UJIAN TENGAH SEMESTER KAPITA SELEKTA

Adila Safitri
300003200410026

1. Apa yang telah diteliti?

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.