Machine Translated by Google

Tersedia online di www.sciencedirect.com

Tersedia online di www.sciencedirect.com
Tersedia online di www.sciencedirect.com

ScienceDirect
Prosiding Ilmu Komputer 00 (2019) 000–000
Prosiding
Prosiding IlmuIlmu Komputer
Komputer 15700 (2019)375–381
(2019) 000–000 www.elsevier.com/locate/procedia
www.elsevier.com/locate/procedia

4th International Conference on Computer Science and Computational

Intelligence 2019 4th International Conference on Computer Science and
Computational Intelligence 2019 (ICCSCI), 12-13
September 2019 (ICCSCI), 12-13 September 2019 Kajian Sensitivitas Konsumsi
BahanMauritsiusc,
Strategi
Fergyanto
Mauritsiusc,
Tuga Bakar
Mengemudi
E.Fergyanto
Gunawana,ÿ,
untukNobumasa
Mengemudi
dengan
E. Gunawana,ÿ,
Benfano
Strategi
Sekishitad
A Kajian
Soewitob,
Micro
Benfano
Nobumasa
Sensitivitas
Simulation
Nico
Soewitob,
Suranthab,
Sekishitad
Konsumsi
by Micro
NicoJurusan
Simulation
BBM
Tuga
Suranthab,
terhadap
Teknik
Industri, Program Pascasarjana BINUS - Magister Teknik
Industri, Program
Universitas
Pascasarjana
Bina Nusantara,
BINUSJurusan
- Magister
Teknik
Teknik
Industri, Universitas Bina Nusantara, Jakarta, Indonesia 11480 Jakarta,
Indonesia 11480 bDepartemen Ilmu Komputer, Program Pascasarjana BINUS
- Magister Ilmu Komputer, Bina Nusantara
University, Jakarta, Indonesia 11480 bDepartemen Ilmu Komputer, Program
Pascasarjana BINUS - Magister Ilmu Komputer, Universitas Bina Nusantara,
Informasi Sistem Informasi, BINUS Jakarta,
ProgramProgram
Sistem Indonesia
Pascasarjana
Informasi, 11480
Pascasarjana
BINUS
Bina cDepartemen
Nusantara
- Magister Manajemen
cDepartemen
Sistem Informasi, Universitas Bina Nusantara, Jakarta, Indonesia 11480 University,
Jakarta, Indonesia 11480 dDepartemen Teknik Mesin, Universitas Teknologi
Toyohashi,
dDepartemen Teknik Mesin,
Aichi Toyohashi,
441-8580,
UniversitasJepang AichiToyohashi
Teknologi 441-8580, ,Jepang
Toyohashi,

Abstrak
Abstrak
Pemanasan global akibat emisi gas rumah kaca yang berlebihan merupakan masalah signifikan yang dihadapi oleh umat manusia,
dan
yangsecara
Karena
global.
termasuk kolektif,
suatu
dihadapi
Untuk alasan,
oleh
peleton
alasan mobil
umat
kendaraan,
itu, dan
baru-baru Pemanasan
ini,
manusia,
akhir-akhir
strategibanyak
dan
ini global
upaya
secara
mengemudi
banyak upaya akibat
telah
yang
telah emisi
dilakukan
kolektif, mobil
lebih dan
dilakukan
baik, gas
untuk
dan rumah
truk
untuk kaca yang
mengurangi
berkontribusi
peningkatan
mengurangi berlebihan
kontribusi
sekitar
efisiensi
emisi truk
20%
mesin.
dan merupakan
sekitar
terhadap
meningkatkan
emisi dan masalah
20%untuk
dari seluruh
seluruh gas
efisiensi signifikan
gas pemanasan
pemanasan
meningkatkan
bahan bakar, global.
efisiensi
bahan bakar, termasuk peleton kendaraan, strategi mengemudi yang lebih baik, dan peningkatan efisiensi mesin. Kajian ini bermaksud
untuk memberikan kajian yang lebih detail mengenai pengaruh strategi berkendara terhadap konsumsi bahan bakar. Untuk itu Kajian ini
bermaksud
dinamika untuk
bahan bakar, memberikan
kendaraan
dinamika kajian
dikuantifikasi
kendaraan yang menggunakan
dengan lebih dengan
dikuantifikasi detail mengenai pengaruh
menggunakan strategi
model car-following
model berkendara
berdasarkan
car-following terhadap
model
berdasarkan konsumsi
kecepatan
model bahan
optimal. Untukbakar.
kecepatan Untuk itu,
optimal.
keperluan
Konsumsi bahan bakar diperkirakan dari model regresi Ahn18. Hasilnya menunjukkan bahwa jarak pengereman sangat mempengaruhi
konsumsi bahan bakar yang diperkirakan dari model regresi Ahn18. Hasilnya menunjukkan bahwa jarak pengereman sangat mempengaruhi
konsumsi bahan bakar. konsumsi.
© 2019 Para Penulis. Diterbitkan oleh Elsevier
BV
BV © 2019
© 2019 Para
Para Penulis.
Penulis. Diterbitkan
Diterbitkan oleh
oleh Elsevier
Elsevier BV
(http://creativecommons.org/licenses/by-nc-nd/4.0/)
https://creativecommons.org/licenses/by-nc-nd/4.0/) IniIni
adalah
adalahartikel
artikel
akses
aksesterbuka
terbuka di di
bawah
bawahCClisensi
BY-NCCC-Lisensi
BY-NC-NDND
Ini adalah
Pernyataan
Sejawat:
Sejawat
2019. Ilmu
di artikel
Tinjauan
bawah akses
Komputer
Peer-review: terbuka
tanggung
sejawat
dan di bawah
Peer-review
Komputasi
dijawab
bawah komite lisensi
tanggung
Intelijen
di bawah
ilmiah CC
2019.
jawab BY-NC-ND
tanggung
Konferensi
komitejawab https://creativecommons.org/licenses/by-nc-nd/4.0/)
Internasional
ilmiah
komite
Konferensi
ilmiah
ke-4dari
Internasional
tentang
Konferensi
Ilmu Komputer
ke-4
Internasional
tentang
danKecerdasan
Pernyataan
ke-4 tentang
Komputasi
Tinjauan
Tinjauan

Ilmu Komputer dan Kecerdasan Komputasi 2019.

Kata kunci: Model Kecepatan Optimal; Simulasi Mikro; Model Mengikuti Mobil; Kata Kunci Efisiensi
Bahan Bakar : Model Kecepatan Optimal; Simulasi Mikro; Model Mengikuti Mobil; Efisiensi bahan bakar

1. Pendahuluan
1. Pendahuluan
Sejalan dengan protokol Kyoto yang ditandatangani oleh 84 negara pada 11 Desember 1997, pabrikan mobil
harus
kaca
Desember
bahan
depan,memproduksi
yangbakar
dan
memerlukan
1997, kendaraan
pengendalian
untuk
pabrikan
memenuhi
konsumsi
mobil
emisi Sejalan
harus dengan
undang-undang
bahan
gas memproduksi
rumah
bakar
kaca protokol
lebih
saat
1.sedikit Kyoto
kendaraan
emisi
ini dan
untuk
1.masayang
yang ditandatangani
memenuhi
depan,
membutuhkan
dan olehsedikit
undang-undang
pengendalian
lebih 84saat
negara
emisi pada
konsumsi
inigas
dan 11
rumah
masa

ÿ
Penulis yang sesuai. Tel.: +62-812-8360-5556 Penulis
korespondensi. Tel.: +62-812-8360-5556 Alamat email:
fgunawan@binus.edu Alamat email: fgunawan@binus.edu
1877-0509 © 2019 Para Penulis. Diterbitkan oleh Elsevier BV 1877-0509 © 2019 Para
NC-ND
Ini adalah
4.0/) https://creativecommons.org/licenses/by-nc-nd/
artikel akses terbuka di bawah lisensi CC BY-
Penulis. Diterbitkan oleh Elsevier BV 1877-0509 © 2019 Para Penulis. Diterbitkan oleh Elsevier BV
Ini adalah
Pernyataan
adalah artikel
artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/) Ini
tentang IlmuPeer-review:
akses
Komputerterbuka
Peer-review
dan di bawah
Tinjauan di
lisensi
bawah
sejawat CC
di tanggung
BY-NC-ND
bawah jawab
https://creativecommons.org/licenses/by-nc-nd/4.0/)
tanggung komite
jawab ilmiah
komiteKonferensi Internasional
ilmiah Konferensi ke-4 ke-4 tentang
Internasional Ilmu Komputer
dan Komputasi Pernyataan Peer-review: Tinjauan sejawat di bawah tanggung jawab komite ilmiah Konferensi Internasional ke-4 tentang
Ilmu Komputer
Intelijen 2019. dan Kecerdasan Komputasi 2019.
Kecerdasan Komputasi 2019.
10.1016/j.procs.2019.08.228
Machine Translated by Google

376 Fergyanto E. Gunawan et al. / Procedia Computer Science 157 (2019) 375–381
2 Fergyanto E. Gunawan et al. / Procedia Computer Science 00 (2019) 000–000

Tata nama

t Waktu variabel bebas dalam hitungan

detik. xn Posisi absolut kendaraan n di belakang kendaraan (n ÿ 1) dalam meter. xÿn

Kecepatan kendaraan n dalam meter-per-detik x¨n Akselerasi kendaraan n dalam meter-
per-detik2 V Fungsi kecepatan optimal bergantung pada jarak relatif dengan kendaraan
terdepan ÿxn an Sensitivitas pengemudi kendaraan n Keterlambatan pengemudi dalam detik td B Jarak pengereman
dalam meter C1 Konstanta panjang C2 A konstanta tak berdimensi D Panjang kendaraan efektif dalam meter

di Kecepatan yang diinginkan dalam meter per

detik f Konsumsi bahan bakar dalam galon per jam

Untuk transportasi darat, berbagai strategi hemat bahan bakar telah dipelajari. Strategi yang paling banyak dipelajari adalah dengan mengatur
kendaraan dalam jarak dekat atau peleton. Kemudian, pergerakan kendaraan dihubungkan dan dikoordinasikan dengan menggunakan teknologi
komunikasi nirkabel otomatis. Pengaturan pleton memiliki banyak manfaat: penghematan biaya, pengurangan emisi, peningkatan keselamatan lalu
lintas, pengurangan kemacetan lalu lintas, dan penggunaan kapasitas jalan yang lebih efisien2. Menurut Alam et al. kendaraan terdepan dalam
3
4 Lammert
peleton dapat mengkonsumsi ,lebih dkk. bakar
sedikit bahan , meningkatkan
sebesar enamefisiensi
persensecara
dan sepuluh
substansial.
persen untuk pengikutnya. Dengan demikian, peleton

Selain itu, peleton hemat bahan bakar dipelajari menggunakan pemrograman matematika yang dipecahkan oleh algoritma genetik5, , mereka
5
Particle Swarm Optimization6, dan Ant Colony Optimization7. Di Nourmohammadzadeh dan Hartmann efisiensi bahan bakar menemukan
meningkat agak linier dari sekitar 1,5% untuk sepuluh truk dalam satu peleton menjadi sekitar 5,0% untuk 50 truk.

Selain peleton kendaraan, strategi mengemudi khusus juga dapat meningkatkan konsumsi bahan bakar. Misalnya, 8 Han et al. menemukan
bahwa pengurangan energi 5% hingga 30% dapat dicapai dengan mengikuti lintasan kecepatan yang dioptimalkan di mana kendaraan
dikemudikan dengan kecepatan
chatting yang memiliki
kontrol mesin lebih rendah danpenghematan
potensi konstan, sehingga mengurangi hambatan aerodinamis. Referensi juga menemukan bahwa
energi.

1
Terakhir, konsumsi bahan bakar yang lebih baik juga dapat dicapai dengan meningkatkan efisiensi mesin. Fontana dan Galloni ditemukan

bahwa penggunaan timing katup variabel sederhana sudah cukup untuk mengurangi kehilangan pemompaan dan konsumsi bahan bakar.
Karya ini bermaksud untuk mempelajari konsumsi bahan bakar dalam interaksi paling langsung antara dua kendaraan di
peleton untuk meringankan kondisi mengemudi yang mengarah ke konsumsi bahan bakar yang tinggi.

2. Metode

Untuk memahami bagaimana strategi mengemudi memengaruhi konsumsi bahan bakar, kami membuat model dua kendaraan dengan karakteristik
dinamis yang mengikuti model mengikuti mobil. Kami menggunakan model untuk menyederhanakan masalah. Bahkan, analisis konsumsi bahan bakar
lebih terlihat ketika disajikan dengan model dua kendaraan.
9
Sedangkan untuk model car-following, kami mengadopsi Optimal Velocity Model atau OVM, yang diusulkan oleh Newell 10 et al. , Mencoba
jarak. Kendaraan (n ÿ 1) memimpin kendaraan n seperti yang digambarkan pada Gambar 1.
, 11 Hasebe dkk. . Untuk mengekspresikan dinamika pengaturan OVM, kami menganggap dua kendaraan bergerak dari jarak dekat

Menurut OVM, percepatan kendaraan n diatur oleh

x¨n = an [V (ÿxn) ÿ xÿn] (1)

Machine Translated by Google

Fergyanto E. Gunawan et al. / Procedia Computer Science 157 (2019) 375–381 377
Fergyanto E. Gunawan et al. / Procedia Computer Science 00 (2019) 000–000 3

Kendaraan (n) Jarak headway Kendaraan (n-1)

Gambar 1: Dua Kendaraan dalam Jarak Dekat untuk Memperoleh Model Kecepatan Optimal. Kendaraan Terkemuka memiliki indeks (n ÿ 1) dan Pengikutnya adalah
n.

di mana ¨xn adalah akselerasi waktu-variasi kendaraan n, an adalah koefisien sensitivitas pengemudi, V(ÿxn) adalah fungsi kecepatan
optimal yang bergantung pada jarak antara dua kendaraan atau xnÿ1 ÿ xn, dan ÿxn adalah kecepatan kendaraan n pada waktu t.

Ungkapan tersebut menunjukkan bahwa pengemudi kendaraan n menyesuaikan percepatannya tergantung pada jarak relatif dan
kecepatan dengan kendaraan (n ÿ 1), kendaraan terdepan.
Bando dkk. 12
mengusulkan revisi untuk Persamaan. (1) dengan memperhitungkan driver delay (td). Revisi menunjukkan bahwa
percepatan kendaraan n tidak bergantung pada jarak relatif pada waktu t tetapi pada waktu sebelumnya, t ÿ td.
Formula mereka ditulis:

x¨n + an xÿn = an V (ÿxn(t ÿ td)) . (2)

13 Gunawan data yang disajikan menunjukkan waktu reaksi untuk mengemudi adalah sekitar 1 detik. Sebagai perbandingan,
14 dkk.
waktu reaksi
Gunawan menemukan bahwa waktu reaksi pemilihan tombol pada mouse komputer adalah sekitar 0,4 detik. Nilai dari
mengemudi diterima secara luas.
10 ,
Menurut Bando dkk. fungsi kecepatan optimal harus meningkat secara monoton dan menyatu ke atas
melompat. Fungsi paling sederhana yang memenuhi kondisi tersebut adalah

V(ÿx) = tanh(ÿx ÿ 2) + tanh 2. (3)

Sedangkan proposal awal Newell adalah

(4)
V(ÿx) = v0 (1 ÿ exp [ÿÿx ÿ s0 ])v0T
,
Machine Translated by Google

378 Fergyanto E. Gunawan et al. / Procedia Computer Science 157 (2019) 375–381
4 Fergyanto E. Gunawan et al. / Procedia Computer Science 00 (2019) 000–000

dimana s0 adalah jarak kemacetan, T adalah waktu headway, dan v0 adalah kecepatan yang diinginkan. Untuk jalan raya Jepang, Koshi
15 et al.
diajukan:

V(ÿx) = 1,68 ÿ tanh [0,086(ÿx ÿ 25)] + 0,913. (5)

16
Akhirnya, Davis mengusulkan model umum fungsi kecepatan optimal dalam bentuk:

ÿx ÿ D
(6)
V(ÿx) = v0 [tanh ( B ÿ C1) + C2] ,

di mana D adalah panjang efektif kendaraan, B adalah jarak pengereman, C1 adalah konstanta panjang, dan C2 adalah konstanta tak
13 .
berdimensi. Jarak pengereman aman berkendara untuk berbagai kecepatan kendaraan dapat dilihat pada Tabel 2 Gunawan
Dengan Persamaan. (6), kendaraan pengikut condong bergerak dengan kecepatan v0 ÿ (1 + C2) saat tidak menemui halangan, mulai
mengerem saat jaraknya ke kendaraan terdepan adalah D + C1 ÿ B. Lebih mudah memahami arti dari v0, D, dan B ketika C1 dan C2
adalah nol.
Untuk mencapai tujuan penelitian, diperlukan dua model. Yang pertama adalah model dinamika kendaraan. Yang kedua adalah
model konsumsi bahan bakar. Di atas, kita telah membahas model pertama. Yang kedua, model konsumsi bahan bakar, dibahas berikut
ini.
17
Untuk konsumsi bahan bakar, banyak model yang telah diusulkan; lihat, misalnya, Ahn . Model bahan bakar
terbaik diberikan dalam Persamaan. (7) dimana f adalah tingkat konsumsi bahan bakar. Berdasarkan Prosedur Uji Federal (FTP), yang
17
digunakan oleh Badan Perlindungan Lingkungan (EPA), AhnNasional
menemukan Model pada
Oak Ridge (7) berkorelasi sangat baik
koefisien Pearson dengan data Laboratorium
0,995.
18

log f = ÿ0.679439000 + 0.135273000 ÿ a + 0.015946000 ÿ a2 ÿ 0.001189000 ÿ a3 +

0.029665000 ÿ v ÿ 0.000276000 ÿ v2 + 0.00000 ÿ v348

+ 0,004808000 ÿ A ÿ V - 0,000020535 ÿ A ÿ V2 + 5.5409285 x 10ÿ8 ÿ A ÿ V3 + 0.000083329 ÿ A2 ÿ V + 0.000000937

ÿ A2 ÿ V2 - 2.47964000 x 10ÿ8 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V2 ÿ V + V + 0.000000 ÿ V2 ÿ V + V + 0.000000 arik

ÿ 0,000061321 ÿ a3 ÿ v + 0,000000304 ÿ a3 ÿ v2 ÿ 4,467234000 x 10ÿ9 ÿ a3 ÿ v3 (7)

Pada Model (7), simbol f menunjukkan konsumsi bahan bakar dalam galon/jam, a adalah percepatan kendaraan dalam ft/s2, dan v
menunjukkan kecepatan kendaraan dalam ft/s. Untuk menggunakan model tersebut, kami menggunakan rumus konversi: 1 m/s2 =
3.2808399 ft/s2 untuk data percepatan, 1 m/s = 3.28084 ft/s untuk data kecepatan, dan 1 gallon/hour = 0.0010515 L/s untuk data tingkat
konsumsi bahan bakar.

3. Hasil

Kami memulai diskusi dengan kasus paling sederhana. Dua kendaraan ditempatkan pada ruas jalan yang lurus pada dua lokasi
berbeda yang dipisahkan oleh jarak 500 m. Kemudian, kendaraan pengikut, dari kondisi kecepatan nol awalnya, mempercepat mendekati
kendaraan terdepan untuk mengurangi jarak headway antara keduanya (lihat Gambar 1). Kendaraan terdepan dipasang di luar angkasa.
Selain itu, juga diasumsikan kendaraan pengikut bergerak sesuai dengan dinamika yang mengatur model kecepatan optimal seperti yang
dijelaskan pada Bagian 2 dengan nilai parameter OVM seperti yang disajikan pada Tabel 1. Dari simulasi, kami mengamati karakteristik
dinamika dan konsumsi bahan bakar kendaraan pengikut.

Dari model konsumsi bahan bakar seperti yang dijelaskan oleh Persamaan. (7), kami memahami bahwa konsumsi sangat bergantung
pada akselerasi dan kecepatan kendaraan. Dalam konteks model kecepatan optimal, karakteristik tersebut
Machine Translated by Google

Fergyanto E. Gunawan et al. / Procedia Computer Science 157 (2019) 375–381 379
Fergyanto E. Gunawan et al. / Procedia Computer Science 00 (2019) 000–000 5

Tabel 1: Pengaturan Parameter Model Kecepatan Optimal yang Digunakan dalam Studi Saat Ini.

Parameter Model Kecepatan Optimal Simbol Nilai

Kecepatan yang diinginkan (km/h) v0 *100

Panjang kendaraan efektif (m) D 5
Jarak pengereman (m) B 110, 125, 150
Konstanta panjang C1 00
Konstanta tanpa dimensi C2

*Setara dengan 27,778 m/dtk

istics dipengaruhi oleh parameter jarak pengereman. Oleh karena itu, kami mempelajari konsumsi bahan bakar untuk tiga nilai realistis jarak
pengereman pada kondisi tersebut. Kami mengatur parameter bervariasi sebagai 110 m, 125 m, dan 150 m. Kami mencatat bahwa 13 Gunawan
dilaporkan untuk kendaraan yang bergerak dengan kecepatan 100 km/jam, jarak pengereman yang aman adalah 110 m.

Kami mensimulasikan kejadian dan menghitung akselerasi, kecepatan, posisi, dan konsumsi bahan bakar kendaraan pengikut. Hasilnya
disajikan pada Gambar. 2.
Kami mengamati fenomena berikut dari kasus tersebut. Kendaraan pengikut tersebut mengalami percepatan yang sangat tinggi untuk mencapai
kecepatan yang diinginkan yaitu 100 km/jam atau sekitar 27.778 m/s. Perhitungan menunjukkan akselerasi mencapai nilai maksimum sekitar 30 m/
s2 untuk tiga kasus jarak pengereman.
Saat mencapai kecepatan yang diinginkan, kendaraan mempertahankan pergerakannya pada akselerasi hampir nol. Ketika jarak ke kendaraan
terdepan sedikit lebih jauh dari jarak pengereman, kendaraan pengikut mulai melambat hingga berhenti di belakang kendaraan terdepan di headway
5 m, panjang efektif kendaraan.
Secara umum, untuk ketiga nilai jarak pengereman, riwayat akselerasi, kecepatan, dan posisi hampir identik. Namun, variasi yang signifikan
diamati pada konsumsi bahan bakar. Intinya, konsumsi bahan bakar yang tinggi terjadi pada dua titik waktu. Titik pertama mendekati waktu start
dimana kendaraan hampir mencapai kecepatan yang diinginkan/maksimum dimana akselerasi kendaraan rendah. Jarak pengereman tidak
mempengaruhi konsumsi bahan bakar pada saat ini.

Sedangkan untuk poin kedua konsumsi bahan bakarnya tinggi, pada saat deselerasi, kendaraan dengan jarak pengereman terpendek, 110 m,
mengkonsumsi bahan bakar lebih banyak. Dalam hal laju konsumsi bahan bakar, pada saat 18 s, kendaraan dengan jarak pengereman 110 m
membutuhkan bahan bakar 13x lebih banyak daripada kendaraan dengan jarak pengereman 150 m, dan 4x lebih banyak dari jarak pengereman
125 m. -m jarak pengereman.
Jumlah bahan bakar yang digunakan kendaraan pengikut untuk menempuh jarak 500 m adalah 0,100 L, 0,066 L, dan 0,053 L masing-masing
untuk jarak pengereman 110 m, 125 m, dan 150 m. Dengan kata lain, kendaraan dengan jarak pengereman 110 m menggunakan bahan bakar 50%
lebih banyak daripada jarak pengereman 125 m dan bahan bakar 90% lebih banyak daripada jarak pengereman 150 m.
Jelas, perubahan kecil pada akselerasi kendaraan pada kecepatan tinggi mempengaruhi penggunaan bahan bakar secara signifikan.

4. Kesimpulan

Isu efisiensi penggunaan bahan bakar untuk transportasi menjadi isu besar saat ini mengingat ancaman pemanasan global. Setiap upaya untuk
meningkatkan efisiensi sangat mendesak dan krusial. Untuk kasus transportasi darat, banyak penelitian telah menunjukkan bahwa peningkatan
enam persen dapat dicapai dengan menyusun kendaraan dalam satu peleton. Namun, cara ini sangat berbahaya dan hanya berlaku jika kendaraan
yang terlibat secara otomatis terhubung dan terkoordinasi dengan teknologi komunikasi nirkabel. Pekerjaan ini telah menarik perhatian kami bahwa
efisiensi bahan bakar yang jauh lebih tinggi dapat dicapai dengan mengubah strategi berkendara.

Referensi

1. Fontana, G., Galloni, E.. Variable valve timing untuk peningkatan penghematan bahan bakar pada mesin dengan percikan api kecil. Energi Terapan 2009;
86(1):96–105.
2. Bhoopalam, AK, Agatz, N., Zuidwijk, R.. Perencanaan peleton truk: Tinjauan literatur dan arah untuk penelitian masa depan. Angkutan
penelitian bagian B: metodologis 2018;107:212–228.
Machine Translated by Google

380 6 Fergyanto
000375–381 E. Gunawan
Fergyanto et al. // Procedia
(2019)
E. Gunawan et al. Computer
Procedia Computer Science
Science 157
00 (2019) 000–

Gambar 2: Karakteristik dinamika—percepatan, kecepatan, dan posisi—dan konsumsi bahan bakar kendaraan yang berjalan menurut model kecepatan op timum.
Kendaraan mulai dari kecepatan awal dan lokasi nol, dan berhenti pada jarak 5 m di belakang kendaraan terdepan yang berhenti pada posisi 500 m. Kecepatan yang
diinginkan adalah 27,778 m/s (100 km/jam). Kasus yang dipelajari untuk tiga nilai jarak pengereman yaitu 110 m, 125 m, dan 150 m. Kedua kendaraan memiliki
panjang yang sama yaitu 5 m. Koefisien sensitivitas pengemudi diambil sebagai 1,0. Titik-titik menunjukkan titik-titik di mana konsumsi bahan bakar tinggi.

3. Alam, A., Besselink, B., Turri, V., Martensson, J., Johansson, KH. Peleton kendaraan tugas berat untuk transportasi barang yang berkelanjutan: Metode kooperatif
untuk meningkatkan keselamatan dan efisiensi. Majalah Sistem Kontrol IEEE 2015;35(6):34–56. doi:/bibinfo{doi}{10.1109/MCS. 2015.2471046}.

4. Lammert, MP, Duran, A., Diez, J., Burton, K., Nicholson, A.. Pengaruh peleton pada konsumsi bahan bakar kendaraan kelas 8 pada rentang
kecepatan, jarak berikut, dan massa. SAE International Journal of Commercial Vehicles 2014;7(2014-01-2438):626–639.
5. Nourmohammadzadeh, A., Hartmann, S.. Peleton hemat bahan bakar kendaraan tugas berat dengan pemrograman matematika dan genetik
algoritma. Dalam: Konferensi Internasional tentang Teori dan Praktek Komputasi Alam. Peloncat; 2016, hal. 46–57.
6. Nourmohammadzadeh, A., Hartmann, S.. Peleton truk hemat bahan bakar dengan batasan waktu dan berbagai kecepatan diselesaikan oleh segerombolan partikel
pengoptimalan. Dalam: Konferensi Internasional tentang Teori dan Praktek Komputasi Alam. Peloncat; 2018, hal. 188–200.
7. Nourmohammadzadeh, A., Hartmann, S.. Peleton truk hemat bahan bakar oleh meta-heuristik baru yang terinspirasi dari pengoptimalan koloni semut.
Komputasi Lunak 2019;23(5):1439–1452.
8. Han, J., Vahidi, A., Sciarretta, A.. Dasar-dasar penggerak hemat energi untuk mesin pembakaran dan kendaraan listrik: Perspektif kontrol yang optimal. Otomatis
2019;103:558–572.
9. Newell, GF. Efek nonlinier dalam dinamika mengikuti mobil. Riset operasi 1961;9:209.
10. Bando, M., Hasebe, K., Nakayama, A., Shibata, A., Sugiyama, Y.. Model dinamik kemacetan lalu lintas dan simulasi numerik.
Tinjauan Fisik E 1995;51:1035.
11. Hasebe, K., Nakayama, A., Sugiyama, Y.. Model dinamik sistem penggerak kooperatif untuk lalu lintas jalan bebas hambatan. Tinjauan fisik E 2003;
Machine Translated by Google

Fergyanto E. Gunawan et al. / Procedia Computer Science 157 (2019) 375–381 381
Fergyanto E. Gunawan et al. / Procedia Computer Science 00 (2019) 000–000 7

68:026102–1–026102–6.
12. Bando, M., Hasebe, K., Nakanishi, K., Nakayama, A.. Analisis model kecepatan optimal dengan delay eksplisit. Phys Rev E 1998;58(5):5429–
5435.doi:/bibinfo{doi}{10.1103/PhysRevE.58.5429}.
13. Gunawan, FE. Dinamika dua kendaraan dari model mobil berikut pada kondisi mengemudi yang realistis. Jurnal internasional sistem transportasi
dan teknologi informasi 2012;12(2):77–83. URL http://dx.doi.org/10.1016/S1570-6672(11)60194-3.
14. Gunawan, FE, Wanandi, K., Soewito, B., Candra, S., Sekishita, N.. Mendeteksi penurunan perhatian secara dini menggunakan sinyal EEG. Di:
2017 4th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI). 2017, hal. 1–6. doi:/bibinfo{doi}{10.1109/
EECSI.2017.8239175}.
15. Koshi, M., Iwasaki, M., Ohkura, I.. Beberapa temuan dan gambaran karakteristik aliran kendaraan. Dalam: et al., VFH, editor. Prosiding simposium
internasional ke-8 tentang teori lalu lintas transportasi. Universitas Toronto; 1983, hal. 403–426.
16. Davis, LC. Mengomentari "analisis model kecepatan optimal dengan delay eksplisit". Phys Rev E 2002;66(3):038101. doi:/bibinfo{doi}{10.
1103/PhysRevE.66.038101}.
17. Ahn, K.. Mikroskopis Konsumsi Bahan Bakar dan Pemodelan Emisi. tesis master; Teknik Sipil dan Lingkungan, Politeknik Virginia
Institut dan Universitas Negeri; 1998.
18. Barat, BH, McGill, RN, Hodgson, JW, Sluder, CS, Smith, DE. Pengembangan emisi modal tugas ringan dan bahan bakar berbasis data
model konsumsi. Transaksi SAE 1997;:1274–1280.