Analisis Resolving Efficient Dominating Set dan Skema Aplikasinya dalam Menyelesaikan Masalah Electronic Traffic Law Enforcement dengan Spatial Temporal Graph Neural Network

Abstract

Pada tahun 2021, Kepolisian Negara Republik Indonesia memberlakukan penilangan elektronik atau sistem Electronic Traffic Law Enforcement (ETLE) untuk mengefisiensikan pelaksanaan pengawasan lalu lintas. ETLE adalah sistem penegakan hukum di bidang lalu lintas yang berbasis teknologi informasi yang bertujuan untuk meningkatkan keamanan jalan. Pada sistem Electronic Traffic Law Enforcement dibutuhkan pusat kontrol lalu lintas dalam memantau pelanggaran. Peranan sentral ini bertanggung jawab untuk mengawasi pergerakan kendaraan dan mengidentifikasi pelanggaran atau perilaku tidak aman. Dalam penempatan operator Electronic Traffic Law Enforcement, lokasi serta biaya operasional akan menjadi strategis jika dibuat dalam jumlah minimum namun tetap dapat memantau serta menegakkan hukum lalu lintas di berbagai zona tertentu dengan efektif. Konsep resolving efficient dominating set diterapkan untuk mengidentifikasi lokasi-lokasi yang paling efisien dan strategis dimana pusat kontrol lalu lintas atau perangkat pengawasan harus ditempatkan untuk memantau dan mengontrol lalu lintas secara efisien. Dengan menggunakan algoritma resolving efficient dominating set, sistem ETLE dapat menentukan himpunan dominasi efisien yang meminimalkan jumlah perangkat pemantauan yang diperlukan untuk memantau seluruh jaringan lalu lintas dengan efektif. Maka, dibutuhkan suatu cara dalam menempatkan operator ETLE tersebut, salah satunya dengan menerapkan cabang ilmu dalam matematika yaitu teori graf. Pada penelitian ini, topik teori graf yang dipilih adalah resolving efficient dominating set. Resolving efficient dominaing set adalah jika setiap titik v ∈ V (G) − D didominasi oleh tepat satu titik di D dan tidak ada dua titik di D yang adjacent serta representasi titik v ∈ V (G) terhadap D tidak sama. vii DIGITAL REPOSITORY UNIVERSITAS JEMBER DIGITAL REPOSITORY UNIVERSITAS JEMBER Hasil utama dari penelitian yang akan dibahas terkait dengan resolving efficient domination number pada graf Sn⊙P2, Pn⊙P2, Cn⊙P2, dan Shack(G, ui , n) yaitu teorema. Terdapat beberapa teorema baru yang ditemukan secara eksperimental dalam penelitian ini. Metode yang digunakan dalam penelitian ini adalah metode deduktif aksiomatik, yaitu dengan menurunkan aksioma atau teorema yang telah ada. Dari hasil penelitian diperoleh tiga teorema diantaranya sebagai berikut. a. Jika graf Pn ⊙P2, merupakan graf operasi korona dengan n ≥ 2 , maka γre(Pn ⊙ P2) = n; b. Jika Sn merupakan graf bintang dengan n ≥ 2 dan P2 merupakan graf lintasan order 2, dimana A dan ui adalah titik pada graf Sn, maka γre(Sn ⊙ P2) = n + 1; c. Jika Cn merupakan graf cycle dengan n ≥ 2 dan P2 merupakan graf lintasan order 2, maka γre(Cn ⊙ P2) = n; d. Jika graf Shack(G, ui , n) merupakan graf operasi shackle dengan n ≥ 2, maka γre(Shack(G, ui , n)) = 2n + 1. Analisis resolving efficient dominating set pada masalah Electronic Traffic Law Enforcement bertujuan untuk meningkatkan efisiensi penegakan hukum lalu lintas elektronik. Dengan menggunakan GNN, kita dapat memanfaatkan informasi yang terkandung dalam graf peta jalan untuk memodelkan interaksi antara simpul-simpul tersebut dan mengidentifikasi pola-pola pelanggaran lalu lintas yang mungkin terjadi. Resolving Efficient Dominating Set akan diinterpretasikan sebagai pusat kontrol lalu lintas yang memantau pelanggaran lalu lintas pada zona tertentu. Data pelanggaran lalu lintas yang digunakan dalam penelitian ini memiliki 5 fitur yaitu mengemudi tanpa memakai helm, melanggar marka jalan, melawan arus lalu lintas, menerobos lampu merah, dan berkendara tanpa lampu utama. Penelitian ini menggunakan 8 titik jalan di kota Ponorogo dan dilakukan selama 60 hari. Data yang didapatkan merupakan data tanpa normalisasi yang selanjutnya data dinormalisasikan. Selanjutnya dilakukan simulasi untuk melatih, menguji dan meramalkan data anomali pelanggaran lalu lintas. Simulasi numerik Graph Neural Network menggunakan software Phyton. Akhir dari proses pelatihan (epoch 200), training loss mencapai 0.0232, menggambarkan bahwa model telah mencapai tingkat ketepatan yang tinggi dalam memprediksi dan menggeneralisasi pola-pola pelanggaran lalu lintas yang teramati. Output yang dihasilkan menunjukkan bahwa model akhir memiliki performa yang sangat baik dalam mengurangi kesalahan prediksi dan menghasilkan perkiraan yang mendekati data asli dengan ketepatan yang tinggi. Analisis menunjukkan bahwa model telah berhasil belajar dan mengembangkan kemampuannya dalam memahami serta merespons pelanggaran lalu lintas dengan sangat baik selama periode observasi.