Hasil Pencarian  ::  Simpan CSV :: Kembali

"Asian Games merupakan kompetisi olahraga bergengsi di tingkat internasional, mencakup seluruh wilayah Asia. Pada tahun 2018, Indonesia kembali mendapat kehormatan untuk menjadi tuan rumah. Keuntungan yang didapat dengan menyelenggarakan acara ini diperkirakan mencapai Rp 3.6 Triliun karena adanya surplus pendapatan serta efek limpahan dari kedatangan peserta, tamu, dan penonton dari banyak negara. Akan tetapi, kedatangan para tamu berdampak terhadap permintaan penggunaan jalan di Jakarta dan Palembang yang meningkat dari sebelumnya. Oleh karena itu, tulisan ini bertujuan untuk mengestimasi dampak dari pelaksanaan Asian Games 2018 terhadap tingkat kemacetan lalu-lintas yang berada di Jakarta dan Palembang.  Data yang digunakan untuk menganalisis dampak ini berasal dari Google Matrix API pada periode sebelum, saat dan sesudah Asian Games berlangsung. Hasil temuan menunjukkan bahwa secara rata-rata, Asian Games menurunkan tingkat kemacetan, namun dampak yang dihasilkan berbeda untuk setiap ruas jalan, venue, dan ring.

---

The Asian Games is a prestigious sports competition held at international level covering the entire Asian region. In 2018, Indonesia was again honored to be the host of such an event. The profits obtained by hosting this event are estimated to reach Rp. 3.6 Trillion from the surplus of income generated by the arrival of participants, guests, and spectators from many countries spending their money in Indonesia during the games. However, the arrival of guests increases the traffic use in Jakarta and Palembang. Therefore, this paper discusses the 2018 Asian Games traffic policy implementation to combat the level of traffic congestion in Jakarta and Palembang. The data used to analyze this impact comes from Google Matrix API in the period before, during and after the Asian Games. On average, traffic policy implementation during Asian Games reduce the level of congestion, but the results are different for each road, venue, and ring."

"Sistem lampu lalu lintas cerdas merupakan sistem yang dapat melakukan pengaturan lampu lalu lintas secara adaptif berdasarkan kondisi kepadatan lalu lintas. Salah satu cara untuk mendapatkan kondisi kepadatan lalu lintas adalah melakukan komputasi penghitungan jumlah kendaraan dari video CCTV yang terpasang pada persimpanan. Pada penelitian ini dilakukan paralelisasi program penghitungan jumlah kendaraan menggunakan modul Multiprocessing pada python untuk mendapatkan data penghitungan kendaraan dari setiap jalan di persimpangan. Selanjutnya utilisasi GPU dilakukan untuk mendapatkan data secara real time dari suatu komputasi berat video processing. Pada penelitian ini, utilisasi GPU dilakukan dengan menggunakan CUDA sebagai platform yang dapat menghubungkan program dengan GPU pada low-level. Pengelolaan utilisasi GPU pada high-level dilakukan menggunakan TensorFlow yang sudah terintegrasi dengan CUDA. Uji coba eksekusi program dilakukan untuk mendapatkan runtime terbaik dari eksekusi program. Komputasi secara paralel menghasilkan runtime eksekusi komputasi 1.6 kali lebih cepat jika dibandingkan dengan komputasi secara sekuensial. Pada tingkat utilisasi GPU yang lebih optimal, runtime eksekusi komputasi dapat ditingkatkan hingga 2 kali lebih cepat dari komputasi normal. Utilisasi GPU juga terbukti meningkatkan runtime eksekusi program karena komputasi utama video processing tidak lagi dijalankan menggunakan CPU. Hasil uji eksekusi komputasi digunakan untuk membuat visualisasi data penghitung jumlah kendaraan. Visualisasi ini dilakukan agar data yang penghitungan dapat diproses lebih lanjut untuk sistem pengatur lampu lalu lintas. Pada akhir penelitian dilakukan profiling performa GPU menggunakan Nvprof dan NVIDIA Visual Profiler sebagai tools yang disediakan oleh CUDA. Hasil profiling menunjukkan analisis yang menyatakan bahwa tingkat penggunaan GPU untuk komputasi masih belum secara maksimal dilakukan. Hal ini terbukti dari rendahnya angka compute utilization, average throughput dan kernel concurency dari eksekusi program. Sehingga diperlukan adanya optimisasi program penghitungan kendaraan agar utilisasi GPU lebih optimal.

---

Traffic light intelligence system is an adaptive system which able to control traffic flow on road intersection based on traffic condition. Traffic density information can be obtained from vehicle counting computation using deep learning methodology on CCTV record video data of a road intersection. This study performed parallelization of the vehicle counting computation using the Multiprocessing module in python to get the number of vehicles approaching the intersection. GPU Utilization is performed to obtain vehicle counting data in real time from a heavy computation like video-processing. GPU utilization is carried out using CUDA as a platform that can connect programs with GPUs at low-level architecture. GPU utilization management at high-level is done using TensorFlow which has been integrated with CUDA. Some experiments are performed to get the best runtime from program execution. Parallel computation produces runtime execution 0.6 times faster compared to sequential computation. On more GPU compute utilization optimization, parallel computation can produce runtime 2 times more compared to normal computation. GPU utilization has also been proven to increase the program execution runtime because the main computational video processing is no longer run on the CPU. The experiment result on vehicle detection used to create data visualization about vehicle counting on a road intersection. Data visualization is done so that the vehicle data can be further processed for the traffic light control system. At the end of the study GPU performance profiling was done using Nvprof and NVIDIA Visual Profiler as tools provided by CUDA. Profiling results show that analysis states that the level of GPU usage for computing is still not maximally done. This analysis is shown from the low number of compute utilization, average throughput and kernel concurrency of program execution. GPU utilization need to be optimized in order the program can run optimally on GPU."