graphical software is developed to simulate the situation of the traffic light
junction based on this technology. The software allows simulation at a junction
while cars from each junction can go straight or turn right controlled by fuzzy or
conventional controller. The simulation results show that performance of fuzzy
logic controller is better than traditional controller.

01 Latar Belakang
Salah satu cara untuk menghindari kemacetan dan kecelakaan yang mungkin
terjadi di suatu persimpangan adalah dengan menggunakan lampu lalu lintas yang
mengatur kapan suatu kendaraan dapat melaju (lampu hijau) dan kapan kendaraan
tersebut harus berhenti (lampu merah).
Pada umumnya pengaturan dengan menggunakan lalu lintas tersebut dilakukan
secara statik, yaitu memberikan slot waktu tertentu untuk lampu merah dan lampu
hijau pada setiap arah tanpa memperhatikan kondisi lalu lintas yang ada. Cara
pengaturan yang demikian mempunyai kelemahan, yaitu bila frekuensi arus lalu
lintas tidak seimbang dengan slot waktu yang diberikan sehingga dapat
menyebabkan lalu lintas pada arah tertentu sangat lengang, namun sangat padat
pada arah yang lain.
Pengaturan yang lebih baik dari pengaturan yang bersifat statik tersebut adalah
dengan pengaturan yang bersifat dinamik. Dengan pengaturan yang bersifat
dinamik, slot waktu yang diberikan dapat berubah-ubah sesuai dengan kondisi
pada saat tersebut. Hal ini berarti bahwa pada arah dimana arus lalu lintas sangat
padat akan diberikan waktu yang lebih lama dibandingkan dengan pada arah
dimana arus lalu lintas lengang atau kurang padat. Untuk dapat merealisasikan
pengaturan tersebut diperlukan peralatan tambahan yang dapat mengetahui
kondisi lalu lintas pada setiap arah untuk kemudian dievaluasi dan ditentukan
berapa lama waktu lampu hijau yang perlu diberikan pada arah tersebut.
Penelitian ini merupakan usaha untuk membandingkan kinerja pengaturan lalu
lintas yang menggunakan pengaturan statis dengan pengaturan dinamis. Untuk itu
dibuat suatu model yang merepresentasikan sistem pengaturan lampu lalu lintas di
suatu persimpangan jalan. Selanjutnya model tersebut diimplementasikan sebagai
suatu perangkat lunak untuk mensimulasikan model tersebut yang dibangun
dengan menggunakan logika fuzzi.

02 Perumusan Masalah
Dalam mengkaji sistem yang dimaksud dibuat suatu model pengaturan di
persimpangan jalan dengan batasan-batasan sebagai berikut:
Persimpangan adalah simpang empat dengan arah menuju Utara, Timur,
Selatan dan Barat.
Lalu lintas yang akan berbelok ke arah kiri diperbolehkan langsung (tidak
diatur dalam model)
Pengaturan waktu untuk melintas persimpangan (lurus) dan belok kanan diatur
dengan lampu yang berbeda.
Pengaturan secara dinamik yang dilakukan merupakan perbaikan dari pengaturan
cara statik dimana dimungkinkan untuk diberikan perpanjangan waktu yang

tergantung pada kepadatan arus lalu lintas. Dalam hal ini kepadatan diukur dari
banyaknya kendaraan yang sedang menunggu giliran jalan (antrian) dan jumlah
kedatangan kendaraan pada setiap sisi.
Untuk dapat menggunakan logika fuzzi dalam permasalah ini maka jumlah
kendaraan yang sedang menunggu giliran jalan dikategorikan dalam 4 kategori,
yaitu: Sangat Pendek (SP), Pendek (PD), Sedang (SD) dan Panjang (PJ),
sedangkan jumlah kedatangan kendaraan juga dikategorikan dalam 4 kategori,
yaitu: Sangat Jarang (SJ), Jarang (JR), Sering (SR) dan Sangat Sering (SS). Dari
kedua hal tersebut dicari lama perpanjangan waktu yang perlu diberikan. Dalam
hal ini perpanjangan waktu tersebut dikategorikan dalam 4 kategori, yaitu: Nihil
(Ni), Sebentar (Sb), Sedang (Sd) dan Lama (La).

03 Tinjauan Pustaka
03.1

Logika Fuzzi

Logika fuzzi merupakan superset dari logika konvensional (Boolean) yang dibuat
untuk menangani konsep kebenaran parsial, yaitu nilai kebenaran antara 100%
benar dan 100% salah. Logika ini dapat dipergunakan untuk menyimpulkan
sesuatu berdasarkan data masukan yang bersifat meragukan yang seringkali
dialami oleh manusia dalam mengambil keputusan.
Sebagai superset dari logika boolean, logika fuzzi memiliki beberapa sifat yang
menyerupai logika boolean. Karena logika boolean memiliki hubungan yang
sangat erat dengan konsep subhimpunan, maka antara logika fuzzi dengan teori
subhimpunan terdapat juga relasi yang sangat kuat.
Dalam teori himpunan klasik, sebuah subhimpunan U dari himpunan S dapat
didefinisikan sebagai pemetaan dari elemen-elemen S ke elemen-elemen
himpunan {0, 1}, dan dapat ditulis sebagai:
U: S {0, 1}
Pemetaan ini dapat direpresentasikan sebagai sebuah himpunan pasangan
berurutan, dimana tepat 1 pasangan berurut mempresentasikan tiap elemen S.
Elemen pertama dari pasangan berurutan ini adalah sebuah elemen dari himpunan
S dan elemen kedua adalah elemen dari himpunan {0, 1}. Nilai nol digunakan
untuk merepresentasikan ketidakanggotaan (non-membership), dan nilai satu
digunakan untuk merepresentasikan keanggotaan (membership). Jadi nilai
kebenaran atau kesalahan dari pernyataan :
x adalah anggota U

ditentukan dengan mencari elemen kedua dari pasangan berurut yang elemen
pertamanya adalah x. Pernyataan ini benar apabila elemen kedua dari pasangan
berurutan adalah satu, dan pernyataan salah jika bernilai nol.
Subhimpunan fuzzi F dari himpunan S dapat didefinisikan sebagai sebuah
himpunan pasangan berurutan dengan elemen pertama dari masing-masing
pasangan berasal dari S dan elemen ke dua berasal dari interval [0,1], dimana
setiap pasangan mempresentasikan tepat satu elemen. Nilai nol digunakan untuk
menyatakan ketidakanggotaan (complete non-membership), nilai satu digunakan
untuk menyatakan keanggotaan (complete membership), dan nilai di antaranya
digunakan untuk merepresentasikan derajat keanggotaan di antara complete
membership dengan complete non-membership (intermediate degrees of
membership). Himpunan S merupakan universe of discourse untuk subhimpunan
fuzzi F. Pemetaan ini digambarkan sebagai sebuah fungsi, yaitu fungsi
keanggotaan dari F (membership function of F). Derajat kebenaran dari
pernyataan x adalah anggota F ditentukan dengan mencari elemen kedua dari
pasangan berurutan dengan elemen pertama dari pasangan berurutan adalah x.
Derajat kebenaran (degree of truth) dari pernyataan di atas adalah elemen kedua
dari pasangan berurutan.
Jika S adalah himpunan dengan elemen x,
S = {x}
Maka himpunan fuzzi F pada S adalah himpunan pasangan :
F = {(x, F (x)) | x S}
dimana F adalah fungsi keanggotaan dengan nilai real yang berada pada interval
[0,1] yang menunjukkan derajat keanggotaan di dalam F. Berbagai fungsi
keanggotaan yang dikenal antara lain adalah: fungsi keanggotaan segitiga,
trapesium, gaussian [6].
Seperti halnya dalam logika boolean, dalam logika fuzzi juga terdapat operasi not,
and dan or yang masing-masing didefinisikan sebagai:

(not x) = 1.0 - (x)

(x and y) = minimum ( (x), (y))
(x or y) = maximum ( (x), (y))
Apabila hanya digunakan nilai nol dan satu pada persamaan di atas, maka akan
didapatkan hasil yang sama dengan hasil pada tabel kebenaran logika boolean.

Variabel fuzzi merupakan suatu variabel lingustik yang menggunakan kata sifat
untuk. Contoh dari variabel ini antara lain adalah: banyak, sedikit , tidak
ada, atau dapat juga disederhanakan menjadi ada dan tidak ada.
Dari variabel fuzzi tersebut dapat dibentuk berbagai aturan fuzzi, seperti misalnya
IF X AND Y then Z, dimana X adalah nilai dari variabel input pertama, Y adalah
nilai dari variabel input kedua, dan Z adalah variabel output yang diharapkan
untuk kondisi-kondisi input (X dan Y) yang diberikan.
Seperti terlihat pada gambar 1, dalam proses pengontrolan dengan logika fuzzi,
ada 3 tahap yang perlu dilakukan secara berurutan, dimana keluaran dari tahap
sebelumnya merupakan masukan bagi tahap berikutnya[7]. Tahap tersebut adalah:
1.

Fuzzification (Fuzzifikasi)
Dalam tahap ini didefinisikan derajat keanggotaan berdasarkan nilai aktual
dari variabel-variabel masukan yang diterapkan pada fungsi keanggotaan
pada setiap sub himpunan fuzzi.

2.

Inferrence (Penarikan Kesimpulan)

Dalam tahap ini, derajat kebenaran ditentukan berdasarkan aturan-aturan yang
diterapkan kepada nilai-nilai fuzzi. Apabila subhimpunan fuzzi memiliki
nilai lebih dari satu pada tahap inference maka perlu dilakukan reduksi
sampai hanya memiliki satu nilai fuzzi saja. Cara ini disebut penggubahan
(composition). Penggubahan ini dilakukan pada subhimpunan fuzzi tersebut
dengan perata-rataan(average).

3.

Defuzzification (Defuzzifikasi)
Hasil kesimpulan dari aturan-aturan fuzzi adalah subhimpunan-subhimpunan
fuzzi juga. Oleh karena itu perlu dilakukan penerjemahan untuk mengubah
nilai-nilai fuzzi menjadi bentuk crisp. Berbagai metoda pencarian crisp yang
dapat dilakukan antara lain adalah: metoda perhitungan centroid of area dan
bisector of area.

Gambar 1:

Bagan proses pengendalian dengan logika fuzzi

03.2

Simulasi dan Antrian

Simulasi adalah suatu metode yang digunakan untuk mempelajari dinamika dari
suatu sistem. Sistem yang dimaksud itu adalah sekumpulan objek yang saling
berhubungan dan berinteraksi serta memiliki tujuan yang sama. Simulasi dapat
pula dikatakan sebagai suatu proses perancangan suatu model dari sistem yang
sebenarnya dan melakukan eksperimen terhadap model ini dengan tujuan
memahami prilaku dari sistem atau mengevaluasi bermacam-macam strategi
untuk pengoperasian sistem[8].
Alasan utama untuk melakukan simulasi adalah adanya banyak model yang tidak
bisa dianalisa hanya dengan menggunakan teknik matematika standar. Ini terjadi
pada sistem-sistem yang dipengaruhi oleh input-input yang acak atau tidak tentu
(stokastik). Untuk masukan-masukan yang bersifat stokastik, distribusi
kedatangan antrian harus bersifat acak. Salah satu jenis distribusi yang sering
digunakan dalam melakukan simulasi adalah distribusi seragam. Pada distribusi
seragam, frekuensi kejadian setiap nilai adalah sama.
Dalam suatu sistem yang mensimulasikan kinerja pelayanan, antrian dapat terjadi
apabila ada pengguna ingin menggunakan suatu fasilitas layanan, namun
pengguna tersebut mendapati bahwa fasilitas itu sedang sibuk melayani pengguna
lain.

04 Pemodelan Sistem
Berdasarkan batasan yang telah ditetapkan, maka dibuat model persimpangan
seperti pada gambar 2. Pada model ini terdapat terdapat 4 lintasan lalu lintas lurus,
yaitu: Selatan Utara, Barat Timur, Utara Selatan dan Timur Barat, serta 4
lintasan belok kanan, yaitu: Selatan Timur, Barat Selatan, Utara Barat dan
Timur Utara. Lintasan lurus masing-masing diberi nomor 0,1,2 dan 3,
sedangkan lintasan belok kanan masing-masing diberi nomor 4,5,6,dan 7.
Berdasarkan model tersebut, maka dalam waktu yang bersamaan dimungkinkan
pengaktifan 2 lintasan lalu lintas yang tidak saling berpotongan. Berdasarkan hal
tersebut, maka giliran pengaktifan lintasan pada persimpangan diatur sebagai
suatu siklus yang terlihat pada gambar 3.
Kondisi persimpangan dimonitor melalui dua buah sensor pada setiap arah, yaitu
sensor kedatangan (SD) untuk mendeteksi jumlah kedatangan kendaraan dan
sensor kepergian (SP) untuk mendeteksi kendaraan yang meninggalkan antrian
(telah mendapat giliran lampu hijau).

SD
U
SD

SP

SP

0
4

SP

SP

SD

SD

Gambar 2:

Model persimpangan lalu lintas

Gambar 3:

Siklus Pengaktifan Lintasan di Persimpangan

04.1

Fungsi Keanggotaan variabel fuzzi

Berdasarkan model yang telah dibuat, maka perlu ditentukan fungsi keanggotaan
(membership function) dari setiap variabel fuzzi yang diperlukan. Dalam model
ini dipergunakan fungsi keanggotaan segitiga, baik untuk variabel antrian (jumlah
kendaraan yang sedang menunggu), variabel kedatangan dan variabel
perpanjangan waktu yang diberikan untuk setiap lintasan, yang masing-masing
dapat dilihat pada gambar 3, 4 dan 5.

PD

SD

PJ

Keanggotaan

SP

0
0

Gambar 3:

12

Jumlah Antrian

Fungsi Keanggotaan Antrian Kendaraan

SS

Keanggotaan

SJ

0
0

Gambar 4:

12

Jumlah Kedatangan

Fungsi Keanggotaan Kedatangan Kendaraan

Sb

Sd

La

Keanggotaan

Ni

0
0

Gambar 5:

04.2

Waktu Perpanjangan

Fungsi Keanggotaan Waktu Perpanjangan

Aturan Fuzzi

Berdasarkan variabel fuzzi masukan antrian dan kedatangan dibuat aturan fuzzi
untuk pengalokasian perpanjangan waktu yang perlu diberikan pada setiap lalu
lintas. Aturan yang dibuat adalah mengikuti kenyataan bahwa perpanjangan waktu
merupkana fungsi dari jumlah antrian yang ada dan frekuensi kedatangan pada
setiap jalur. Dengan demikian dibuat aturan fuzzi dalam bentuk tabel pada gambar
6.

Antrian

Gambar 6:

SP
PD
SD
PJ

SJ
Ni
Ni
Ni
Ni

Kedatangan
J
Sb
Sb
Ni
Ni

S
Sd
Sd
Sb
Ni

SS
La
Sd
Sd
Sb

Fungsi Keanggotaan Waktu Perpanjangan

Nilai membership dari seriap variabel fuzzi waktu kedatangan dihitung

berdasarkan aturan: if X and Y then Z yang diimplementasikan sebagai
(Z) = (X and Y) = minimum ( (X), (Y))

Dengan kombinasi x dan y, maka didapat beberapa pasang nilai z, (z) , yang
selanjutnya dalam proses defuzzifikasi dipergunakan metoda perhitungan centroid
of area untuk mendapatakan perpanjangan waktu yang perlu diberikan pada setiap
jalur lalu lintas.

M .

dimana Mi adalah nilai maksimum dari fungsi setiap variabel fuzzi z ke i dan i
adalah nilai keanggotaan setiap variabel fuzzi z ke-i tersebut.

05 Hasil Penelitian
Untuk mendapatkan hasil penelitian yang diinginkan, dibuat suatu program
simulasi dengan menggunakan bahasa Java yang penampilan terlihat pada gambar
7. Selanjutnya dilakukan beberapa kali percobaan untuk melihat waktu tunggu
rata-rata setiap kendaraan dengan menggunakan waktu kedatangan yang seragam.
Hasil percobaan tersebut dicatat dalambentuk tabel seperti pada gambar 8.

Gambar 7:

Penampilan program simulasi

10

Waktu
Simulasi

(detik)
Pengendali

Pengendali

Tradisional

Fuzzi

36.000

18,04

11,19

3.600

18,16

11,43

1.800

18,26

11,07

1.200

17,77

11,48

6.00

18,13

11,32

3.00

16,98

10,83

(detik)

Gambar 8:

Waktu Tunggu Rata-rata

Catatan waktu hasil simulasi

06 Kesimpulan
Dari hasil percobaan yang dilakukan terlihat bahwa waktu tunggu rata-rata
kendaraan pada simulasi lampu lalu lintas dengan pengendalian tradisional adalah
17.89 detik, sedangkan rata-rata waktu tunggu kendaraan pada simulasi lampu
lalu lintas dengan pengendali fuzzi adalah 11.22 detik. Hal ini berarti bahwa
pengendalian secara fuzzi mampu memperkecil waktu tunggu rata-rata selama
6,67 detik atau 37,3 % lebih cepat.
Berdasarkan hal tersebut dapat ditarik kesimpulan bahwa dengan pengaturan lalu
lintas dengan menggunakan pengendalian secara fuzzi mempunyai kinerja yang
lebih baik dibanding dengan pengendalian tradisional. Dalam kehidupan seharihari hal ini berarti bahwa metoda pengendalian fuzzi diharapkan dapat
dipergunakan untuk mengurangi penyebab kemacetan lalu lintas yang disebabkan
karena panjangnya antrian pada suatu persimpangan jalan.
Dalam penelitian yang dilakukan ini, distribusi kedatangan kendaraan yang
digunakan dalam program simulasi adalah distribusi seragam, yang hanya
merupakan perkiraan peneliti. Bila hasil penelitian ini akan diujicobakan pada
suatu kondisi nyata di lapangan, maka perlu dilakukan pengamatan lapangan
untuk melihat pola distribusi kedatangan pada setiap arah, untuk kemudian
dilakukan penyesuaian terhadap program simulasi yang telah dibuat.

11

DAFTAR PUSTAKA
1.

Bennet, S., McRobb, S., Farmer, R., Object Oriented System Analysis And
Design using UML (2nd Ed.), New York: McGraw-Hill, 2002.
2. Booch, G., Rumbaugh, J., Jacobson, I., The Unified Modeling Language
User Guide, Massachusetts, Addison-Wesley, 1999.
3. Geoffrey Gordon, System Simulation, New Delhi J.S.R.: Prentice-Hall,
1980.
4. Horstmann, C. S., Cornell, G., Core Java 2 Volume I-Fundamentals, NJ:
Sun Microsystems Press, 2000.
5. Horstmann, C. S., Cornell, G., Core Java 2 Volume II-Advance Features,
NJ: Sun Microsystems Press, 2000.
6. Jang, J-S. Roger, Chuen-Tsai Sun, Eiji Mizutani, Neuro-Fuzzy and Soft
Computing, Prentice Hall, 1997.
7. Kantrowitz, M, FAQ : Fuzzy Logic and Fuzzy Expert Systems,
http://www.cs.cmu.edu/Web/Groups/AI/html/faqs/ai/fuzzy/part1/faq.html
8. Payne, James A., Introduction to Simulation: Programming Techniques and
Methods of Analysis, McGraw-Hill, 1988.
9. R.B. Coats, A. Parkin, Computer Models in the Social Sciences, Winthrop
Publications, 1977.
10. Shahariz Abdul Aziz, Case Study: Fuzzy Traffic Light Controller,
http://www.doc.ic.ac.uk/.

12