Analisis Real Relative Asymmetry pada Masalah Urban Transportation Network menggunakan Konsep Space Syntax, REDS, dan Machine Learning

Abstract

Penelitian ini membahas topik Real Relative Asymmetry (RRA) pada masalah urban transportation network menggunakan konsep space syntax, REDS, dan mmachine learning. Bebebrapa konsep tersebut digunakan untuk menganalisis tempat yang dianggap tepat dan strategis terkait pemberlakuan ETLE mobile. Space Syntax digunakan untuk menganalisis struktur urban transportation network yang mencakup peta jaringan jalan yang dimodelkan sebagai graf. Perhitungan space syntax bertujuan untuk mengetahui nilai Real Relative Asymmetry (RRA) yang terkecil. Nilai RRA tersebut dapat dihitung dengan 2 cara yaitu secara local dan global. Analisis Local RRA dilakukan berdasarkan peta jalan di suatu kota dengan menggunakan bantuan software ArcMap dan DepthmapX. Sedangkan analisis Global RRA dilakukan berdasarkan konfigurasi ruang. Titik dengan nilai RRA terkecil dianggap sebagai tempat yang tepat dan strategis untuk didirikan pos pantau lalu lintas. Resolving Efficient Dominating Set (REDS) adalah salah satu kajian dari teori graf yang merupakan gabungan dari konsep efficient dominating set dan metric dimension. Pada konsep REDS ini, jalan direpresentasikan sebagai titik, sedangkan hubungan jalan satu dengan jalan lainnya direpresentasikan sebagai sisi. Titik-titik pada himpunan dominasi merupakan beberapa jalan yang merupakan titik awal dimana ETLE mobile beroperasi. Sedangkan titik-titik yang didominasi merupakan beberapa jalan tertentu yang menjadi fokus pemantauan ETLE mobile untuk beroperasi. Representasi titik-titik tersebut akan digunakan sebagai kode dari pos pantau lalu lintas untuk mengirimkan data terkait pelanggaran tersebut ke Regional Traffic Management Center. Selanjutnya mengumpulkan data dari ETLE mobile yang beroperasi di setiap jalan. Data tersebut selanjutnya dianalisis menggunakan Google Collaboratory dengan teknik Graph Neural Network multi-step time series forecasting. Prose tersebut digunakan untuk menganalisis pelanggarn yang terjadi dalam beberapa waktu kedepan. Dari hasil penelitian tersebut diperoleh nilai local RRA terkecil adalah 2,363337 yaitu pada Jl. Laksamana Martadinata tepatnya di persimpangan antara Jl. Laksamana Martadinata, Jl. Pasar Besar, Jl. Gatot Subroto, dan Jl. Zaenal Zakse. Sedangkan nilai global RRA terkecil adalah 0,79 yang terletak di Jl. Laksamana Martadinata. Hal tersebut berarti bahwa pada jalan Laksamana Martadinata merupakan tempat yang paling tepat dan strategis untuk penempatan pos pantau lalu lintas. Dalam penelitian ini juga diperoleh enam teorema yaitu: a. Efficient Domination Number dari graf GA adalah γe(GA) = 5 b. Dimensi metrik dari graf GA adalah dim(GA) = 4 c. Resolving Efficient Domination Number dari graf GA adalah γre(GA) = 5. d. Efficient Domination Number dari graf Amal(GA,x,n), untuk setiap bilangan bulat n ≥ 2 adalah γe(Amal(GA,x,n)) = 4n +1 e. Dimensi metrik dari graf Amal(GA,x,n), untuk setiap bilangan bulat n ≥ 2 adalah dim(Amal(GA,x,n)) = 3n +1 f. Resolving Efficient Domination Number dari graf Amal(GA,x,n), untuk setiap bilangan bulat n ≥ 2 adalah γre(Amal(GA,x,n)) = 4n + 1. Berdasarkan teorema tersebut, didapatkan bahwa pada graf (GA terdapat 5 ETLE mobile yang beroperasi pada setiap jalan sesuai dengan titik yang telah didominasi oleh W. Simulasi Graph Neural Network (GNN) menggunakan Google Collaboratory diperoleh data hasil embedding yang selanjutnya disimulasikan menggunakan GNN multi-step time series forecasting. Penelitian ini menggunakan tiga fitur, yaitu pelanggaran rambu dan marka jalan, berkendara tidak menggunakan helm, dan berkendara tidak menggunakan sabuk pengaman. Pengamatan dilakukan selama 120 hari dengan 72 jam data training dan 48 jam data testing. Simulasi ini menggunakan tiga tahapan, yaitu training, testing, dan forecasting. Dari hasil simulasi diperoleh grafik multi-step time series forecasting terkait peramalan pelanggaran yang terjadi selama 12 jam ke depan