Review Pemanfaatan Komunikasi M2M untuk Meningkatkan
Utilisasi dan Kepuasan Pelanggan Ruang Parkir
Mu’ammar Faris Labib
S2 Teknik Elektro
UNIVERSITAS NEGERI MALANG
Malang, Indonesia
ammar.mobile9@gmail.com
Abstrak—Kekurangan ruang parkir menciptakan
masalah yang menantang baik bagi pengemudi maupun
operator tempat parkir. Dalam penelitian ini, kami
menerapkan sistem simulasi parkir untuk mempelajari
masalah operator. Operator dapat menggunakan
metode kami untuk mengevaluasi berbagai kebijakan
parkir dan mencari tahu kebijakan terbaik. Selanjutnya,
operator dapat memperkirakan dampak smart parking
system (SPS) pada manajemen ruang parkir.
SPS tidak hanya melacak jumlah dan lokasi tempat
parkir yang tersedia di tempat parkir tetapi juga
menggunakan komunikasi Machine-to-Machine
(M2M) untuk menyediakan informasi yang berguna
bagi pengemudi. Berdasarkan hasil, kami dapat
mengidentifikasi kebijakan terbaik di antara semua
alternatif yang mencapai tingkat kepuasan tertinggi di
bawah kendala mempertahankan tingkat hunian
tertentu. Lebih lanjut, hasil kami menunjukkan bahwa
SPS dapat meningkatkan tingkat kepuasan tanpa
menghiraukan skenario dengan asumsi yang berbeda.
Kata kunci — komunikasi M2M, parkir cerdas.
I. PENDAHULUAN
Permintaan untuk tempat parkir telah meningkat
secara dramatis karena peningkatan kendaraan di
dunia. Pada saat yang sama, sulit untuk membuat ruang
parkir baru karena pertumbuhan kepadatan penduduk
yang terus menerus. Kekurangan tempat parkir yang
signifikan di kota-kota menciptakan masalah yang
menantang baik bagi pengemudi maupun operator
tempat parkir.
Untuk pengemudi, satu masalah adalah mencari
ruang parkir yang tersedia dengan cepat dan
menemukan ruang yang paling dekat dengan tujuan.
Masalah lain adalah menemukan mobil mereka tanpa
rasa sakit di garasi parkir besar. Untuk operator,
masalahnya adalah bagaimana mengelola ruang parkir
untuk memenuhi kebutuhan pelanggan yang berbeda
sambil mempertahankan tingkat pemanfaatan yang
tinggi.
Adopsi Smart Parking System (SPS) adalah upaya
untuk meminimalkan kerumitan dan ketidaknyamanan
bagi pengemudi dan operator. Sebagian besar
penelitian di bidang ini hanya berfokus pada
pemecahan masalah bagi pengemudi. Dalam penelitian
ini, kami fokus pada masalah operator ruang parkir.
Kami mengusulkan untuk menggunakan teknologi
M2M untuk meningkatkan kepuasan pelanggan dan
tingkat hunian ruang parkir. Sistem yang kami usulkan
memungkinkan operator untuk menjalankan simulasi
untuk memilih kebijakan terbaik untuk garasi parkir
dan memperkirakan peningkatan SPS sebelum
investasi apa pun. Kebijakan parkir berarti bagaimana
membagi ruang parkir dan pengemudi menjadi
beberapa kelompok berbeda.
Untuk memverifikasi metode kami, kami
membangun dua model simulasi: satu tanpa
peningkatan SPS dan satu dengan peningkatan SPS.
Dalam kasus model SPS, seorang pengemudi
berlangganan status ruang parkir. Saat status
perubahan, pengemudi akan mendapat notifikasi.
Berdasarkan seperti itu informasi, pengemudi dapat
memutuskan apakah akan berkendara ke garasi parkir
atau tidak, yang akan meningkatkan pelanggan tingkat
kepuasan garasi.
II. EVALUASI SMART PARKING SYSTEM
DENGAN SIMULASI
A. Model Parkir Biasa
Kami menggunakan asumsi berikut untuk
membangun model parkir biasa: (1) jumlah total ruang
parkir adalah 300, (2) jangka waktunya adalah 90 hari,
mulai dari 7AM hingga 5PM setiap hari, dengan total
900 jam, (3) ketika lebih dari satu driver bersaing untuk
tempat parkir yang sama, kami menggunakan
kebijakan First-Come First-Served, (4) untuk setiap
pengemudi, lama waktu yang dihabiskan mengemudi
dari lokasi asli pengemudi ke tempat parkir adalah
seragam waktu acak terdistribusi dengan rentang waktu
antara 10 menit dan 30 menit, (5) jika tempat parkir
sudah penuh, pengemudi akan terus mencoba kembali
proses pencarian sampai akhir waktu pencarian yang
ditetapkan untuk pengemudi. Dalam model kami, ada
dua parameter penting: pola lalu lintas dan kebijakan
parkir.
Pola lalu lintas memodelkan cara pengemudi
mengemudi ke garasi parkir. Kami menggunakan
asumsi berikut untuk membuat pola lalu lintas yang
berbeda: pertama, jumlah driver maksimum setiap hari
adalah 600. Setiap pengemudi akan menghasilkan nol
atau satu upaya parkir per hari. Apakah upaya parkir
berhasil atau tidak, pengemudi tidak akan
menghasilkan upaya parkir lain pada hari yang sama;
kedua, kami menghasilkan kedatangan driver
berdasarkan distribusi Poisson. Distribusi lambda dari
Poisson diberikan setiap jam. Pola lalu lintas
didefinisikan sebagai 10 lambdas yang ditetapkan
hingga 10 jam dalam satu hari kerja.
Kami membuat lima pola lalu lintas yang
dijelaskan pada Tabel I. Baris ini menyajikan setiap
jam dalam satu hari kerja. Kolom yang sesuai dengan
masing-masing pola lalu lintas menunjukkan 10
lambdas distribusi Poisson pada jam yang berbeda.
Nama pola lalu lintas adalah deskripsi umum tentang
karakteristik pola lalu lintas. Misalnya, dalam 「1 jam
sibuk berat + 1 jam sibuk 」pola lalu lintas, ada sekitar
400 pengemudi yang datang ke tempat parkir dari jam
8:00 sampai jam 8:59 (jam sibuk berat) dan 100
pengemudi datang ke tempat parkir dari 12:00 hingga
12:59 (jam sibuk) sementara hanya ada 10 pengemudi
yang datang ke tempat parkir untuk sepanjang waktu.
Kebijakan parkir adalah seperangkat aturan yang
ditetapkan oleh operator untuk mengelola ruang parkir.
Ini mendefinisikan berbagai jenis ruang parkir dan
harga. Kebijakan terbaik untuk operator adalah
membuat semua reservasi ruang parkir hanya karena
ini akan memaksimalkan kepuasan pelanggan dan
tingkat hunian. Berdasarkan kebijakan ini, pengemudi
hanya akan datang ke tempat parkir ketika dia telah
berhasil memesan tempat parkir. Dalam penelitian
kami, kasus bahwa pengemudi memutuskan untuk
tidak datang ke tempat parkir ketika dia tahu bahwa dia
tidak bisa mendapatkan tempat parkir yang tersedia
juga dianggap sebagai upaya parkir yang berhasil
karena menghemat waktu dan bahan bakar pengemudi.
Dengan demikian, tingkat kepuasan dimaksimalkan
karena semua upaya parkir berhasil. Ini lebih mudah
dan lebih efisien untuk pengemudi daripada secara
membabi buta mencoba tempat parkir untuk ruang
parkir yang tersedia. Selain itu, tingkat hunian akan
lebih tinggi juga karena ruang parkir yang tersedia
dapat diperoleh dengan pemesanan lebih cepat.
Namun, ini tidak praktis dalam kenyataan karena
alasan berikut. Pertama, sulit bagi operator untuk
memastikan bahwa setiap pengemudi mengetahui
proses reservasi, terutama bagi pengemudi yang datang
ke tempat parkir untuk pertama kalinya dan yang tidak
akrab dengan layanan tersebut. Kedua,
penyalahgunaan layanan reservasi adalah masalah
kritis. Sebagai contoh, seorang pengemudi yang telah
memesan tempat parkir mungkin tidak datang ke
tempat parkir, atau seorang pengemudi mungkin parkir
di tempat parkir yang tidak disediakan olehnya.
Kebijakan parkir praktis harus menawarkan berbagai
layanan (di luar semua oleh reservasi) untuk memenuhi
berbagai kebutuhan pengemudi. Kebijakan yang baik
dapat menarik lebih banyak pengemudi dan lebih baik
memanfaatkan ruang parkir. Dalam penelitian kami,
kami mengasumsikan biaya parkir sama untuk semua
jenis dan zona waktu. Jadi masalah harga tidak akan
dipertimbangkan lebih lanjut. Langkah-langkah yang
diambil oleh operator secara tradisional untuk
menciptakan kebijakan terbaik diilustrasikan pada
Gambar. 1.
Pendekatan ini memiliki beberapa kelemahan.
Pertama, butuh waktu bagi pengemudi untuk terbiasa
dengan kebijakan baru, yang dapat menghasilkan
tingkat kepuasan pengemudi yang lebih rendah. Kedua,
operator mungkin menghabiskan waktu lama untuk
menguji berbagai kebijakan sebelum dia menemukan
kebijakan terbaik untuk tempat parkirnya. Ketiga,
operator perlu mengeluarkan uang untuk mereformasi
tempat parkir setiap kali kebijakan parkir baru dibuat.
Dengan pendekatan simulasi kami, operator dapat
menjalankan langkah-langkah tradisional beberapa kali
dalam waktu singkat dan tidak perlu mengeluarkan
uang untuk mereformasi tempat parkir. Untuk
membuktikan konsep sistem simulasi kami, kami
menghasilkan lima kebijakan dan memilih kebijakan
terbaik dari hasil simulasi kami.
Kelima kebijakan tersebut dibuat berdasarkan
empat jenis ruang parkir: (1) tipe pribadi, (2) Tipe A,
(3) tipe B dan (4) tipe reguler. Untuk tipe pribadi, setiap
pengemudi diberi tempat parkir khusus. Untuk tipe
lain, masing-masing memiliki level privilege.
Pengemudi dapat parkir di zona mereka atau zona-zona
dengan tingkat privilese yang lebih rendah. Akibatnya,
pengemudi dengan tingkat hak istimewa yang tinggi
memiliki lebih banyak ruang parkir yang tersedia untuk
digunakan dan dengan demikian upaya parkir mereka
dapat dipenuhi dengan lebih mudah, yang
menghasilkan tingkat kepuasan yang lebih tinggi.
Namun, ruang parkir di tingkat privilege tinggi dibagi
di antara pengemudi yang lebih sedikit, yang akan
menurunkan tingkat hunian. Hubungan antara tipe
ruang parkir dijelaskan dalam Tabel II.
 Kami membuat setiap kebijakan dengan memilih
beberapa atau semua dari empat jenis ruang parkir.
Atribut lima kebijakan parkir dijelaskan pada Tabel III.
Ada dua atribut dari setiap kebijakan: kelompok tempat
parkir dan kelompok pengemudi. Di kebanyakan
tempat parkir dunia nyata, para operator ingin
memesan sejumlah kecil tempat parkir untuk
pengemudi dengan hak istimewa tingkat tinggi karena
jumlah pengemudi reguler biasanya lebih besar B. M2M-enabled SPS Model
endaripada jumlah pengemudi tingkat privilege tinggi. Dalam model ini, seorang pengemudi SPS dapat
Sebagai hasilnya, kami berasumsi bahwa jika operator memeriksa status tempat parkir secara jarak jauh dan
ingin menyediakan lebih dari 2 jenis ruang parkir, dalam waktu nyata. Sistem akan memperbarui status
jumlah tempat parkir reguler adalah jumlah tetap, yaitu ruang parkir berdasarkan deteksi pendudukan ruang
200. Aturan penamaan untuk kebijakan adalah parkir. Kami berasumsi bahwa metode pendeteksi
gabungan dari semua huruf pertama dari jenis yang pendudukan ruang parkir yang ada dapat digunakan di
diadopsi. Misalnya, kebijakan bernama “A.R.” berarti sistem kami. Seorang pengemudi dapat berlangganan
ada dua jenis ruang parkir: Tipe dan tipe reguler. status tempat parkir. Sistem akan mengirimkan
Akhirnya, bagaimana driver berinteraksi dengan pemberitahuan ketika tempat parkir penuh untuk
tempat parkir diilustrasikan pada Gambar. 2. Status membantu pengemudi memutuskan apakah akan pergi
"Drive" adalah status default dari driver. Pengemudi ke tempat parkir atau tidak. Sistem ini juga akan
akan memasuki status "Pencarian" ketika mereka tiba menyediakan layanan navigasi untuk mengurangi
di tempat parkir. Ketika seorang pengemudi dalam waktu yang dihabiskan mengemudi ke tempat parkir.
keadaan "Cari", jika ia menemukan ruang parkir yang Kami menganggap sistem navigasi driver yang ada
tersedia, ia akan memasuki "Taman" negara. Jika tidak dapat digunakan di sistem kami.
ada ruang parkir yang tersedia, pengemudi akan
berputar-putar di tempat parkir untuk menemukan
tempat parkir yang tersedia untuk jangka waktu
tertentu (waktu pencarian). Selama waktu ini, ia akan
memasuki "Taman" negara (p_drive time) setelah ia
menemukan ruang parkir yang tersedia. Pada akhir
waktu pencarian, jika dia tidak dapat menemukan
tempat parkir yang tersedia, dia akan memasuki
"Tinggalkan" negara. Di negara "Taman", pengemudi
akan memarkir mobilnya untuk waktu pendudukan dan
kemudian memasukkan "Tinggalkan" negara untuk
menunjukkan keberangkatannya dari tempat parkir.
Semakin rendah jumlah jenis tempat parkir,
semakin tinggi level privasinya. Seorang pengemudi
pertama-tama akan memasuki negara “Pencarian” pada
tingkat hak istimewa tertinggi yang telah disetujui
untuk mereka. Ketika seorang pengemudi
menghabiskan waktu pencarian tetapi tidak
menemukan tempat parkir yang tersedia, ia akan
memasuki "Pencarian" negara di tingkat hak istimewa
berikutnya. Proses pencarian ini berlanjut sampai tidak Arsitektur tingkat tinggi dari sistem simulasi
ada yang dapat ditemukan di tingkat hak istimewa diilustrasikan pada Gambar. 3. Di dunia nyata, sulit
terendah. Jika demikian, pengemudi akan memasuki untuk menyebarkan layanan parkir cerdas ke semua
status "Keluar". Di setiap kumpulan sumber daya, pelanggan. Beberapa driver hanya pengguna adhoc
waktu pencarian berbeda. Hal ini dalam rangka dari tempat parkir sehingga mereka tidak dapat
meningkat karena semakin rendah tingkat hak berlangganan ke layanan parkir pintar. Namun satu set
istimewa, semakin banyak ruang parkir. driver mungkin tidak berlaku untuk jaringan seluler
apa pun, seperti 3G atau 4G, untuk menggunakan
layanan parkir pintar. Namun demikian, bagi operator
driver ini masih merupakan pelanggan penting untuk
memenuhi tingkat tingkat hunian tertentu. Dengan
demikian, adalah normal bahwa driver reguler dan
driver SPS akan hidup berdampingan.
Diharapkan bahwa semakin banyak pengemudi
menggunakan layanan parkir cerdas, tingkat kepuasan
pelanggan dan tingkat hunian akan menjadi lebih baik.
Alasannya adalah bahwa pengemudi dapat
menghindari upaya buta yang memperburuk tingkat
kepuasan. Di sistem kami, driver dari model parkir
reguler dan driver dari model SPS berdampingan.
Model kami memungkinkan modifikasi persentase
driver SPS untuk melihat bagaimana interaksi kedua
grup ini memengaruhi keseluruhan kepuasan
pelanggan dan tingkat hunian. Dalam percobaan kami,
pertama-tama kami menghitung jumlah driver SPS
berdasarkan persentase. Kemudian, kami
mendistribusikannya secara acak ke tingkat hak
istimewa yang berbeda sesuai dengan kebijakan parkir
yang digunakan. Akibatnya, setiap level privilege
dapat terdiri dari driver reguler dan driver SPS.
Perbedaan antara perilaku driver SPS dan perilaku
driver reguler adalah sebagai berikut: dalam status
"Drive", jika pengemudi menerima pemberitahuan, dia
akan memutuskan untuk tidak datang ke tempat parkir
dan dengan demikian memasuki "Leave" negara; di
negara “Search”, waktu pencarian akan berkurang
karena pengemudi sekarang tahu tidak ada ruang
kosong yang tersisa melalui SPS. Selanjutnya, waktu
yang dihabiskan untuk mengemudi ke tempat parkir
yang tersedia setelah pengemudi menemukannya
(p_drive time) akan berkurang juga karena SPS akan
menavigasi pengemudi ke tempat kosong.
III. EKSPERIMENTAL DESAIN DAN HASIL
Kami membuat tiga rangkaian eksperimen untuk
mempelajari masalah operator. Metrik kinerja yang
digunakan untuk evaluasi setiap eksperimen adalah
tingkat kepuasan dan tingkat hunian. Tingkat kepuasan
didefinisikan sebagai jumlah upaya parkir yang
berhasil dibagi dengan jumlah upaya parkir. Upaya
yang berhasil termasuk kasus-kasus di mana
pengemudi baik mendapat tempat parkir atau
memutuskan untuk tidak datang karena pemberitahuan
tentang tidak tersedianya tempat parkir. Tingkat hunian
didefinisikan sebagai total waktu yang dihabiskan
dibagi dengan total waktu yang tersedia dari semua
ruang parkir.
Untuk penghitungan tingkat kepuasan, pertama-
tama kita menghitung tingkat kepuasan dari setiap
tingkat hak istimewa dalam kebijakan parkir. Setelah
simulasi berakhir, setiap level privilege akan mencatat
data dari tingkat kepuasan, di mana n adalah jumlah
hari kerja. Kemudian, kami menghitung tingkat
kepuasan rata-rata dari setiap tingkat hak istimewa.
Akhirnya, kami menggunakan rata-rata tertimbang
untuk menghitung tingkat kepuasan keseluruhan.
Alasannya adalah bahwa meskipun jumlah driver
dalam privilege yang tinggi lebih kecil daripada jumlah
driver di level privilege yang rendah, tingkat kepuasan
level privilege yang tinggi dianggap lebih penting
daripada tingkat kepuasan level privilege yang rendah.
Bobot didistribusikan merata berdasarkan jumlah
tingkat hak istimewa.
Untuk penghitungan tingkat hunian, kami
menganggap semua ruang parkir sama karena kami
mengasumsikan biaya parkir sama untuk semua tipe
dan zona waktu. Total waktu yang tersedia dari semua
ruang parkir adalah jumlah tempat parkir dikalikan
dengan jumlah jam buka di tempat parkir. Akibatnya,
tingkat hunian keseluruhan adalah total waktu yang
dihabiskan dibagi dengan total waktu yang tersedia
dari semua ruang parkir. Untuk operator parkir
nonkomersial, tujuan yang paling penting adalah untuk
meningkatkan tingkat kepuasan pelanggan sambil
mempertahankan tingkat tingkat hunian tertentu.
Dalam percobaan pertama, kami mensimulasikan
operasi tempat parkir menggunakan lima pola lalu
lintas. Kami menyelidiki apakah persentase yang lebih
tinggi dari driver SPS untuk tempat parkir akan
menyiratkan tingkat kepuasan keseluruhan yang lebih
baik terlepas dari jenis pola lalu lintas dan tanpa banyak
kerugian dalam tingkat pekerjaan keseluruhan. Untuk
setiap pola lalu lintas, kami menggunakan persentase
yang berbeda dari driver SPS untuk menjalankan
simulasi. Kami menganggap P.A.B.R. kebijakan
digunakan dalam semua simulasi. Hasil dari percobaan
pertama diilustrasikan pada Gambar. 4.
Tingkat kepuasan meningkat seiring dengan
peningkatan persentase driver SPS. Kenaikan tingkat
kepuasan tertinggi adalah 7,87%, yang muncul dalam
pola lalu lintas "1 jam sibuk", sementara penurunan
tingkat hunian sekitar 0,56%. Alasannya adalah bahwa
selama jam sibuk, tempat parkir sebagian besar padat.
Akibatnya, driver SPS tidak akan datang ke tempat
parkir dan ini menghasilkan tingkat pekerjaan yang
lebih rendah. Namun, tingkat huniannya menurun,
tetapi penurunannya lebih kecil dari peningkatan
kisaran tingkat kepuasan. Penurunan tingkat hunian
tertinggi adalah 1,01%, yang muncul dalam 2 pola lalu
lintas jam sibuk, sedangkan peningkatan tingkat
kepuasan adalah 4,26%. Alasannya adalah bahwa akan
ada beberapa tempat parkir yang tersisa ketika
pengemudi SPS memutuskan untuk tidak datang ke
tempat parkir. Ini menghasilkan sedikit penurunan
tingkat hunian.
Dalam percobaan kedua, kami menyelidiki apakah
persentase yang lebih tinggi dari driver SPS untuk
tempat parkir akan menyiratkan tingkat kepuasan
keseluruhan yang lebih baik terlepas dari kebijakan
parkir yang digunakan. Juga, tingkat kepuasan yang
lebih baik tidak akan secara signifikan menurunkan
tingkat hunian. Kami mensimulasikan lima kebijakan
parkir. Untuk setiap kebijakan parkir, kami
menggunakan persentase yang berbeda dari driver SPS
untuk menjalankan simulasi. Kami mengasumsikan "1
jam sibuk sibuk + 1 jam sibuk" pola lalu lintas di semua
simulasi. Hasil dari eksperimen kedua diilustrasikan
pada Gambar. 5.
Tingkat kepuasan meningkat ketika persentase
driver SPS meningkat. Kenaikan tingkat kepuasan
tertinggi adalah 3,08%, yang muncul dalam kebijakan
P.R., sedangkan penurunan tingkat hunian adalah
0,32%. Penurunan tingkat hunian tertinggi adalah
0,78%, yang muncul di P.A.R. kebijakan, sedangkan
peningkatan tingkat kepuasan 1,84%.
Pada percobaan ketiga, untuk setiap persentase
driver SPS, kami akan menguji lima kebijakan parkir
dan mencari kebijakan terbaik di antara mereka.
Kebijakan terbaik didefinisikan sebagai kebijakan
dengan tingkat kepuasan tertinggi sambil mencapai
tingkat hunian rata-rata di atas di antara lima kebijakan
parkir. Pola lalu lintas "1 jam sibuk berat + 1 jam sibuk"
digunakan dalam semua simulasi. Untuk setiap
persentase driver SPS, hasil eksperimen dijelaskan
pada Tabel IV. Jika tingkat hunian suatu kebijakan
sama atau lebih besar dari tingkat hunian rata-rata,
kebijakan tersebut memenuhi syarat dan tingkat hunian
kebijakan ditulis dengan huruf miring dan tebal dalam
tabel. Di antara semua kebijakan yang memenuhi
syarat, yang dengan tingkat kepuasan tertinggi adalah
kebijakan terbaik untuk persentase driver SPS dan
tingkat kepuasannya ditulis dengan huruf miring dan
tebal dalam tabel.
The P.A.R. kebijakan adalah kebijakan terbaik di
antara 0%, 30% dan 50% dari driver yang
menggunakan SPS, sedangkan P.A.B.R. kebijakan
adalah kebijakan terbaik di antara 70% dan 100%
driver yang menggunakan SPS.
Sebagai kesimpulan, kebijakan dengan 3 atau 4
tingkat privilege dapat mencapai tingkat kepuasan
tertinggi di bawah batasan tingkat hunian. Alasannya
adalah bahwa jika ada tingkat privilege yang lebih
tinggi, pengemudi dengan tingkat privilege tinggi
dapat menemukan tempat parkir yang tersedia dengan
probabilitas yang lebih tinggi. Jika tingkat kepuasan
pengemudi tingkat privilege tinggi menjadi lebih
tinggi, tingkat kepuasan keseluruhan akan meningkat.
Meskipun tingkat kepuasan tertinggi adalah kebijakan
P.R. karena upaya parkir dari driver tipe pribadi tidak
akan pernah gagal, ini memiliki tingkat hunian
terendah karena ruang parkir tipe pribadi tidak dapat
dibagi oleh beberapa driver.
IV. KESIMPULAN
Dalam penelitian ini, kami menyelidiki dampak
dari SPS pada manajemen ruang parkir di bawah
kebijakan parkir dan pola lalu lintas yang berbeda. SPS
yang menggunakan M2M tidak hanya melacak jumlah
dan lokasi ruang yang tersedia di tempat parkir tetapi
juga menyediakan driver dengan status real-time dari
tempat parkir. Selanjutnya, kami mengevaluasi
kebijakan parkir yang berbeda untuk mengidentifikasi
kebijakan terbaik. Semua ini dilakukan dengan
mengembangkan metode simulasi kejadian diskrit
dengan dua model: model parkir umum dan model SPS
M2M-enabled. Sistem simulasi parkir kami
diimplementasikan oleh SimPy.
Kami membuat tiga set eksperimen. Percobaan
pertama dan kedua memperkirakan dampak SPS di
bawah situasi parkir yang berbeda. Berdasarkan hasil
simulasi, kami menyimpulkan bahwa terlepas dari pola
lalu lintas apa dan kebijakan apa yang digunakan,
tingkat kepuasan selalu ditingkatkan ketika persentase
pengemudi parkir cerdas meningkat. Percobaan ketiga
mengidentifikasi kebijakan terbaik yang mencapai
tingkat kepuasan tertinggi di bawah batasan tingkat
hunian minimum di antara banyak alternatif.
Berdasarkan hasil simulasi, kami menyimpulkan
bahwa kebijakan dengan 3 atau 4 tingkat privilege
adalah yang terbaik dalam hal tingkat kepuasan.
 [5] S. V. Srikanth, Pramod P. J, Dileep K. P, Tapas S, M. U. Patil and
S. C. B. N, “Design and implementation of a prototype Smart
PARKing (SPARK) system using wireless sensor networks,” in
International Conference on Advanced Information Networking and
Applications Workshops, Bradford, 2009.

[6] N. H. H. M. Hanif, M. H. Badiozaman and H. Daud, “Smart

parking reservation system using Short Message Services (SMS),” in
International Conference on Intelligent and Advanced Systems
(ICIAS), Kuala Lumpur, 2010.

[7] H. Wang and W. He, “A reservation-based smart parking

system,” in IEEE Conference on Computer Communications
Workshops (INFOCOM WKSHPS), Shanghai, 2011.

[8] Y. Geng and C. G. Cassandras, “A new “smart parking” system

based on optimal resource allocation and reservations,” in 14th
International IEEE Conference on Intelligent Transportation
Systems (ITSC), Washington, DC, 2011.

[9] J. Wang, S. Gebara, Z. Sun, Q. Wu, K. Zong, H. Sun and A.

Farajidavar, “IPLMS: An Intelligent Parking Lot Management
System,” in 2015 IEEE Long Island Systems, Applications and
Technology Conference (LISAT), Farmingdale, NY, 2015.

[10] T. Rajabioun and P. A. Ioannou, “On-Street and Off-Street

Parking Availability Prediction Using Multivariate Spatiotemporal
Models,” in IEEE Transactions on Intelligent Transportation
Systems, vol.16, no. 5, pp. 2913-2924, 2015.

Hasil ini memberikan wawasan yang baik kepada

operator tentang cara terbaik mengelola sumber daya
parkir mereka. Meskipun M2Menabled SPS dapat
sedikit menurunkan pendapatan selama periode waktu
yang singkat karena sedikit kehilangan tingkat hunian.
Namun dalam jangka panjang, lebih banyak
pengemudi akan tertarik kembali ke garasi yang sama
jika operator mengimplementasikan SPS.

REFERENSI
[1] A. Kianpisheh, N. Mustaffa, P. Limtrairut and P. Keikhosrokiani,
“Smart Parking System (SPS) architecture using ultrasonic detector,”
International Journal of Software Engineering and Its Applications,
vol. 6, no. 3, pp. 51-58, 2012.

[2] T. Fabian, “An algorithm for parking lot occupation detection,”

in Computer Information Systems and Industrial Management
Applications, Ostrava, 2008.

[3] Q. Wu, C. Huang, S. Wang, W. Chiu and T. Chen, “Robust

parking space detection considering inter-space correlation,” in IEEE
International Conference on Multimedia and Expo, Beijing, 2007.

[4] R. Lu, X. Lin, H. Zhu and X. S. Shen, “SPARK: A new VANET-

based smart parking scheme for large parking lots,” in IEEE
INFOCOM, Rio de Janeiro, 2009.