Dalam penelitian ini membahas mengenai Intelligent Transportations System (ITS) atau sistem transportasi yang cerdas menggunakan kecerdasan buatan berbasis statistik dan machine learning untuk bisa meningkatkan kinerja aplikasi ITS dan peramalan lalu lintas. Secara umum, sistem ini akan memiliki kemampuan beradaptasi sehingga model berbasis machine learning akan berjalan dengan fleksibel, serta adanya pengembangan yang bisa dilakukan untuk membantu penelitian di masa depan khususnya pada Sistem Lalu Lintas.
2. Mengapa mengapa menarik diteliti? (
Teknologi yang terus berkembang di masyarakat sekarang, menginginkan hal yang serupa khususnya di bidang transportasi dan logistik. Masyarakat menginginkan adanya peran penting dalam keamanan dan kenyamanan khusus memastikan operasi berjalan pada lalu lintas berjalan dengan normal dan meningkatkan sosial dan ekonomi. Kemacetan dan lalu lintas menjadi teman dan bagian pada kehidupan sehari-hari. Laporan yang dilakukan oleh Departemen Perhubungan di Amerika Serikat menunjukan munculnya dampak ekonomi dari kemacetan lalu lintas di 75 kota besar di Amerika serikat, yaitu 3,6 Miliar Jam penundaan lalu lintas dan memakan 5,7 miliar galon bahan bakar, sehingga memunculkan nilai kerugian produktivitas secara tidak langsung sebesar $67,5 Miliar. Hal tersebut menimbulkan pertanyaan, bagaimana cara memanfaatkan secara efektif infrastruktur transportasi dan permintaan pergerakan barang, selain itu dalam beberapa tahun terakhir, sistem lalu lintas mendapatkan perhatian yang cukup, karena tingginya permintaan dari masyarakat mengenai keamanan dan efisiensi dalam penggunaan jalan. Hal itu didukung karena adanya perangkat pemantau lalu lintas dengan nirkabel, sehingga memungkinkan adanya komunikasi antar infrastruktur secara realtime dan waktu informasi yang didapatkan dapat dikumpulkan lalu dikirim secara cepat kepada badan pengatur lalu lintas dengan akurat. 3. Dengan metode apa diteliti? Dalam penelitian ini menggunakan pendekatan proactive, dimana secara langsung memberikan reaksi terhadap situasi lalu lintas yang telah dikumpulkan secara realtime. Pendekatan produktif akan melakukan analisis data mengenai kondisi lalu lintas, dan akan melakukan ekstraksi data dari control objectnya seperti karakteristik pergerakan dari sistem lalu lintas, tren lalu lintas, atau secara keseluruhan sistem yang ada.
4. Sebutkan topik penelitian sebelumnya yang melandasi penelitian ini
Pada penelitian ini tidak menyebutkan topik-topik penelitian terdahulu yang menjadi landasan pada penelitian ini, tetapi dalam beberapa tahun terakhir permintaan dalam bidang keamanan dan efisiensi menjadi salah satu topik yang diinginkan masyarakat. Salah satunya adanya perangkat pemantau kondisi lalu lintas menggunakan nirkabel, lalu adanya feedback dari pihak-pihak terkait yang bisa dilakukan secara real time untuk meminimalkan adanya kemacetan lalu lintas.
5. Sebutkan Keaslian dan state-of-the-art
Pembaharuan yang ada pada penelitian ini adalah munculnya tinjauan yang menyeluruh terhadap penelitian di bidang arus lalu lintas, serta memberikan gambaran yang komprehensif mengenai peran peramalan lalu lintas dengan cara meningkatkan kinerja aplikasi yang sesuai. Selain itu, penelitian ini juga turut memperkenalkan prosedur prediksi umum serta konsep lalu lintas berbasis machine learning.
6. Sebutkan dasar teori : Rumus, Algoritma, Postulat, Aksioma, dll
Gambaran umum mengenai aplikasi ITS adalah menyediakan layanan internet kepada penumpang dalam kendaraan transportasi untuk meningkatkan kenyamanan penumpang dalam perjalanan. Dalam hal ini ada 4 klasifikasi keamanan berkendara dan aplikasi yang berhubungan dengan kenyamanan antara lain: a. Internet of vehicles (IoV) : meningkatkan keselamatan lalu lintas dengan berbagi informasi dengan pengguna jalan, menggunakan Vehicle to Vehicle (V2V) atau komunikasi antar Vehicle dengan Infrastruktur (V2I) hal tersebut bertujuan untuk meningkatkan kualitas persepsi pengguna sistem informasi mengenai lingkungannya dan lingkungan lalu lintas sehingga dapat memberikan gambaran kemungkinan kondisi lalu lintas yang ada dan menghasilkan sebuah perencanaan yang sesuai untuk meningkatkan keamanan penumpang dalam berkendara. b. Data center/vehicular cloud computing: Komputasi berbasis cloud yang berfokus kepada peningkatan efisiensi pemanfaatan daya komputasi dalam kendaraan, hingga nantinya status pengoperasian dalam kendaraan dapat berbeda satu dengan lainnya c. Intelligent traffic management: meningkatkan efisiensi operasional sistem transportasi dengan cara memberikan kontrol secara real time serta memastikan arus lalu lintas dapat berjalan dengan lancar. d. Autonomous driving: sebuah sistem yang direncanakan untuk meningkatkan keselamatan berkendara secara aman dari sistem transportasi. Teknologi ini bergerak dengan cara teknologi dari bantuan mengemudi mengenai status kendaraan atau dengan menggunakan Convolutional Neural Network atau ekstraksi fitur mengenai informasi target yang ada dalam gambar dan dikomputasi menggunakan GPU lalu diidentifikasi dan dikirimkan dalam bentuk file.
7. Jelaskan metode yang digunakan
Pertama melakukan pemilihan model sebagai titik awal dalam melakukan perancangan lalu lintas jangka pendek. Dalam hal ini, model yang baik dapat menghasilkan output yang baik juga dengan biaya yang sedikit. Dalam pemilihan model ini menggunakan dua mekanisme yaitu berbasis statistik atau menggunakan machine learning dengan metode pembangunan model. Selanjutnya setelah melakukan penentuan model prediksi adalah memberikan pelatihan model. Pelatihan model ini terbagi menjadi dua, pelatihan online: dilakukan secara real time dan algoritme akan dilakukan perbaharuan setiap kali ada pembelajaran dari pelatihan dan pelatihan offline berdasarkan kumpulan data yang tercatat di history, atau bersifat statis, maka parameter akan melakukan pembaharuan setelah semua data telah dipelajari oleh sistem. Data-data tersebut akan mengalami ketergantungan hubungan intrinsik antar data yang diperoleh dari historis dan realtime. Selanjutnya maka akan melakukan overfitting atau memfokuskan kepada detail dan menghasilkan suatu model yang rumit. Dalam hal ini, adanya pembelajaran untuk bobor pembaharuan yang penting, sehingga tidak perlu menggunakan model yang besar dalam menerapkan model status ini. Lalu setelah pembangunan model selesai, melakukan evaluasi model dengan cara membandingkan kinerja model dengan prediksi yang sudah diterapkan. Dalam hal ini, prediksinya akan dipengaruhi beberapa faktor seperti model, kondisi saat melakukan eksperimen, keandalan sumber. Maka dari itu, perlu adanya penetapan level kualitas prediksi, yang biasa digunakan adalah empat matriks yaitu: Mean squared error (MSE), Mean absolute percentage error (MAPE), R-square (𝑅²), Root mean square error (RMSE). Setelah itu adalah menggunakan model statistik untuk bisa menentukan prediksi arus lalu lintas pada tahapan awal, dalam ha ini butuh adanya kemampuan analisis dan pengalaman implementasi yang baik sehingga dapat menghasilkan prediksi arus lalu lintas yang memiliki kinerja yang baik pada jalur lalu lintas yang baik pula. Lalu menggunakan pendekatan dengan machine learning untuk bisa menentukan prediksi penentuan desain yang baik sesuai dengan detail algoritma yang ada, dalam hal ini general taxonomy akan ditampilkan. Yaitu dengan menggunakan Algoritma K-NN untuk bisa menentukan peramalan arus lalu lintas, serta Support Vector Machine (SVM) untuk bisa menentukan klasifikasi non-linear yang menghitungkan data observasi yang disebut support vector. Selanjutnya menggunakan algoritma Regresi linear untuk bisa menentukan nilai prediksi yang berkelanjutan yang bisa digunakan pada prediksi arus lalu lintas. Lalu akan menggunakan Recurrent Neural Network untuk bisa mencari hubungan yang ada antara jaringan di lapisan yang sama, hal ini akan melakukan klasifikasi secara berulang dan merangkumnya menjadi sebuah klasifikasi baru pada waktu yang cepat juga, hal ini akan mencegah munculnya klasifikasi lama yang bisa menyebabkan kelambatan dalam menghasilkan sesuatu.
8. Sebutkan hasil yang diperoleh dalam penelitian ini
Pertama dalam fitur model statistikal modal dapat melihat perbandingan beberapa model dari aspek-aspek yang telah disepakati yaitu interpretability, musiman, perlengkapan himpunan data, kemampuan pengolahan data non-linear, multivariat, serta performa dalam jangka panjang. Selanjutnya munculnya perbandingan menggunakan metode statistik dengan aspek penilaian, ramalan titik, ramalan kondisi, tipe penggunaan, yang perlu diperhatikan serta apa yang perlu diperbaiki dari sistem kecerdasan transformasi ini. Dimana kategori yang dibandingkan adalah ARIMA, SARIMA, Varima, dan ES. Selanjutnya dalam machine learning adanya perbandingan model yang ada yaitu dari sisi pengelolaan data non-linear, pengelolaan dana tidak normal, kebutuhan memory, performa dari data set serta performa dari dataset untuk jangka pendek. Gimana untuk model yang dibandingkan yaitu K-NN, Regresi Linear, SVM, LSTM, dan GRU. Dari data-data tersebut muncul beberapa perbandingan data yang ada pada KNN, dimana model berdasarkan tahun 2016, 2015, dan 2014. Dengan perbandingan yang cukup berbeda pada improvement, yaitu perbandingan strategi yang ada pada masing-masing model. Dari masing masing perbandingan yang ada memiliki banyak pendekatan signifikan yang dapat digunakan lebih baik untuk penelitian selanjutnya.
9. Jelaskan beberapa masalah yang ditekankan dalam pembahasan
Masalah lalu lintas dengan menggunakan model ARIMA dibutuhkan parameter yang sesuai dengan status yang ada, dimana ARIMA menggunakan konsep durasi variable, sehingga butuh adanya kemampuan yang lebih kuat dalam mengatasi tantangan lalu lintas yang ada. Dalam hal ini, ARIMA bisa dikatakan lebih baik melakukan pergantian dibandingkan dengan membangun hubungan yang ada.
10. Berikan kesimpulan penting dari penelitian ini:
Dalam hal ini, tujuan dari sistem perkiraan lalu lintas dapat meningkatkan kinerja aplikasi ITS bisa dikatakan sesuai, selain itu dalam penelitian juga memperkenalkan prosedur dari prediksi yang bisa dilakukan serta konsep dasar dari arus lalu lintas tersebut. Lalu, kategori prediksi yang digunakan yaitu Statistik dan machine learning memiliki kelas yang berbeda. Dalam metode statistik menggunakan AR/MA dan machine learning yaitu pembelajaran yang bisa diawasi, dan tidak diawasi menggunakan beberapa algoritma yaotu K- NN, Regresi linier, SVM dan RNN. Dalam pengawasan subclass yang ada, dalam penelitian ini berfokus kan kepada pengelompokkan algoritma, serta memberikan arahan untuk masing-masing metode pendekatan yang baik.