Mahasiswa Program Doktor Teknik Sipil Unissula, Ir Darmadi MT MM mengikuti ujian terbuka doktor di Unissula, 20\/2\/2024).\u00a0 Menurutnya kemajuan teknologi Artificial Intelligence (AI) mendorong pekerjaan pengumpulan data lalu lintas lebih efisien. YOLO-v5 memberikan dukungan untuk penghitungan lalu lintas karena mempunyai kecepatan lebih baik dibanding model AI yang lain.<\/p>\n
Masih menurut Darmadi salah satu kelemahan YOLO adalah hanya\u00a0 mampu mendeteksi empat jenis kendaraan. Oleh karena itu menurutnya\u00a0 perlu dikembangkan kemampuan mendeteksi kendaraan lebih dari empat\u00a0 jenis motorcycle, car, bus, dan truck. Maka maka perlu dikembangkan perangkat lunak sehingga menjadi tujuh \u00a0jenis kendaraan yakni motor, mobil, city-car, bus kecil, bus besar, truk kecil, dan truk besar.<\/p>\n
Perhitungan kapasitas ruas jalan saat ini menggunakan teori Macroskopis , maka perlu ditinjau terhadap teori Mikroskopis dalam menghitung\u00a0 kapasitas dasar\u00a0 ruas jalan.<\/p>\n
Tujuan penelitiannya yakni mengidentifikasi jenis kendaraan dari Bina Marga dan dari YOLO-v5. Membuat\u00a0 perangkat lunak untuk menghitung otomatis dari data video yang direkam dari lapangan dengan tujuh jenis kendaraan. Mengembangkan car following model\u00a0 dengan menggunakan data kendaraan atau lalulintas di jalan tol\u00a0di sekitar Jakarta?. Menentukan rumus kapasitas jalan tol menggunakan\u00a0 Car Following model. Menghitung ITP jalan dengan kapasitas yang diperoleh dari Car Following model.<\/p>\n
Menurutnya teori Car Following dan banyaknya penelitian tentang Car Following telah dipelajari selama bertahun-tahun dan persamaan telah disempurnakan dari waktu ke waktu. Semua pengemudi mengikuti perilaku mengemudi yang sama dalam skenario yang berbeda. Semua model yang ada sejauh ini hanya menggunakan seperangkat variabel kinematik sederhana, seperti jarak dan kecepatan relatif, kecepatan sesaat, perilaku pengemudi, untuk menentukan perilaku pengikut.<\/p>\n
Sebenarnya ada banyak faktor lain selain kinematika dasar yang dapat mempengaruhi perilaku model Car Following. Faktor lain seperti tingkat kemacetan, kondisi geometris, jenis area, waktu dalam sehari atau minggu, berbagai karakteristik manusia (misalnya, jenis kelamin, usia, pendidikan), kondisi permukaan jalan, kepadatan lalu lintas, lokasi, jenis kendaraan dan karakteristik lingkungan (cuaca, hujan,angin).<\/p>\n
Darmadi menyimpulkan pembuatan perangkat lunak penghitung kendaraan sangat diperlukan dan mempercepat proses perhitungan dan mengurang sumberdaya manusia dlam pengumpulan data lalulintas di lapangan. Pengelompokan kendaraaan disesuaikan dengan klasifikasi kendaraan di Indonesia dan dalam penelitian ini hanya mengelompokkan menjadi tujuh jenis kendaraan dari sepuluh jenis kendaraan sesuai aturan yang dikeluarkan Dirjen Bina Marga Jakarta.<\/p>\n
Pembuatan\u00a0 model Car Following\u00a0 dilakukan menggunakan data hasil dari penghitungan menggunakan perangkat lunak penghitung kendaraan dan diperoleh hasil dengan fungsi V = 40,375 LN(Dmax\/D), dengan V adalah kecepatan dan D adalah kepatan kendaraan.<\/p>\n
Perumusan kapasitas jalan dengan dengan model Car Following diperoleh dengan mengalikan antara kecepatan (V) dan Kepadatan (D) sehingga arus lalulintas= q = D. 40.375 LN(Dmax\/D)\u00a0 dan kapasitas jalan = 2475\u00a0 smp\/jam.<\/p>\n
Darmadi berhasil lulus dalam ujian terbuka dan berhasil meraih gelar doktor. Ia memperoleh Indeks Prestasi Kumulatif 3,76 dan merupakan lulusan ke 24.<\/p>\n","protected":false},"excerpt":{"rendered":"