SOLUSI NUMERIK DARI PERSAMAAN

DIFERENSIAL TERTUNDA
MENGGUNAKAN METODE RUNGE-
KUTTA UNTUK MIKROSIMULASI
APLIKASI PYTHON

Adrian Lukman, Fergyanto E. Gunawan, Alexander Agung S.G.

Universitas Bina Nusantara, Jalan KH. Syahdan No. 9 Palmerah, Jakarta 11480, Indonesia

Abstract

Mikrosimulasi can be a good method in the optimization on traffic on various road

conditions. Mikrosimulasi often involves differential equations need to be solved numerically. In this
study, the equation in the form of Mikrosimulasi Intelligent Driver Model (IDM) is solved
numerically using the Runge-Kutta method and the programming language Python. An application
designed to allow users access the interaction of vehicles on a micro scale with ease. The results of
numerical testing involves several cases show that the IDM models provide a description of the
dynamics of the vehicle pretty well. In cases where a vehicle approching the obstacle, the IDM
models show that the vehicle will slow down and stop right before it hit the barrier. Other case studies
also show that the IDM models provide a realistic vehicle dynamics.

Keyword : traffic, Mikrosimulasi, differential equations, Runge-Kutta, Python.

Abstrak
Simulasi mikro bisa menjadi metode yang baik dalam optimisasi lalu-lintas di berbagai
kondisi jalan. Simulasi mikro seringkali melibatkan persamaan diferensial yang perlu dipecahkan
secara numerik. Dalam penelitian ini, persamaan simulasi mikro dalam bentuk Intelligent Driver
Model (IDM) dipecahkan secara numerik menggunakan metode Runge-Kutta dan bahasa
pemrogaman Python. Sebuah aplikasi didisain yang memungkinkan pengguna mengkaji interaksi
kendaraan-kendaraan pada skala mikro dengan mudah. Hasil-hasil pengujian secara numerik
melibatkan beberapa kasus memperlihatkan bahwa model IDM memberikan deskripsi dinamika
kendaraan dengan cukup baik. Pada kasus di mana satu kendaraan mendekati hambatan, model IDM
memperlihatkan bahwa kendaraan akan melambat dan berhenti tepat sebelum menabrak hambatan.
Studi kasus yang lain juga memperlihatkan bahwa model IDM memberikan dinamika kendaraan yang
realistik.

Kata Kunci : lalu lintas, Mikrosimulasi, persamaan differensial, Runge-Kutta, Python

Pendahuluan

Kemacetan adalah masalah besar yang banyak dihadapi oleh kota-kota besar di banyak
negara. Sebagai contoh, di kota Jakarta pengendara menghabiskan sekitar 60% waktu perjalanan
mereka dalam kemacetan dan hanya sekitar 40% untuk bergerak(Febriani, Decilya, & Endri, 2010).
Kemacetan menimbulkan kerugian di berbagai bidang seperti bidang ekonomi, lingkungan,
dan kesehatan. Di bidang ekonomi, kemacetan lalu-lintas menimbulkan kerugian sebesar kira-kira 5,5
triliun rupiah atau sekitar 600 juta dolar Amerika untuk nilai tukar 9000 rupiah per dolar di tahun
2009. Angka ini sekitar 3% sampai 6% dari pendapatan kotor Jakarta pada tahun yang sama menurut
ketua Masyarakat Transportasi Indonesia (Febriani, Decilya, & Endri, 2010). Biaya transportasi telah
mencapai 30% dari pendapatan regular penduduk Jakarta (Ani, 2010). Kecepatan rata-rata kendaraan
di tahun 2013 turun menjadi 12 km/jam dari 18 km/jam di tahun 2010, atau turun sebesar 15% dalam
tiga tahun (Ninis, 2013). Sistem transportasi dapat didefinisikan sebagai gabungan beberapa elemen
dan hubungan antara permintaan untuk perjalanan dan penyediaan jasa transportasi untuk memenuhi
permintaan ini (lihat gambar 1.1).
Penyediaan jasa transportasi contohnya ialah jalan raya, jalan bebas hambatan, dan
transportasi publik. Permintaan dari pengguna jalan seringkali melebihi dari batas ketersediaan jasa
transportasi yang ada. Panjang jalan yang ada di Jakarta hingga saat ini kata Setiabudi adalah sekitar
7208 kilometer sedangkan kebutuhan akan jalan di Jakarta hingga 2012 terhitung sebesar 12 ribu
kilometer (Maruli, 2012). Bila penyediaan jasa tersebut tidak bisa memenuhi banyaknya permintaan
yang dibutuhkan pengguna jalan, maka akan terjadi kemacetan. Kemacetan akan berdampak pada
performa dari jasa transportasi. Kemacetan itu pula akan berdampak pada aktifitas ekonomi di suatu
kota.

Gambar 1.1. Hubungan antar sisi suplai dan sisi permintaan pada sistem transportasi (Rodrigue, 2013)

Ada beberapa solusi untuk mengatasi kemacetan, salah satunya dengan membuat transportasi
publik untuk mengurangi penggunaan kendaraan pribadi di Jakarta. Bis Transjakarta dan MRT Jakarta
merupakan transportasi publik yang ada di Jakarta yang dibuat untuk mengatasi masalah kemacetan.
Solusi lain untuk mengatasi kemacetan adalah dengan optimasi lalu lintas. Cara mengoptimasi lalu
lintas ini dengan membuat suatu aplikasi komputer untuk menganalisis kegiatan yang ada di lalu
lintas, yakni dengan membuat Mikrosimulasi.
Mikrosimulasi adalah suatu kategori dari alat analisis komputerisasi yang melakukan analisis
kegiatan secara lebih rinci seperti pada contohnya arus lalu lintas yang melalui persimpangan,
transaksi keuangan pada suatu bank, atau adanya penyebaran penyakit melalui populasi disuatu
daerah. Mikrosimulasi sering juga digunakan untuk mengevaluasi efek intervensi yang diusulkan
sebelum diimplementasikan di dunia nyata. Salah satu contohnya adalah model Mikrosimulasi lalu
lintas yang dapat digunakan untuk mengevaluasikan efektivitas lajur di suatu persimpangan. Model
Mikrosimulasi lalu lintas ini mensimulasikan perilaku kendaraan individu dalam jaringan jalan yang
telah ditetapkan dan digunakan untuk memprediksi kemungkinan dampak dari perubahan pola lalu
lintas akibat perubahan arus atau dari perubahan lingkungan sekitarnya. Hasil dari Mikrosimulasi ini
sampai pada hasil tingkat kejenuhan yang tinggi dan ke titik kemacetan mutlak. Suatu perubahan yang
relatif kecil dapat diamati oleh model Mikrosimulasi ini.
Mikrosimulasi dapat digunakan untuk mengembangkan sistem baru dan mengoptimalkan
efektivitas suatu jaringan jalan.
Persamaan diferensial memiliki peranan penting dalam kehidupan, sebab banyak
permasalahan di dunia nyata yang dapat dimodelkan dengan bentuk persamaan diferensial. Ada dua
jenis persamaan diferensial, yaitu persamaan diferensial biasa dan persamaan diferensial parsial.
Persamaan diferensial biasa adalah sebuah persamaan diferensial yang melibatkan satu atau lebih
turunan dari sebuah fungsi dan hanya memiliki satu variabel bebas. Persamaan diferensial parsial
adalah persamaan yang di dalamnya terdapat suku-suku diferensial parsial, yang
dalam matematika diartikan sebagai suatu hubungan yang mengaitkan suatu fungsi yang tidak
diketahui, yang merupakan fungsi dari beberapa variabel bebas, dengan turunan-turunannya melalui
variabel-variabel yang dimaksud.
Tidak semua permasalah yang dimodelkan kedalam bentuk persamaan diferensial biasa dapat
diselesaikan dengan mudah. Oleh karena itu, metode numerik digunakan untuk menyelesaikan
persoalan dimana perhitungan secara analitik tidak dapat digunakan. Metode numerik itu dapat
menyelesaikan suatu persamaan dengan menggunakan pendekatan-pendekatan yang dapat
dipertanggungjawabkan secara analitik. Dengan menggunakan metode pendekatan, setiap nilai hasil
dari perhitungan akan mempunyai nilai kesalahan (nilai error).
Metode Runge-Kutta merupakan salah satu metode numerik yang dapat digunakan untuk
menyelesaikan persamaan diferensial. Metode Runge-Kutta sangat praktis dan sering digunakan
dalam menyelesaikan persamaan difernsial biasa karena metode ini tidak membutuhkan perhitungan
turunan dan juga memiliki nilai kesalahan (error) yang sangat kecil dibandingkan dengan metode-
metode yang lain.

Landasan Teori
Mikrosimulasi Lalu Lintas
Mikrosimulasi adalah suatu istilah yang digunakan dalam pemodelan lalu lintas. Model
Mikrosimulasi lalu lintas mensimulasikan perilaku kendaraan individu dalam jaringan jalan yang telah
ditetapkan dan digunakan untuk memprediksikan kemungkinan dampak dari perubahan pola lalu
lintas akibat perubahan arus lalu lintas atau dari perubahan lingkungan fisik. Mikrosimulasi sangat
berguna dalam pemodelan jaringan jalan yang padat karena Mikrosimulasi memiliki kemampuan
untuk mensimulasikan kondisi antrian. Model ini akan memberikan hasil pada tingkat tinggi
kejenuhan dan sampai ke titik kemacetan mutlak. Mikrosimulasi mencerminkan perubahan yang
relatif kecil dalam lingkungan fisik seperti penyempitan jalur atau relokasi suatu persimpangan.
Mikrosimulasi dapat digunakan untuk mengembangkan sistem baru dan mengoptimalkan
efektivitas suatu jaringan jalan.

Model Mikroskopik
Model mikroskopik adalah model gerak kendaraan secara individu dalam sebuah sistem. Ini
merupakan pemodelan dari kendaraan berurutan (car following) atau mengikuti kendaraan yang ada di
depan yang berada dalam satu jalur dan diasumsikan tidak ada kendaraan yang saling mendahului.
Hal-hal yang mempengaruhi dari model ini adalah fungsi posisi, kecepatan dan percepatan. Perilaku
model ini ditentuka oleh kendaraan pemimpin, yang merupakan kendaraan yang berada di paling
depan. Mobil lainnya yang dibelakang disebut dengan mobil pengikut.
 Gambar 2.8 Penomoran kendaraan model car following

Model Gipps’
Model Gipps adalah suatu pemodelan laju mobil yang didasarkan pada perilaku pengemudi
dan parameter kendaraan yang bertujuan untuk keselamatan dalam berlalu lintas dengan menirukan
ciri-ciri dari kendaraan yang ada di lalu lintas. Model Gipps menggunakan langkah waktu dalam
fungsi waktu untuk mengurangi perhitungan yang diperlukan untuk analisis numerik.

Dimana:
= percepatan maksimum dimana pengemudi kendaraan n ingin
melakukan percepatan
= lokasi dari bagian depan kendaraan n pada waktu t
= kecepatan kendaraan n pada waktu t
= waktu reaksi yang jelas, konstan untuk semua kendaraan
= konstanta .
∆v = selisih kecepatan pada waktu

∆x = selisih posisi kendaraan pada waktu

Intelligent Driver Model (IDM)

Model IDM ini menyimpulkan bahwa untuk setiap kendaraan yang bergerak di jalan, maka
kendaraan akan memepercepat kecepatan laju kendaraannya. Model IDM ini dapat ditulis:

dimana adalah jarak dari kendaraan n. Jarak ini adalah jarak satu kendaraan
dimana adalah jarak dari kendaraan n. Jarak ini adalah jarak satu kendaraan dengan
kendaraan di depannya, atau dalam matematika dapat dinyatakan sebagai:

dimana adalah panjang kendaraan yang sebenarnya. pada rumus IDM menunjukkan
jarak minimum yang diinginkan antar kendaraan yang dapat dinyatakan sebagai:

Model percepatan IDM ini secara keseluruhan memiliki delapan parameter, yang dapat
dikategorikan menjadi tiga kelompok. Kelompok pertama terdapat satu parameter yang menentukan
gerak stabil dari suatu kendaraan. Pada kelompok kedua terdapat tiga parameter yang berguna untuk
menentukan percepatan atau perlambatan dari suatu kendaraan. Kelompok yang ketiga terdapat empat
parameter yang berguna untuk menentukan jarak aman kendaraan dengan kendaraan di depannya agar
tidak terjadi tabrakan.
Pada kelompok pertama terdapat kecepatan kendaraan yang diinginkan. Pada kelompok
kedua terdapat percepatan maksimum kendaraan , perlambatan minimum dan juga
dan juga kecepatan eksponen . Dan pada kelompok ketiga terdapat waktu antara satu kendaraan
dengan kendaraan di depannya , jarak dan , dan panjang kendaraan .

Metode Numerik
Penggunaan metode numerik ini dapat mengatasi kelemahan-kelemahan metode yang
sebelumnya. Pada umumnya permasalahan sains dan teknologi digambarkan dalam permasalahan
matematika. Permasalahan ini sulit untuk diselesaikan maka diperlukan pendekatan numerik, dengan
Metode Numerik terbebas dari perhitungan secara manual, sehingga waktu dapat digunakan dengan
tujuan kreatif, seperti penekanan masalah atau interpretasi solusi dan tidak terjebak pada rutinitas
hitung menghitung.
Metode Runge-Kutta
Metode Runge-Kutta merupakan metode dengan tingkat ketelitian yang lebih besar dibanding
dengan metode Euler ataupun metode Heun. Metode ini memperkirakan turunan pada berbagai titik
dalam interval dan kemudian menghitung rata-rata terbobot (weighthed average derivative).
Metode ini diklarifikasikan oleh urutan, urutan tersebut bergantung pada jumlah perkiraan
kemiringan yang digunakan pada setiap langkah.
Asumsikan

= konstant yang memenuhi batasan.

Berikut
Metode yang paling populer untuk menyelesaikannya adalah fourth-order Runge-Kutta
Method
dan adalah perkiraan tingkat kemiringan yang dihitung pada titik akhir interval
.
dan adalah perkiraan tingkat kemiringan yang dihitung pada titik tengah interval.
Langkah 1. Bagi interval menjadi subinterval dengan menggunakan
titik-titik yang dibagi secara sama.

Langkah 2. Untuk ; cari pendekatan urutan berikut

Dimana :

Hasil dan Bahasan

Model parameter
Tabel 4.1 Parameter Value contoh kasus

Parameter Value Keterangan

4 Kecepatan eksponen

Percepatan maksimum
Perlambatan minimum

Panjang kendaraan
Jarak waktu antar kendaraan

Kecepatan awal kendaraan

Kasus 1: Satu kendaraan bergerak maju menuju suatu kendala.
Pada kasus ini, ada satu kendaraan yang berada di titik 0.0 akan melaju menuju ke suatu
tujuan ataupun kendala yang ada di depannya yang berjarak 500 m. Kendaraan ini memulai perjalanan
menuju kendala dalam kondisi diam, atau dengan kecepatan 0.0 m/s. Kecepatan kendaraan akan terus
bertambah dari kecepatan awal. Kendaraan ini terus melaju sampai jarak yang ditentukan yakni 500m,
tetapi mobil berhenti 5m dibelakang titik kendala karena memperhitungkan panjang dari kendaraan
tersebut.

Gambar 4.2 Grafik hasil kasus satu kendaraan bergerak maju menuju suatu kendala

Pada gambar 4.2, Grafik yang atas merupakan grafik dari kecepatan kendaraan mendekati
obstacle sebagai fungsi posisi. Terlihat kendaraan memulai perjalanan dengan kecepatan 0 m/s. lalu
kecepatan terus meningkat lalu menurun lagi sesaat sebelum mencapai obstacle. Kendaraan berhenti
5m sebelum titik obstacle itu karena memperhitungkan panjang kendaraan tersebut. Di grafik yang
tengah menunjukkan perubahan kecepatan kendaraan mendekati obstacle sebagai fungsi waktu.
Grafik bawah menunjukkan posisi dan waktu (space-time diagram) kendaraan.

Kasus 2: Interaksi antar dua kendaraan

Pada kasus ini, terdapat dua kendaraan yang berada di jalan. Kondisi kendaraan pertama
berada didepan dari kendaraan kedua. Kendaraan pertama atau kendaraan depan sudah bergerak di
jalan dengan kecepatan tetap 13.89 m/s. Sedangkan kendaraan kedua atau kendaraan pengikut
memiliki kecepetan awal 0.0 m/s. Kecepatan kendaraan depan tetap di kecepatan awalnya, sedangkan
kecepatan kendaraan pengikut akan terus bertambah dari kecepatan awal hingga dapat melebihi
kecepatan kendaraan depan. Tetapi kendaraan pengikut akan selalu berada di belakang kendaraan
depan.
 Gambar 4.3 Grafik hasil kasus interaksi antar dua kendaraan

Pada gambar 4.3, grafik atas menunjukkan perubahan kecepatan kendaraan pengikut yang
memiliki kecepatan awal 0 m/s mendekati bahkan melewati kecepatan tetap dari kendaraan depan.
Tetapi posisi kendaraan pengikut tetap berada di belakang kendaraan depan. Grafik yang berada di
tengah menunjukkan perubahan kecepatan kendaraan hingga kendaraan pengikut mendekati
kendaraan depan. Sedangkan grafik yang bawah menunjukkan posisi dan waktu (space-time diagram)
kendaraan.

Kasus 3: Interaksi dua kendaraan dengan kecepatan awal.

Pada kasus ketiga ini, terdapat dua kendaraan yang berada di jalan. Kedua kendaraan ini
sama-sama memiliki kecepatan awal yang tidak 0.0 m/s. Kedua kendaraan ini memulai perjalanan
dengan waktu bersamaan, tetapi dari posisi yang berbeda. Satu kendaraan berada di depan dan
kendaraan lain mengikutinya dari belakang. Kendaraan yang dibelakang memulai dengan kecepatan
yang lebih tinggi daripada kecepatan kendaraan yang ada di depan. Kendaraan di belakang tidak bisa
melewati kendaraan yang ada di depannya, sehingga kecepatan kendaraan di belakang akan
mengalami perlambatan untuk mengikuti kecepatan stabil dari kendaraan yang ada di depannya.
 Gambar 4.4 Grafik hasil kasus interaksi dua kendaraan dengan kecepatan awal

Pada gambar 4.4, grafik atas menunjukkan perubahan kecepatan kendaraan pengikut mendekati
kendaraan depan sebagai fungsi posisi, dimana kedua kendaraan sama-sama memiliki nilai pada
kecepatan awalnya (v0 tidak 0). Terlihat kendaraan belakang melakukan perlambatan untuk
menyesuaikan kecepatan kendaraan yang di depannya yang memiliki kecepatan stabil. Grafik tengah
menunjukkan perubahan kecepatan kendaraan dari kasus ketiga dengan masing-masing kendaraan
memiliki kecepatan awal tidak dari keadaan diam. Grafik yang ada di bawah menunjukkan posisi dan
waktu (space-time diagram) kendaraan.

Kasus 4: Platoon
Kasus keempat ini melibatkan lima kendaraan yang ada disatu jalan.Kendaraan pertama atau
kendaraan depan melaju dengan kecepatan awal 13.89 m/s. Kendaraan pertama ini mulai dihitung
perjalanannya dari posisi 500m (x1). Lalu kendaraan pertama ini diikuti oleh empat kendaraan lainnya
yang berada di belakangnya masing-masing berada dititik 250m, 0m, -100m, dan -250m (x2, x3, x4,
dan x5). Kendaraan x2 dan x5 memiliki kecepatan awal 2,78 m/s. Sedangkan kendaraan x3 dan x4
meiliki kecepatan awal 0 m/s atau dari keaadan diam. Disaat yang bersamaan, kelima mobil ini
berjalan bersamaan dengan kecepatan masing-masing. Dari kelima kendaraan ini hanya mobil depan
(x1) saja yang memiliki kecepatan tetap terus menerus, sedangkan keempat kendaraan lainnya yang
berada dibelakangnya dapat menambah kecepatan hingga mendekati posisi dari kendaraan
terdepannya.
 Gambar 4.5 Grafik hasil kasus platoon

Pada gambar 4.5, grafik yang paling atas menunjukkan perubahan kecepatan kendaraan pemimpin
sebagai fungsi posisi. Terdapat 5 kendaraan yang ada dijalan dengan kecepatan awal yang berbeda-
beda dan posisi awal yang berbeda-beda pula. Kecepatan kendaraan dibelakang terus meningkat naik
untuk mengejar kendaraan di depannya, tetapi tidak ada 1 mobil juga yang mendahului mobil lainnya.
Grafik di tengah menunjukkan perubahan kecepatan kendaraan dan grafik yang bawah menunjukkan
posisi dan waktu (space-time diagram) kendaraan.
Tampilan hasil dari program yang dibuat menggunakan python untuk hasil dari contoh kasus
platoon

Gambar 4.6 Grafik Hasil kasus Platoon pada program

 Kesimpulan dan Saran
Kesimpulan
1. Kecepatan kendaraan dimodelkan oleh persamaan transport yang diberikan secara implicit,
dengan syarat awal dan syarat batas diketahui. Solusi dari masalah nilai awal dan batas tersebut
dapat memberikan gambaran mengenai kecepatan, posisi dan waktu pada sebuah ruas jalan
dengan kondisi tertentu secara numerik. Solusi numerik memberikan kesesuaian baik secara
kuantitatif maupun kualitatif. Metode Runge-Kutta memberikan pendekatan yang lebih riil dari
solusi matematika.
2. Tujuan dari pembuatan Mikrosimulasi ialah agar diperoleh hasil perhitungan secara numerik
dengan Mikrosimulasi yang diselesaikan secara simulasi numerik yang dapat memecahkan
persamaan differensial biasa.
Hal tersebut bertujuan agar hasil yang diperoleh menjadi well posed, sedangkan jika diskritisasi
waktu lebih besar atau sama dengan diskritisasi jarak, maka akan diperoleh hasil yang ill posed.
Mikrosimulasi yang dibuat untuk memudahkan
Saran
Saran yang dapat diberikan untuk penelitian selanjutnya adalah sebagai berikut:
1. Arah penelitian dapat dikembangkan dengan menggunakan metode Gipp’s Model untuk
memperoleh solusi kecepatan untuk dibandingkan dengan metode Euler yang lain. Dengan
demikian kita dapat melihat metode mana yang lebih tepat untuk memodelkan space time velocity
dan space velocity
2. Tampilan piranti lunak diharapkan lebih mudah untuk dibaca, serta memuat berbagai macam input
parameter tertentu pada sebuah ruas jalan.

Referensi
Brackstone, M. & McDonald, M. (1999).Car-following: a historical review.Transportation Research
Part F, 2, 181-196
Chairunnisa, N. (2013, November 7). Kecepatan kendaraan di Jakarta hanya 12 Km per jam. Tempo.
Diakses pada 29 September 2014 dari
http://www.tempo.co/read/news/2013/11/07/214527772/Kecepatan-Kendaraan-di-Jakarta-
Hanya-12-Km-per-Jam
Dharwiyanti, S. (2003). Pengantar Unified Modeling Language. Modul UML, 6. Diakses pada 5 April
2014 dari: http://202.154.59.182/mfile/files/Tubagus%20Purworusmiadi/Kumpulan%20File
%20PDF/MateriSuplemenUml-2.pdf
Febriani, S, Decilya & Endri. (2010, Juni 13).Warga jakarta rugi triliunan rupiah akibat kemacetan.
Tempo Interaktif. Diakses pada 5 April 2014 dari:
http://www.tempointeraktif.com/hg/jakarta/2010/06/26/brk,20100626-258627,id.html
Gunawan, Fergyanto E. (2012). Two-Vehicles Dynamics of the Car-Following Models on Realistic
Driving Condition. Journal of Transportation Systems Engineering and Information
Technology.
Kiusalaas, J. (2010). Numerical method in engineering with python.Cambridge University Press
Kuang, Y. (1993). Delay differential equations with applications in population dynamics. Mathematics
in Science and Engineering,191, 63-113
M. H. Kabir, M. O. Gani, & L. S. Andallah.(2010). Numerical simulation of mathematical traffic flow.
Maruli, A. (2012, Sept 13). Jakarta macet parah 2014?.antaranews.com. Diakses pada 4 April 2014
dari: http://www.antaranews.com/berita/332884/staf-ahli-pu-jakarta-macet-parah-pada-2014
Miller, S. (2011). Traffic Modeling. Jurnal of Engineering and City Planning, 2, 10-12.
Mulawarman. (2011). Memahami Penggunaan UML (Unified Modelling Language). Jurnal
Informatika Mulawarman, 1.
Nerem, S. (2013).Vehicle weight in Gipps’ car-following model. Master Thesis. Department of Civil
and Transport Engineering.Norwegian University of Science and Technology.
Pressman , R. S. (2011). Software Engineering: a practitioner's approach.McGraw-Hill.
Pressman, R. S. (2012).Rekayasa Perangkat Lunak Pendekatan Praktisi, Edisi 7 Buku 1. Yogyakarta:
ANDI Yogyakarta.
Pressman, R. S. (2012). Rekayasa Perangkat Lunak Pendekatan Praktisi, Edisi 7 Buku 2. Yogyakarta:
ANDI Yogyakarta.
Satzinger, J. W., Jackson, R. B., & Burd, D. S. (2005). Object-Oriented Analysis & Design with the
Unified Process. Boston: Cengange Learning.
Shneiderman, B. (2010). Designing the User Interface, Fifth Edition. Addison Wesley.
Situs Resmi Kota Denpasar. Diakses pada 20 Juni 2014 dari:
http://denpasarkota.go.id/assets_subdomain/31/pengumuman/sasa_845276.pdf diakses 20
Juni 2014
Sommerville, I. (2007). Software Engineering 8. Addison Wesley.
Taiwo, O.A. & O.S.Odetunde. (2009). On the numerical approximation of delay differential equations
by a decomposition method. Maejo Int. Sci. Technologi, 3:426-433
Treiber, M. Traffic Simulation.Diakses 5 April 2014 dari http://www.traffic-simulation.de/ diakses 5
April 2014
Wilson, R.E. (2001). An analysis of Gipp’s car-following model of highway traffic.IMA Journal of
Applied Mathematics, 66, 509-537

Riwayat Penulis
Adrian Lukman lahir di kota Bogor pada 12 Nopember 1987. Penulis menamatkan pendidikan S1 di
Universitas Bina Nusantara dalam bidang Teknik Informatika dan Matematika pada 2014.