PROPOSAL PROGRAM KREATIVITAS MAHASISWA

Otomatisasi Lampu Lalu Lintas dengan Model CNN Centernet dan Metode
Pewarnaan Graf

BIDANG KEGIATAN
PKM PENELITIAN

Diusulkan oleh:

Mega Fransiska 1706982342 Matematika 2017

Aanisah Rizka Q. 1706023196 Matematika 2017
Tama Windyhani 1706027875 Matematika 2017

UNIVERSITAS INDONESIA
DEPOK
2019
 PENGESAHAN PROPOSAL PKM – PENELITIAN

1. Judul Kegiatan : Otomatisasi Lampu Lalu Lintas

dengan Model CNN Centernet dan
Metode Pewarnaan Graf
2. Bidang Kegiatan : PKM-P
3. Ketua Pelaksana Kegiatan :
a. Nama Lengkap : Mega Fransiska
b. NIM : 1706982342
c. Jurusan : Matematika
d. Perguruan Tinggi : Universitas Indonesia
e. Alamat Rumah dan No. HP : Perum Puri Mahoni Blok N/11
Tangerang, Banten/082297069023
f. Email : megaf@sci.ui.ac.id
4. Anggota Pelaksana Kegiatan/Penulis : 2 Orang
5. Dosen Pendamping
a. Nama Lengkap dan Gelar : Dr. Hengki Tasman
b. NIDN/NIDK : 0003027406
c. Alamat Rumah dan No Tel./HP : Jl.Malioboro Blok F8 No. 21,
Jakarta Barat/081585290270
6. Biaya Kegiatan Total :
a. Kemenristekdikti : Rp 9.310.000
b. Sumber Lain (sebutkan...) :-
7. Jangka Waktu Pelaksanaan : 5 Bulan

Depok, 7 November 2019

Menyetujui
Asisten Manajer Bidang Pendidikan Ketua Pelaksana Kegiatan
dan Kemahasiswaan FMIPA UI

( Dr. Retno Lestari, S.Si., M.Si ) ( Mega Fransiska )

NIP. 197001121999032001 NIM. 1706982342

Direktur Kemahasiswaan Dosen Pendamping

Universitas Indonesia

(Dr. Arman Nevi S.H., M.M.) ( Dr. Hengki Tasman )

NUK.0508050277 NIDN. 0003027406

ii
 DAFTAR ISI

PENGESAHAN PROPOSAL PKM – PENELITIAN ....................................... ii

DAFTAR ISI ......................................................................................................... iii
DAFTAR GAMBAR ............................................................................................ iv
DAFTAR TABEL ..................................................................................................v
BAB 1 PENDAHULUAN ....................................................................................1
1.1 Latar Belakang Masalah ............................................................................1
1.2 Rumusan Masalah .....................................................................................1
1.3 Tujuan Kegiatan ........................................................................................1
1.4 Luaran yang Diharapkan ...........................................................................1
1.5 Manfaat Kegiatan ......................................................................................2
BAB 2 TINJAUAN PUSTAKA ..........................................................................2
2.1 Perhitungan Waktu Lampu Lalu Lintas ....................................................2
2.2 Teori Graf ..................................................................................................3
2.3 Object Detection Model .............................................................................3
BAB 3 METODOLOGI PENELITIAN .............................................................6
3.1 Tahap Penelitian ........................................................................................6
3.2 Prosedur Penelitian ....................................................................................7
3.3 Teknik Pengambilan Data .........................................................................8
3.4 Indikator Keberhasilan ..............................................................................8
3.5 Analisis Data .............................................................................................8
BAB 4 BIAYA DAN JADWAL KEGIATAN ...................................................9
4.1 Anggaran Biaya .........................................................................................9
4.2 Jadwal Kegiatan ........................................................................................9
DAFTAR PUSTAKA .............................................................................................9
LAMPIRAN ..........................................................................................................11
Lampiran 1. Biodata ketua, anggota dan dosen pembimbing ............................11
Lampiran 2. Justifikasi Anggaran Kegiatan .......................................................17
Lampiran 3. Susunan Organisasi Tim Pelaksana dan Pembagian Tugas ...........18

iii
 DAFTAR GAMBAR

Gambar 1 Contoh arsitektur CNN ........................................................................ 4

Gambar 2 COCO image beserta anotasinya ......................................................... 5
Gambar 3 Contoh augmentasi gambar ................................................................. 5
Gambar 4 Diagram alur tahapan penelitian .......................................................... 6

DAFTAR TABEL

Tabel 1 Hasil penelitian centernet dari berbagai macam algoritma pendukung ... 6
Tabel 2 Anggaran Biaya ........................................................................................ 9
Tabel 3 Jadwal Kegiatan ....................................................................................... 9

iv
 1

BAB 1 PENDAHULUAN
1.1 LATAR BELAKANG
Salah satu permasalahan yang dihadapi Kota Depok adalah kemacetan. Pakar
transportasi dari Masyarakat Transportasi Indonesia (MTI) Djoko Setijowarno
mengatakan, layanan transportasi di Kota Depok masih tergolong buruk. Masyarakat
Kota Depok lebih memilih menggunakan kendaraan pribadi, seperti mobil dan sepeda
motor, dibandingkan dengan angkutan umum (TEMPO.CO, 2018). Sebagai akibatnya,
kemacetan lalu lintas di beberapa ruas jalan tak dapat dihindari. Dari jalan yang
membentang di kawasan pusat perekonomian, seperti Jalan Raya Margonda – Jalan Raya
Dewi Sartika, sampai jalan yang tepiannya dipenuhi kawasan perumahan, seperti Jalan
Siliwangi – Jalan Tole Iskandar – Jalan Raya Sawangan, tidak pernah luput dari
banyaknya perjalanan yang mencapai angka 1,9 juta setiap harinya, berdasarkan data
Dinas Perhubungan Kota Depok (KOMPAS.com, 2017). Bahkan, Kemacetan yang
berpusat di kelima jalan protokol tersebut juga menyebar ke jalan-jalan lainnya.
Kemacetan ini disebabkan oleh beberapa hal, di antaranya tidak adanya lampu lalu lintas
di beberapa simpangan, tidak tertibnya angkutan umum, adanya pusat perbelanjaan di tepi
jalan, dan nyala lampu lalu lintas yang tidak sesuai antar ruas jalan yang berhubungan
(KOMPAS.com, 2018).
Pengaturan durasi lampu lalu lintas tidak hanya berfungsi untuk mengatur
kepadatan di suatu ruas jalan, tetapi juga berperan dalam mengatur kepadatan di ruas-ruas
jalan yang terhubung dengan lampu lalu lintas tersebut. Dengan suatu pengaturan durasi
lampu lalu lintas yang sesuai, jalan-jalan yang terhubung dengan lampu lalu lintas
tersebut dapat diatur juga kelancarannya.
Kelancaran suatu jalan dapat ditentukan dari derajat kejenuhannya. Kemacetan lalu
lintas terjadi akibat volume lalu lintas hampir mendekati kapasitas jalan, atau bila diukur
dengan derajat kejenuhannya, yang disimbolkan dengan DS, jalan yang macet memiliki
DS≥0.75, dengan DS=V/C, V = volume dan C = kapasitas jalan tersebut (Alhadar, 2011).
Penelitian ini bertujuan untuk menekan derajat kejenuhan jalan-jalan yang telah
disebutkan sebelumnya, sehingga didapatkan DS < 0.75, dengan mengotomatisasi lampu
lalu lintas sehingga dapat menyala di waktu yang sesuai dan memiliki durasi yang sesuai
dengan derajat kejenuhan jalan. Otomatisasi tersebut dilakukan dengan mengunakan
Model Convolutional Neural Network (CNN) Centernet dan Metode Pewarnaan Graf.

1.2 PERUMUSAN MASALAH

Bagaimana Model CNN Centernet dan Metode Pewarnaan Graf dapat mengotomatisasi
lampu lalu lintas sehingga dapat menjadi solusi alternatif kemacetan?

1.3 TUJUAN
1. Ditemukannya solusi yang efektif dalam mengurangi kemacetan, khususnya Kota
Depok.
2. Memberikan masukan kepada pemerintah Kota Depok terkait strategi untuk
mengatasi masalah kemacetan.

1.4 LUARAN YANG DIHARAPKAN

1. Menjadi bahan acuan untuk daerah lain dalam mengurangi tingkat kemacetan.
 2

2. Menjadi rekomendasi bahan kajian pemerintah Kota Depok terkait strategi untuk
mengurangi kemacetan di Kota Depok.

1.5 MANFAAT
Kegiatan Program Kreativitas Mahasiswa Penelitian (PKM-P) ini diharapkan dapat
bermanfaat sebagai bahan informasi atau acuan bagi pemerintah dalam menekan angka
tingkat kemacetan.

BAB 2 TINJAUAN PUSTAKA

2.1 Perhitungan Waktu Lampu Lalu Lintas
Perhitungan lampu lalu lintas telah diatur dalam UU No. 22 Tahun 2009
Tentang Lalu lintas dan Angkutan Jalan, alat pemberi isyarat lalu lintas atau
APILL. Perhitungan ini dilakukan untuk menentukan durasi satu fase (intergreen),
yaitu waktu antar nyala lampu hijau di suatu lampu lalu lintas, yang terdiri dari:
1. Waktu kuning
Waktu nyala lampu kuning pada umumnya 3 detik, menyesuaikan waktu
kedipan mata. Waktu kuning digunakan untuk mengingatkan pengemudi
untuk segera berhenti.
2. Waktu merah
Waktu nyala lampu merah digunakan sebagai pengosongan atau fase clear
agar akhir arus kendaraan pada fase sebelumnya tidak berbenturan dengan
awal arus kendaraan fase selanjutnya.
Adapun suatu intergreen (siklus optimum) dapat dihitung dengan persamaan
sebagai berikut.
1,5 × 𝐿𝑇𝐼 + 5
𝑐 = 1 − ∑𝐹𝑅𝑐𝑟𝑖𝑡
Dengan:
 𝑐 = Waktu siklus sinyal (detik)
 LTI = Waktu hilang per siklus atau jumlah waktu antar hijau (detik)
 𝐹𝑅 = Arus lalu lintas dibagi dengan arus jenuh
 𝐹𝑅𝑐𝑟𝑖𝑡 = Nilai tertinggi dari semua pendekat yang berangkat pada
suatu fase sinyal. Pendekat adalah daerah dari lengan persimpangan jalan
untuk kendaraan mengantri di belakang garis henti.
 ∑𝐹𝑅𝑐𝑟𝑖𝑡 = Rasio Arus Simpang = Jumlah 𝐹𝑅𝑐𝑟𝑖𝑡 dari semua fase pada
siklus tersebut.
Untuk menghitung durasi lampu berwarna hijau dapat dinyatakan dengan
persamaan berikut.
(𝑐 − 𝐿𝑇𝐼) × 𝐹𝑅𝑐𝑟𝑖𝑡
𝑔𝑖 = ∑𝐹𝑅𝑐𝑟𝑖𝑡
 𝑔𝑖 = Tampilan waktu lampu hijau pada fase i (detik) (Iswati, R., 2017).
Waktu hilang (LTI), yaitu lama waktu satu siklus penuh pada saat tidak ada
kendaraan atau dapat juga didefinisikan sebagai jumlah kurun waktu hijau
dikurangi satu detik setiap hijau.Waktu hilang dapat dihitung dengan rumus:
LTI = 2n + R
 3

 n = Banyaknya fase
 R = Waktu semua merah dan waktu merah/merah/kuning (2+3 = 5 detik)
(Miftahurrahmah, 2016).

2.2 Teori Graf

2.2.1 Pengertian dan Istilah
Suatu graf G terdiri dari pasangan himpunan (𝑉(𝐺), 𝐸(𝐺)) dimana 𝑉(𝐺)
adalah himpunan simpul pada graf G yang tidak kosong dan 𝐸(𝐺) adalah
himpunan busur pada graf G yang tidak kosong. Jika u dan v adalah sepasang
simpul yang berbeda di G, uv melambangkan busur di G maka u dan v
bertetangga (adjacent) di G. Jika sebuah simpul v merupakan titik ujung dari
suatu busur e, maka v dan e disebut saling menempel/berinsidensi (incidency)
(Chartrand, G & Zhang, P, 2012).
2.2.2 Pewarnaan Graf dengan Algoritma Welch – Powell
Metode pewarnaan graf terdiri dari tiga macam, yaitu:
1. Pewarnaan Simpul: memberi warna pada simpul - simpul suatu graf
sehingga tidak ada dua simpul terhubung yang memiliki warna sama.
2. Pewarnaan Busur: mewarnai semua sisi di G sehingga setiap pasang
busur yang bertemu pada suatu simpul diberi warna yang berbeda.
3. Pewarnaan Bidang: memberi warna pada bidang sehingga tidak ada
bidang yang bertetangga mempunyai warna yang sama
(Chartrand, G & Zhang, P, 2012).
Adapun Algoritma Welch – Powell merupakan salah satu cara yang efisien
untuk mewarnai sebuah graf G, yang dapat dilakukan dengan cara:
1. Urutkan simpul-simpul dari G dalam urutan derajat yang menurun.
Urutan ini mungkin tidak unik karena beberapa simpul mungkin
mempunyai derajat yang sama.
2. Gunakan satu warna tertentu untuk mewarnai simpul pertama. Secara
berurut, setiap simpul dalam daftar yang tidak berelasi dengan simpul
sebelumnya diwarnai dengan warna ini.
3. Ulangi langkah 2 untuk simpul dengan urutan tertinggi yang belum
diwarnai.
4. Ulangi langkah 3 sampai semua simpul dalam daftar terwarnai
(Farhan, M, 2017).

2.3. Object Detection Model

Object Detection merupakan kemampuan untuk mengklasifikasikan gambar-
gambar berbeda dan menentukan posisi objek tertentu di suatu gambar.
Kemampuan ini menjadi fokus dari Deep Learning. Deep Learning merupakan
perkembangan dari Machine Learning (pembelajaran mesin) sehingga ‘mesin’
dapat memiliki kecerdasan buatan ‘menyerupai manusia’. Kecerdasan buatan ini
dinamakan Artificial Intelligence. Dengan Object Detection, pekerjaan manusia
 4

dalam mengamati sesuatu dapat digantikan oleh program komputer. Program

Object Detection memerlukan suatu model dalam bentuk algoritma, salah satunya
adalah CNN (Convolutional Neural Network) (Zhao, Zheng, Xu, et al, 2019, pp.1-
21, Deeplearning.net, 2015)
2.3.1 Convolutional Neural Network Architecture
CNN adalah model pembelajaran mendalam yang paling representatif.
CNN merupakan model yang terdiri dari layer (lapisan – lapisan) neuron.
Setiap lapisan neuron merupakan sebuah peta fitur. Neuron pada lapisan
internal CNN adalah multi-channel yang mengolah piksel-piksel dari gambar,
dimana setiap piksel pada gambar memiliki fitur tertentu. Setiap neuron di
setiap layer (kecuali layer input) terhubung dengan sebagian kecil neuron
yang ‘bertetangga’ dari layer sebelumnya (receptive field). Pada layer
internal terdapat berbagai operasi, seperti pemfilteran (convolution) dan
pengumpulan (pooling). Pada layer yang menjalankan operasi pemfilteran
(convolution), hasil dari operasi pemfilteran di layer tersebut akan
diregresikan dengan fungsi non-linear (seperti ReLU dan sigmoid) dan
menjadi input untuk neuron di layer berikutnya. Keseluruhan neuron dalam
CNN dapat dioptimasi dengan fungsi objektif, seperti mean squared error
dan cross-entropy loss, yang mana hasilnya merupakan metric loss (Zhao,
Zheng, Xu, & Wu, 2019, pp.1-21). Salah satu contoh model CNN terbaru
adalah Centernet.

Gambar 1. Contoh Arsitektur CNN

2.3.2 Metric
Metric adalah besaran terukur yang digunakan untuk melacak atau menilai
suatu proses tertentu. Contoh Metric untuk mengukur ‘kualitas’ suatu model
object detection adalah loss dan Average Precision (Klipfolio, 2019)
1. Loss
Loss adalah ukuran seberapa buruknya suatu kesalahan (error) dapat
terjadi sebagai konsekuensi negatif dari prediksi yang tidak akurat
(StackExchange, 2018).
2. Average Precision/AP/Presisi Rata-rata
AP (Average Precision) merupakan metric yang populer untuk
mengukur akurasi dari pendeteksian objek (Medium, 2018).
2.3.3 Data untuk Pelatihan (Training) dan Pengujian (Testing)
 5

Model Object Detection perlu dilatih (Training) sebelum digunakan

pada data yang sebenarnya. Dimana data perlu dianotasi terlebih dahulu
sebelum memasuki proses training. Anotasi adalah proses pelabelan data
sehingga saat data tersebut diinput ke suatu model, model tersebut dapat
‘mempelajari’ cara mengolah data-data yang berbeda dan hasil yang
diinginkan oleh pengguna model tersebut (Medium, 2019). Data untuk
training dapat diperoleh dari sumber terbuka (open source) di internet,
biasanya data ini disediakan dalam jumlah yang sangat banyak, berkualitas
baik, dan sudah dianotasi. Contoh data dari sumber terbuka di internet yang
sering digunakan untuk melatih (training) model object detection adalah
COCO Dataset. COCO Dataset memiliki 80 objek dengan kategori berbeda
yang secara keseluruhanberjumlah lebih dari 330.000 gambar (Lin, Tsung-Yi,
et al, 2015). Namun selain menggunakan data dari sumber terbuka, data untuk
training juga dapat dicari secara manual sesuai dengan kebutuhan.
Pada data training, dapat dilakukan berbagai eksperimen untuk
membandingkan besar loss dari proses training. Eksperimen pada data
gambar tersebut adalah augmentasi. Contoh package pada python untuk
mengaugmentasi gambar adalah imaug dan PyTorch (Towards Data Science,
2019). Jika dari eksperimen tersebut diperoleh jenis augmentasi yang lebih
menurunkan loss, maka augmentasi tersebut dapat digunakan pada testing
sehingga diharapkan dapat memperkecil loss pada pemrosesan data yang
sebenarnya.

Gambar 2. COCO image beserta anotasinya Gambar 3. Contoh augmentasi gambar

2.3.4 Centernet
Zhou (2019) dalam jurnal yang berjudul “Objects as Points”
menemukan model object detection terbaru dengan waktu testing yang cepat
dan AP yang lebih tinggi dibandingkan model-model sebelumnya, dengan
menggunakan data COCO.
Perbedaan Model Centernet dengan model-model object detection lainnya
terletak pada cara menemukan objek pada gambar. Model-model lain
menemukan objek pada gambar dengan memperkecil ukuran bingkai sampai
sesuai dengan lokasi objek, sedangkan Model Centernet menemukan objek
pada gambar dengan mencari titik tengah dari suatu objek di gambar tersebut.
 6

Hal ini menyebabkan waktu testing pada Centernet lebih cepat dibandingkan
dengan model-model lainnya (Zhou, Wang, Krahenb ¨ uhl, 2019).

Tabel 1. Perbandingan AP di waktu sebelum 50 ms, 50 ms, dan 75 ms, inferrence/test time, frame per
second, yang dibagi ke dalam kategori Not Augmented, Flip testing augmented, Multi-scale
augmentation dari Centernet dengan berbagai macam Backbone Network. Didapat AP tertinggi dengan
menggunakan Hourglass-104 Backbone Network, yaitu mencapai 63,1 ms dengan menggunakan
augmentasi multi-scaling.

BAB 3 METODE PENELITIAN

3.1 Tahapan Penelitian
Mempelajari Model
Mencari volume dan faktor-
Mulai Centernet Convolutional
faktor penentu arus jenuh
Neural Network

Melatih (training)
model dengan data Menyiapkan data Menyesuaikan algoritma
tiruan dan tiruan untuk dataset dan test Model
mencoba beberapa melatih (training) Centernet Convolutional
augmentasi data model Neural Network

Mengurus
perizinan untuk Testing
Tidak
Loss dari model
menambahkan
Training konvergen dengan
algoritma Model
atau lebih kecil dari loss data
Centernet
percobaan Training Ya rekaman
Convolutional
sebelumnya CCTV
Neural Network
ke CCTV

Penjadwalan
Analisis data dan Tidak
otomatis waktu nyala lampu lalu lintas
membuat representasi graf
efektif dan efisien

Ya
Mewarnai graf dengan
algoritma Welch Powell Akan direkomendasikan ke pemerintahan
setempat sebagai salah satu solusi kemacetan

Memodifikasi algoritma test Model

Centernet Convolutional Neural Network
Gambar 4. Diagram alur tahapan penelitian
 7

3.2 Prosedur Penelitian

 Tahap Persiapan
1. Menyesuaikan algoritma dataset pada Model Centernet
Convolutional Neural Network sehingga model dapat dilatih
(trained) dengan data video
2. Mencari volume dan faktor-faktor yang mempengaruhi arus jenuh di
Jalan Raya Sawangan, Jalan Margonda Raya, Jalan Siliwangi Raya,
Jalan Dewi Sartika, dan Jalan Tole Iskandar.
3. Menyesuaikan algoritma test pada Model Centernet Convolutional
Neural Network dengan menambahkan rumus DS (derajat jenuh ),
Siklus lampu lalu lintas optimum, dan durasi waktu hijau. Pada
Model Centernet Convolutional Neural Network, algoritma testing
hanya menghasilkan output Average Precision. Namun, algoritma
tersebut dapat diubah sehingga menghasilkan jumlah kendaraan,
yang diperlukan untuk menghitung rumus-rumus di atas.
4. Menyiapkan data tiruan untuk melatih (training) model tersebut.
Data tiruan berupa foto kendaraan yang dianotasikan terlebih dahulu
(mengkotak-kotakan objek yang akan dideteksi model saat training.
 Tahap Observasi Model
1. Training/melatih model dengan data tiruan dengan variabel bebas
tanpa augmentasi dan dengan augmentasi flip.
2. Membandingkan loss dari kedua percobaan training dan menyimpan
bobot model dengan loss paling kecil.
 Tahap Penelitian
1. Mengurus perizinan ke Dinas Perhubungan Kota Depok dan Kepolisisan
Lalu Lintas Kota Depok untuk menambahkan algoritma Model Centernet
Convolutional Neural Network ke CCTV dan merekam serta memproses
data rekaman selama satu minggu di Jalan Raya Sawangan, Jalan
Margonda Raya, Jalan Siliwangi Raya, Jalan Dewi Sartika, dan
Jalan Tole Iskandar.
2. Testing model dengan bobot yang telah disimpan sebelumnya ke
data rekaman CCTV selama satu minggu di Jalan Raya Sawangan,
Jalan Margonda Raya, Jalan Siliwangi Raya, Jalan Dewi Sartika,
dan Jalan Tole Iskandar.
3. Analisis data yang dihasilkan dari penelitian selama satu minggu
tersebut dengan mengubahnya ke bentuk graf dan diwarnai dengan
algoritma Welch Powell.
4. Setelah didapat penjadwalan otomatis yng efektif dan efisien dari
lampu lalu lintas, akan ditambahkan syarat kapan lampu lalu lintas
menyala pada algoritma test Model Centernet Convolutional Neural
Network sesuai dengan hasil analisa dengan pewarnaan graf.
 8

5. Akan dilakukan penelitian ulang untuk mengetahui efektif atau

efisiennya kinerja lampu lalulintas otomatis ini.
 Jika telah didapat kinerja lampu lalu lintas otomatis yang efektif dan
efisien, langkah selanjutnya, hasil penelitian ini akan direkomendasikan ke
pemerintah Kota Depok sebagai salah satu solusi kemacetan di Kota
Depok.
3.3 Teknik Pengambilan Data
Data yang diperlukan dalam penelitian ini yaitu jumlah pengendara sepeda
motor dan kendaraan beroda empat atau lebih yang diperoleh dari CCTV yang
terpasang di lampu lalu lintas atau di tempat-tempat sekitar lampu lalu lintas di
Jalan Raya Sawangan, Jalan Margonda Raya, Jalan Siliwangi Raya, Jalan Dewi
Sartika, dan Jalan Tole Iskandar, dimana CCTV tersebut dapat merekam dengan
jelas kondisi jalan di sekitar lampu lalu lintas selama 1 minggu. CCTV tersebut
terhubung dengan algoritma untuk mendeteksi objek kendaraan pada rekaman,
yaitu Model Centernet Convolutional Neural Network. Adapun, data training
akan diperoleh dari video kendaraan, yang dapat dicari di internet.
3.4 Indikator Keberhasilan
1. Penjadwalan otomatis nyala lampu lalu lintas ini efektif jika waktu nyala
antar lampu lalu lintas di Jalan Raya Sawangan, Jalan Margonda Raya,
Jalan Siliwangi Raya, Jalan Dewi Sartika, dan Jalan Tole Iskandar
terintegrasi. Sedangkan, efisien jika jeda antar fase (intergreen) tidak
berlebihan.
2. Penelitian ini berhasil jika DS (derajat jenuh) di ruas Jalan Raya Sawangan,
Jalan Margonda Raya, Jalan Siliwangi Raya, Jalan Dewi Sartika, dan Jalan
Tole Iskandar sebelumnya lebih dari sama dengan 0,75, tetapi setelah
lampu lalu lintas otomatis ini diterapkan menjadi kurang dari 0,75.
3.5 Analisis Data
Data yang diperoleh dari hasil testing model pada rekaman kamera CCTV
diubah bentuknya ke dalam graf terhubung sederhana, dengan simpul
menggambarkan lampu lalu lintas yang dihubungkan oleh satu jalan ke lampu lalu
lintas lain, dimana jalan-jalan di sekitar lampu lalu lintas tersebut memiliki
DS≥0,75. Sedangkan, busur menghubungkan dua simpul menggambarkan kedua
waktu nyala lampu lalu lintas (simpul) yang bersamaan. Langkah selanjutnya
adalah memberi warna pada graf dengan Algoritma Welch-Powell sehingga
diperoleh jeda antar fase pada suatu lampu lalu lintas yang minimal. Algoritma
tersebut adalah sebagai berikut.
1. Gambar simpul dan busur pada graf sesuai dengan definisi di atas. Dengan
begitu, dua lampu lalu lintas yang terhubung oleh suatu jalan, dan jalan-
jalan di sekitar masing-masing lampu tersebut yang memiliki DS≥0,75
akan memiliki fase nyala yang sama. Hal ini harus dihindari karena akan
menyebabkan kemacetan di jalan penghubung keduanya.
 9

2. Beri warna masing-masing simpul dengan ketentuan simpul yang saling

terhubung diberi warna berbeda dan simpul yang tidak terhubung diberi
warna sama.
3. Kelompokkan simpul-simpul tersebut berdasarkan kesamaan warna
sehingga dapat ditentukan lampu lalu lintas mana saja yang tidak boleh
memiliki fase nyala bersamaan
(Alhadar, 2011, Farhan 2017).

BAB 4 BIAYA DAN JADWAL KEGIATAN

4.1 Anggaran Biaya
Tabel 4.1 Anggaran Biaya
No Jenis Pengeluaran Biaya (Rp)
1. Peralatan Penunjang (86.5%) 8.060.000
2. Bahan Habis Pakai (10,5%) 1.000.000
3. Transportasi (3%) 250.000
Jumlah (Rp) 9.310.000
4.2 Jadwal Kegiatan
Tabel 4.2 Jadwal Kegiatan
Bulan ke-
Kegiatan 1 2 3 4 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Mempelajari dan
observasi model
Menyiapkan data
Training
Eksplorasi dan
training model
Mengurus perizinan
untuk mengakses
CCTV
Eksplorasi model
dengan data CCTV
Analisis data
Mencoba kembali
model ke CCTV
Mengurus perizinan

DAFTAR PUSTAKA
Yandwiputra, Ade Ridwan. 2018, ‘Kemacetan Lalu Lintas Depok Karena Transportasi
Publik Buruk’, TEMPO.CO, dilihat pada 30 Oktober 2019 pukul 01.22 WIB,
<https://metro.tempo.co/read/1060945/kemacetan-lalu-lintas-depok-karena-
transportasi-publik-buruk>.
Nugrahanti, Amanda Putri. 2017, ‘Kota Depok, Tumbuh Pesat Minim Antisipasi’,
KOMPAS.com, dilihat pada 30 Oktober 2019 pukul 01.15 WIB,
<https://megapolitan.kompas.com/read/2017/04/27/17000011/kota.depok.tumbuh
.pesat.minim.antisipasi?page=all>.
Lova, Chyntia. 2018, ‘Tanpa Lampu Lalu Lintas, Perempatan Tugu Depok Kerap
 10

Macet’, KOMPAS.com, dilihat pada 29 September 2019 pukul 23.15

WIB,<https://megapolitan.kompas.com/read/2018/12/07/17382211/tanpa-lampu-
lalu-lintas-perempatan-tugu-depok-kerap-macet?page=all >.
Alhadar, Ali. 2011, ‘Analisis Kinerja Jalan dalam Upaya Mengatasi Kemacetan Lalu
Lintas Pada Ruas Simpang Bersinyal di Kota Palu’, Jurnal SMARTek, Vol. 9,
No.4, pp. 327 – 336, dilihat pada 30 Oktober 2019 pukul 01.34 WIB,
<http://jurnal.untad.ac.id/jurnal/index.php/SMARTEK/article/view/890 >.
Miftahurrahmah. 2016, ‘Aplikasi Teori Graf dalam Pengaturan Lampu Lalu Lintas’,
Skripsi, dilihat pada 28 September 2019 pukul 23.58 WIB, <http://repositori.uin-
alauddin.ac.id/6652/1/Miftahurrahmah.pdf >.
Chartrand, Gary & Zhang, Ping. 2012, A First Course in Graph Theory, ed 3, Dover
Publications, Inc. New York, Mineola.
Farhan, M. 2017, ‘Aplikasi Pewarnaan Graf pada Pengaturan Lampu Lalu Lintas’,
Makalah, dilihat pada 30 September 2019 pukul 01.49 WIB,
<http://informatika.stei.itb.ac.id/~rinaldi.munir/Matdis/2017-
2018/Makalah2017/Makalah-Matdis-2017-033.pdf >.
Zhao, et al. 2019. ‘Object Detection with Deep Learning: A Review’, arXiv preprint,
dilihat pada 1 November 2019 pukul 12.20 WIB,
< https://arxiv.org/pdf/1807.05511.pdf>.
Gulcehre, Caglar. 2015, ‘Welcome to Deep Learning’, Deep Learning, dilihat pada 1
November 2019 pukul 07.11 WIB, < http://deeplearning.net/>.
Taylor, jonathan. 2019, ‘What is a KPI, Metric or Measure?’, Klipfolio, dilihat pada 1
November 2019 pukul 07.29 WIB, < https://www.klipfolio.com/blog/kpi-metric-
measure>.
Monica, Reinstate. 2018, ‘What is the difference between a loss function and an error
function?’, Stack Exchange, dilihat pada 1 November 2019 pukul 07.54 WIB, <
https://stats.stackexchange.com/questions/359043/what-is-the-difference-
between-a-loss-function-and-an-error-function>.
Hui, Jonathan. 2018, ‘mAP (mean Average Precision) for Object Detection’, Medium,
dilihat pada 1 November 2019 pukul 08.15 WIB,
<https://medium.com/@jonathan_hui/map-mean-average-precision-for-object-
detection-45c121a31173>.
Anolytics. 2019, ‘The Use Of Bounding Boxes in Image Annotation for Object Detection’,
Medium, dilihat 1 November 2019 pukul 08.32 WIB,
<https://medium.com/@anolytics/the-use-of-bounding-boxes-in-image-
annotation-for-object-detection-6371711eabba>.
Lin, Tsung-Yi, et al. 2015, ‘Microsoft COCO: Common Objects in Context’, arXiv
preprint, dilihat pada 1 November 2019 pukul 09.01 WIB, <
https://arxiv.org/pdf/1405.0312.pdf>.
Deis, Alexandra. 2019, ‘Data Augmentation for Deep Learning’, Towards Data Science,
dilihat pada 1 November 2019 pukul 11.02 WIB,
<https://towardsdatascience.com/data-augmentation-for-deep-learning-
4fe21d1a4eb9>.
Zhou, Wang, Krahenb ¨ uhl. 2019, ‘Objects as Points’, arXiv preprint, dilihat pada 30
September 2019 pukul 03.29 WIB, <https://arxiv.org/pdf/1904.07850.pdf>.
11
12
13
 14

1.5 Biodata Dosen Pembimbing

A. Identitas Diri

1. Nama Lengkap (dengan gelar) Dr. Hengki Tasman

2. Jenis Kelamin L

3. Program Studi S1 Matematika

197402032008121001 /
4. NIP/NIDN
0003027406
5. Tempat dan Tanggal Lahir Jakarta, 3 Februari 1974

6. Alamat-Email htasman@sci.ui.ac.id

7. Nomor Telepon/HP 081 585 290 270

B. Riwayat Pendidikan

Gelar Akademik Sarjana S2/Magister S3/Doktor

Nama Institusi UI ITB ITB
Jurusan Matematika Matematika Matematika

Tahun Masuk-
1992 - 1998 1999 - 2001 2005 - 2010
Lulus

C. Rekam Jejak Tri Dharma PT

C.1.Pendidikan/Pengajaran

No. Nama Mata Kuliah Wajib/Pilihan SKS

1 Matematika Dasar 1 Wajib 2

2 Matematika Dasar 2 Wajib 4

3 Aljabar Wajib 4

4 Pengantar Teori Probabilitas Wajib 2

5 Geometri Analitik Wajib 2

 15

C.2.Penelitian

No. Judul Penelitian Penyandang Dana Tahun

Identifikasi dan analisis pengaruh

mobilitas manusia pada
1 Hibah PUPT 2016
kesuksesan penanggulangan
penyebaran airbone diseases

C.3.Pengabdian Kepada Masyarakat

Judul Pengabdian Kepada

No. Penyandang Dana Tahun
Masyarakat
 16

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian bidata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan PKM-P.

Depok, 7 November 2019

Dosen Pembimbing,

Dr. Hengki Tasman

NIDN. 0003027406
 17

LAMPIRAN 2. Justifikasi Anggaran Kegiatan

Harga Satuan
1. Peralatan Penunjang Volume Nilai (Rp)
(Rp)
- Cooling pad laptop untuk
1 buah 110.000 110.000
observasi model
- Sewa komputer dengan server
2 kali 2.000.000 4.000.000
kuat menyala 24 jam × 7 hari
- Pendingin server tambahan 1 buah 850.000 850.000
- GPU tambahan 1 buah 2.400.000 2.400.000
- Administrasi perizinan - - 600.000

- Laporan akhir penelitian 1 buah 100.000 100.000

- SUBTOTAL (Rp) 8.060.000

Harga Satuan
2. Barang Habis Pakai Volume Nilai (Rp)
(Rp)
- Tanda terima kasih untuk
- - 1.000.000
tenaga ahli yang membantu
- SUBTOTAL (Rp) 1.000.000
3. Transportasi Volume Harga Satuan Nilai (Rp)
(Rp)
- Transportasi untuk survei Jalan
1 kali 50.000 50.000
Raya Margonda
- Transportasi untuk survei Jalan
1 kali 50.000 50.000
Siliwangi
- Transportasi untuk survei Jalan
1 kali 50.000 50.000
Tole Iskandar
- Transportasi untuk survei Jalan
1 kali 50.000 50.000
Dewi Sartika
- Transportasi untuk survei Jalan
1 kali 50.000 50.000
Raya Sawangan

SUBTOTAL (Rp) 250.000

TOTAL 1+2+3 (Rp) 9.310.000

(Terbilang Sembilan Juta Tiga Ratus Sepuluh Ribu Rupiah)

 18

LAMPIRAN 3. Susunan Organisasi Tim Pelaksana dan Pembagian Tugas

Program Bidang Alokasi Waktu

No. Nama/NIM Uraian Tugas
Studi Ilmu (jam/minggu)
1 Mega Fransiska Matematika - 12  Mengkoordinasi
/1706982342 jam/minggu antar anggota
 Mengurus
keperluan proses
perizinan produk
oleh pihak luar
 Menjadi
penanggung
jawab observasi
model
 Menjadi
penanggung
jawab pemrosesan
data dari CCTV
 Menjadi
penanggung
jawab penyusunan
laporan akhir
untuk tahap
monitoring dan
evaluasi
2 Aanisah Rizka Matematika - 12  Menjadi
Qurrota’aina jam/minggu penanggung
Bakry jawab pencarian
/1706023196 data training
 Mencari literatur
yang berkaitan
dengan model
 Mengobservasi
model
 Memodifikasi
model tahap akhir
3 Tama Matematika - 12 jam/minggu  Mencari literatur
Windyhani tambahan tentang
/1706027875 metode
pewarnaan graf
 Mencari literatur
yang berkaitan
dengan model
 Mengobservasi
model