Available via license: CC BY-SA 4.0
Content may be subject to copyright.
JURNAL ELTEK
Vol. 23, No. 1, April 2025, hal. 32~45
p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
DOI: 10.33795/eltek.v23i1.6380 32
Laman utama jurnal: http://jurnal.polinema.ac.id/index.php/eltek/
Public
Prototipe lampu lalu lintas menggunakan PLC dan SCADA
berbasis computer vision dengan raspberry pi 4B
Anton Firmansyah1, Andri Suyadi2, Alif Akram Khalish3, Al-Farick Zulhanudin4, Syafrudin5
e-mail: 1anton_firmansyah@polsri.ac.id, 2andri_suyadi@polsri.ac.id, 3alifakramkhalish@gmail.com,
4alfarick54@gmail.com, 5rudi.kta14@gmail.com
1,2,3,4,5Jurusan Teknik Elektro, Politeknik Negeri Sriwijaya, Indonesia
Informasi Artikel
ABSTRAK
Riwayat Artikel
Diterima 13 Oktober 2024
Direvisi 7 April 2025
Diterbitkan 26 April 2025
Pertumbuhan populasi dan peningkatan jumlah kendaraan di wilayah
perkotaan telah menimbulkan tantangan serius dalam manajemen lalu lintas,
terutama di persimpangan yang sering mengalami kemacetan. Sistem lampu
lalu lintas konvensional yang tidak mampu merespons kondisi lalu lintas
secara real-time menyebabkan pengaturan durasi lampu yang tidak efisien,
memperburuk kemacetan, meningkatkan emisi karbon, serta menyebabkan
pemborosan bahan bakar. Seiring dengan perkembangan teknologi, machine
learning digunakan untuk mengoptimalkan pengaturan lalu lintas secara
adaptif. Dalam penelitian ini, dikembangkan sistem lampu lalu lintas cerdas
berbasis Programmable Logic Controller (PLC) yang dikombinasikan dengan
Raspberry Pi 4B sebagai pusat pemrosesan data. Sistem ini juga terintegrasi
dengan Smart Traffic Light, yang memungkinkan pengaturan durasi lampu
berdasarkan analisis data lalu lintas secara real-time. Selain itu, penerapan
Supervisory Control and Data Acquisition (SCADA) memungkinkan
pemantauan dan pengendalian sistem secara efisien melalui antarmuka
pengguna. Dengan memanfaatkan teknologi ini, sistem diharapkan dapat
meningkatkan efisiensi lalu lintas dan mengurangi kemacetan dengan
penyesuaian otomatis berbasis
data.
Kata kunci:
Machine learning
Programmable logic controller
(PLC)
Raspberry Pi 4B
Smart traffic light
Supervisory control data and
acquisition (SCADA)
ABSTRACT
Keywords:
Machine Learning
Programmable logic controller
(PLC)
Raspberry Pi 4B
Smart traffic light
Supervisory control data and
acquisition (SCADA)
The growth of population and the increasing number of vehicles in urban areas
have posed significant challenges in traffic management, especially at
intersections that frequently experience congestion. Conventional traffic light
systems that cannot respond to real-time traffic conditions result in inefficient
timing adjustments, exacerbating congestion, increasing carbon emissions,
and causing fuel wastage. With technological advancements, machine
learning is utilized to optimize traffic control adaptively. This study develops
an intelligent traffic light system based on a Programmable Logic Controller
(PLC), integrated with a Raspberry Pi 4B as the data processing center. The
system is also incorporated with Smart Traffic Light technology, enabling
adaptive light duration adjustments based on real-time traffic data analysis.
Additionally, the implementation of Supervisory Control and Data Acquisition
(SCADA) allows efficient system monitoring and control through a user
interface. By leveraging these technologies, the system is expected to enhance
traffic efficiency and reduce congestion through automated data-driven
adjustments.
Penulis Korespondensi:
Alif Akram Khalish,
Jurusan Teknik Elektro,
Politeknik Negeri Sriwijaya,
Jl. Sersan Aning gang Panus No. 39, RT.4/RW.7, Depok, Pancoran Mas, Jawa Barat, Id, 16436
Email:
alifakramkhalish@gmail.com
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 33
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
1. PENDAHULUAN
Pertumbuhan pesat populasi dan jumlah kendaraan di daerah perkotaan telah memicu tantangan besar
dalam manajemen lalu lintas, terutama pada persimpangan yang sering kali menjadi titik kemacetan.
Sebagaimana yang dijelaskan oleh Duyssembayeva dkk., peningkatan jumlah kendaraan menciptakan
perlambatan arus lalu lintas akibat keterbatasan sistem manajemen lalu lintas yang ada. [1] Sistem lampu lalu
lintas konvensional tidak mampu merespons kondisi lalu lintas secara real-time. Hal ini mengakibatkan
pengaturan durasi lampu yang tidak efisien, sehingga memperburuk kemacetan pada jam-jam sibuk seperti di
pagi hari ketika sebagian besar orang memulai aktivitas mereka atau di sore hari ketika orang pulang dari
pekerjaan mereka.
Saat ini, sebagian besar sistem lampu lalu lintas masih dianggap monoton karena menggunakan timer
statis dalam sebagai pengaturannya. Ketika volume kendaraan berubah atau kemacetan terjadi, sistem ini tidak
mampu menyesuaikan waktu dengan cepat, sehingga menyebabkan kendaraan berhenti lebih lama dari yang
diperlukan. Ketidakefisienan ini juga meningkatkan emisi karbon dan pemborosan bahan bakar akibat
kendaraan yang terlalu lama dalam kondisi idle. Oleh karena itu, untuk mengatasi permasalahan ini, perlu
ditingkatkan sistem manajemen lampu lalu lintas yang ada salah satunya dengan mengembangkan sistem waktu
lampu lalu lintas yang didasarkan pada jumlah kendaraan yang melewati persimpangan.
Sudah terdapat beberapa studi yang telah dilakukan untuk membahas sistem lampu lalu lintas. Yang
pertama adalah sistem lalu lintas yang mengatur durasi tiap lampu berdasarkan kepadatan kendaraan tiap
simpang menggunakan sensor inductive load [2]. Kekurangan dari sistem ini adalah instalasi loop induktif
memerlukan biaya dan waktu yang tinggi karena membutuhkan penggalian jalan. Selain itu, loop ini rentan
terhadap kerusakan akibat cuaca ekstrem dan pekerjaan jalan, yang meningkatkan biaya pemeliharaan. Loop
induktif juga mungkin tidak efektif mendeteksi kendaraan kecil dan dapat terganggu oleh gangguan
elektromagnetik, mengurangi akurasi deteksi. Sistem ini juga kurang adaptif terhadap perubahan pola lalu
lintas yang dinamis. Peneltian kedua adalah desain dan simulasi sistem lampu lalu lintas menggunakan proses
citra digital yang memanfaatkan software MATLAB. Hasil didapatkan dalam proses citra yang digunakan
sebagai referensi tingkat kepadatan jalan di sistem kontrol lampu lintas [3]. Studi lainnya membahas tentang
desain lampu lalu lintas pintar menggunakan PIR sensor dan Raspberry Pi. Penelitian ini berfokus pada desain
lampu lalu lintas menggunakan LED untuk menunjukkan waktu LED berjalan [4]. Sementara itu, studi lainnya
menggunakan beberapa sensor infra merah atau photoelectric dan PLC yang pembacaan sensornya
memeranguhi pengaturan LED [5].
PLC merupakan perangkat yang digunakan untuk mengotomatisasi proses kontrol. Dalam konteks
lampu lalu lintas, PLC dapat diprogram untuk mengatur durasi lampu hijau, kuning, dan merah berdasarkan
data yang diterima dari sensor lalu lintas. PLC menawarkan keandalan dan fleksibilitas yang tinggi dalam
pengaturan logika kontrol [6].
Integrasi antara PLC dan sensor memungkinkan sistem lampu lalu lintas beroperasi secara adaptif.
Misalnya, jika sensor mendeteksi antrean kendaraan yang panjang, PLC dapat memperpanjang durasi lampu
hijau untuk mengurangi kemacetan. Sistem ini juga dapat diintegrasikan dengan jaringan komunikasi untuk
berbagi data dengan pusat kendali lalu lintas. Beberapa studi kasus telah menunjukkan keberhasilan penerapan
sistem ini dalam mengurangi waktu tunggu kendaraan dan meningkatkan efisiensi lalu lintas, terlebih
menggunakan PLC industri [7].
Sistem lampu lalu lintas konvensional umumnya beroperasi dengan waktu yang telah ditentukan
sebelumnya (fixed-time) [8]. Sistem ini menggunakan timer untuk mengubah sinyal pada interval yang telah
ditetapkan, tanpa mempertimbangkan pergerakan lalu lintas aktual. Meskipun biaya awal dan pemeliharaannya
relatif rendah, sistem fixed-time dapat menyebabkan penundaan yang tidak perlu ketika tidak ada lalu lintas di
salah satu jalur. Sistem lain yang disebut actuated menggunakan sensor seperti inductive loop, plat tekanan,
atau sensor video untuk mendeteksi keberadaan kendaraan dan menyesuaikan waktu sinyal berdasarkan
pergerakan lalu lintas. Sistem ini lebih responsif terhadap perubahan kondisi lalu lintas tetapi memiliki biaya
awal dan pemeliharaan yang lebih tinggi. Beberapa penelitian juga mengeksplorasi penggunaan Raspberry Pi
dan computer vision untuk analisis lalu lintas real-time, dengan kamera yang menangkap gambar untuk
menghitung kendaraan dan menyesuaikan waktu lampu [9]. Selain itu, integrasi Programmable Logic
Controller (PLC) dan Supervisory Control and Data Acquisition (SCADA) juga diteliti untuk kontrol yang
lebih andal dan pemantauan sistem [10]. PLC sering digunakan untuk kontrol langsung lampu lalu lintas karena
keandalannya, sementara SCADA menyediakan antarmuka untuk pemantauan, kontrol manual, dan akuisisi
data untuk memungkinkan pengawasan dan pemantauan proses fisik, baik secara lokal maupun jarak jauh [11].
Berdasarkan penjelasan di atas, terlihat bahwa kebanyakan studi menggunakan sensor untuk
mendeteksi jumlah kendaraan. Oleh karena itu, dengan kemajuan teknologi seperti Programmable Logic
Controller (PLC) dan Supervisory Control and Data Acquisition (SCADA) menawarkan solusi yang lebih
adaptif dan responsif terhadap perubahan arus lalu lintas. PLC memungkinkan logika kontrol yang lebih
canggih dan reliable, sedangkan SCADA memungkinkan pemantauan dan pengendalian dari jarak jauh,
34 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
memberikan fleksibilitas yang lebih besar dalam manajemen lalu lintas. Selain itu, integrasi computer vision
memungkinkan sistem ini untuk mengumpulkan data visual dari kondisi lalu lintas dan menyesuaikan durasi
lampu lalu lintas secara real-time, sesuai dengan data yang diterima. Sistem ini memanfaatkan kamera untuk
menangkap kondisi lalu lintas dan Raspberry Pi sebagai pusat pemrosesan untuk mengimplementasikan
algoritma computer vision dalam mendeteksi dan menghitung kendaraan. Informasi ini kemudian digunakan
untuk menyesuaikan waktu lampu lalu lintas secara dinamis dengan mengirim data jumlah kendaraan PLC
yang kemudian PLC mengatur lampu lalu lintas secara dinamis berdasarkan tipe kepadatan.
Dalam penelitian ini, model Single Shot MultiBox Detector (SSD) [12] digunakan untuk mendeteksi
dan menghitung jumlah kendaraan secara real-time dari data visual yang ditangkap oleh kamera. Model SSD
dipilih karena kemampuannya dalam melakukan deteksi objek dalam satu tahap, sehingga lebih cepat
dibandingkan metode deteksi dua tahap. Tujuan utama penggunaan model SSD adalah untuk memberikan
informasi yang akurat dan cepat mengenai kepadatan lalu lintas kepada sistem PLC. SSD bekerja dengan
menggunakan jaringan saraf konvolusional (CNN) untuk mengekstrak fitur dari gambar input, kemudian
menggunakan serangkaian kotak pembatas default (anchor boxes) untuk memprediksi kotak pembatas objek
dan label kelasnya. Teknik multi-scale feature maps dan hard negative mining yang digunakan oleh SSD
memungkinkan deteksi objek dengan ukuran yang berbeda-beda dan peningkatan akurasi deteksi.
Penelitian ini berfokus pada pengembangan sistem lampu lalu lintas cerdas berbasis PLC dan
SCADA, yang juga memanfaatkan teknologi computer vision untuk mengidentifikasi pola lalu lintas secara
visual dan menggunakan Raspberry Pi 4B sebagai pusat komputasi yang memproses data dari kamera. Inovasi
ini bertujuan untuk menghasilkan keputusan yang lebih akurat dan responsif dalam mengatur lampu lalu lintas,
sehingga diharapkan mampu mengurangi kemacetan dan meningkatkan efisiensi pengaturan lalu lintas.
Meskipun penelitian yang ada telah mengeksplorasi sistem lampu lalu lintas cerdas menggunakan Raspberry
Pi dan computer vision [13], integrasi teknologi-teknologi ini dengan kemampuan kontrol yang kuat dari PLC
dan fitur pemantauan yang komprehensif dari SCADA masih merupakan area yang kurang dieksplorasi.
Penelitian tentang PLC dan SCADA dalam konteks kontrol lalu lintas seringkali menggunakan jenis sensor
lain seperti inductive loop atau RFID [3].
Kebaruan penelitian ini terletak pada integrasi machine learning dan computer vision dengan sistem
berbasis PLC dan SCADA. Hal ini bertujuan untuk mengisi gap penelitian dengan menggabungkan keunggulan
deteksi visual real-time dari computer vision yang didukung oleh Raspberry Pi 4B dengan keandalan kontrol
industri dari PLC dan kemampuan pemantauan serta supervisi dari SCADA. Pada studi ini, terdapat 2 kondisi,
yaitu padat dan sepi. Padat merupakan kondisi dimana terdapat lebih dari 3 kendaraan di persimpangan dan
sepi merupakan kondisi terdapat kurang dari 3 mobil di persimpangan. Integrasi ini diharapkan tidak hanya
membuat sistem lebih responsif terhadap perubahan kondisi lalu lintas secara visual, tetapi juga memberikan
platform yang kuat dan terpercaya untuk implementasi sistem lampu lalu lintas cerdas di persimpangan jalan.
Dengan demikian, penelitian ini berupaya untuk mengatasi kebutuhan akan sistem lampu lalu lintas cerdas
yang tidak hanya adaptif tetapi juga andal dan mudah dipantau, yang sangat penting untuk manajemen lalu
lintas yang efektif di daerah perkotaan.
2. METODE PENELITIAN
Penelitian ini dilakukan dengan metode kuantitatif, dimana dataset didapatkan dengan memfoto setiap
mobil dan data lalu lintas diukur secara real-time menggunakan kamera dan perangkat keras yang dirancang.
Sistem Traffic Light ini diuji dalam bentuk prototipe skala kecil, dimana mobil di jalan raya disimulasikan
menggunakan mobil mainan untuk memvalidasi kinerja sistem. Dengan pengambilan dataset secara manual,
simulasi Traffic Light dalam bentuk prototipe, objek mobil sebagai mobil mainan, dapat dilakukan
pengembangan model SSD mobileNet V2 menggunakan Raspberry Pi 4B, pengontrolan lampu lalu lintas
menggunakan PLC Omron CP1-E N40, dan pemonitoringan lalu lintas secara realtime menggunakan SCADA
CX-Supervisor. Proses tersebut akan menghasilkan simulasi sistem Smart Traffic Light yang dapat mengatur
kerja waktu lampu lalu lintas berdasarkan jumlah kendaraan yang ada di jalan.
2.1 Diagram Blok
Blok diagram dari Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer
Vision dengan Raspberry Pi 4B diperlihatkan pada Gambar 1. PLC Omron CP1E-N40DR berfungsi sebagai
slave dalam sistem ini, yang dikendalikan oleh dua master utama, yaitu Supervisory Control anda Data
Acquisition (SCADA) dan Raspberry Pi 4B. Tugas utama PLC adalah mengontrol pengaturan lampu lalu lintas,
mengaktifkan dan menonaktifkan sinyal lampu hijau, kuning, dan merah berdasarkan data yang diterima dari
Raspberry Pi 4B. Sistem ini menggunakan protokol komunikasi Modbus RTU melalui koneksi Serial RS232
to USB untuk pertukaran data antara PLC dan Raspberry Pi 4B.
Sistem SCADA yang dioperasikan melalui CX Supervisor bertindak sebagai master untuk
memonitoring dan mengendalikan PLC. SCADA memfasilitasi pemantauan secara real-time terhadap kondisi
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 35
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
lampu lalu lintas di persimpangan, serta memberikan kemampuan kontrol manual jika diperlukan oleh operator.
Komunikasi antara SCADA dan PLC dilakukan melalui kabel periferal, memungkinkan SCADA mengakses
status sistem dan mengubah pengaturan lampu lalu lintas sesuai kebutuhan.
Gambar 1. Diagram Blok Smart Traffic Light
Raspberry Pi 4B bertindak sebagai master kedua, yang bertanggung jawab untuk pengolahan gambar
dari dua kamera yang dipasang di simpang Timur dan Selatan. Kamera ini berfungsi untuk menangkap kondisi
lalu lintas secara real-time protipe lalu lintas, dan mendeteksi objek kendaraan menggunakan algoritma SSD
MobileNet V2. Algoritma ini mendeteksi jumlah kendaraan pada setiap frame gambar yang diambil oleh
kamera, dan data tersebut kemudian dianalisis oleh Raspberry Pi. Hasil analisis dikirimkan ke PLC melalui
komunikasi Modbus RTU.
Hasil deteksi kendaraan oleh Raspberry Pi 4B ditampilkan melalui web server sebagai bagian dari
sistem pemantauan. Tampilan ini memungkinkan operator untuk melihat kondisi lalu lintas secara visual dan
memastikan bahwa sistem bekerja sesuai dengan data real-time dari kamera. Implementasi web server ini juga
mendukung pengambilan keputusan yang lebih cepat dan efisien dalam situasi kritis, seperti ketika terjadi
penumpukan kendaraan di salah satu jalur.
2.2 Perancangan Mekanik
Hasil desain 3D dan hasil prototipe diperlihatkan pada Gambar 2.
(a) Desain 3D Prototipe Smart Traffic Light (b) Protipe Smart Traffic Light
Gambar 2. Hasil Perancangan Mekanik
2.3 Perancangan Elektrikal
Diagram pengkabelan mencakup skema koneksi untuk sistem PLC Omron CP1E-N40SDR-A. Skema
ini mencakup komponen input Programmable Logic Controller (PLC) yang mengontrol fungsi lampu smart
traffic light serta komponen output PLC yang diatur oleh input dari perangkat PLC.
Gambar 3. meliputi jalur pengkabelan Power Supply DC 24B, Mini Fan, Miniature Circuit Breaker
(MCB), dan input dan output yang terhubung ke PLC.
36 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
Gambar 3. Skematik PLC pada Lampu Lalu Lintas
2.4 Proses Penerapan dan Pengembangan Model SSD MobileNet V2
Pengembangan Model SSD MobileNet V2 harus melalui tahapan-tahapan tertentu terlebih dahulu.
Tahapan tersebut digambarkan dalam diagram alir pada Gambar 4.
Gambar 4. Diagram Alir Penerapan dan Pengembangan Model SSD MobileNetV2
2.4.1 Pengambilan Data
Pengambilan data dilakukan secara mandiri sesuai dengan objek yang akan dideteksi, yaitu mobil
mainan. Pengambilan foto untuk dataset akan sangat berpengaruh dalam akurasi dan performa model saat
dijalankan nanti. Oleh karena itu, pengambilan foto dataset dilakukan sama seperti pengambilan frame pada
kamera di traffic light.
Porsi pengambilan gambar diawali dengan 1 mobil dengan 7 kondisi, yaitu kondisi lampu merah,
lampu kuning, lampu hijau, minim cahaya, cahaya normal, diperbesar, dan tidak seluruh bagian mobil tampil.
Masing-masing kondisi tersebut difoto sebanyak 20 kali. Selain itu terdapat 6 jenis motif mobil. Berikut
merupakan Tabel pengambilan dataset.
Tabel 1. Jumlah Foto terhadap kendaaran Mobil
Mobil Jumlah Foto
0 50
1 840
2 140
3
140
4 554
Pengambilan foto terbanyak ada saat jumlah mobil 1 dikarenakan model harus mempelajari motif dan
kondisi tiap mobil. Jumlah terbanyak kedua adalah saat jumlah mobil 4 karena model harus mempelajari
gambar saat mobil dalam kondisi berhimpitan. Foto dengan kondisi tanpa mobil juga diberikan agar model
mempelajari bahwa gambar tersebut merupakan kondisi tanpa mobil atau hanya gambar latar belakang saja.
Gambar 6 merupakan contoh hasil pengambilan foto secara mandiri dengan menyesuiakan sudut
kamera seperti sudut kamera yang dipasang pada tiang lalu lintas.
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 37
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
Gambar 5. Contoh Dataset
Pengambilan foto dataset juga dilakukan berdasarkan kondisi pencahayaan seperti saat kondisi lampu
merah, kuning, hijau, dan keadaan diperbesar.
2.4.2 Anotasi Data
Pada proses penganotasian data, semua foto yang sudah diambil harus dikumpulkan dan dianotasi
menggunakan Roboflow.
Gambar 6. Contoh Anotasi Data
Bounding boxes digambar pada tiap mobil di dalam suatu foto. Bounding Boxes dibuat seketat
mungkin dengan objek agar ground truth sesuai dengan objek atau pembuatan kotak nanti sesuai dengan posisi
objek saat model dijalankan.
2.4.3 Preprocessing Data
Tahap preprocessing atau prapemrosesan dilakukan agar performa model meningkat dan
mempersingkat waktu pelatihan model SSD MobileNetV2. Semua dataset diubah ukurannya menjadi
640x480.
2.4.4 Augmenting Data
Augmentasi data merupakan teknik penting dalam proses pelatihan model, terutama dalam konteks
deep learning. Teknik ini digunakan untuk meningkatkan variasi data pelatihan dengan menghasilkan gambar-
gambar baru yang berasal dari gambar asli. Dalam proyek ini, augmentasi data diterapkan untuk memperkaya
dataset mobil mainan dan meningkatkan kemampuan generalisasi model SSD MobileNet V2.
Pada tahap ini, penambahan foto baru dari foto yang telah ada dengan membalikkan arah foto,
merubah kecerahan, saturasi, dan tingkat blur foto yang telah ada, kemudian mengubahnya ke file yang baru.
(a)
4 Buah Mobil saat Lampu Merah
(b)
4 Buah mobil saat Lampu Kuning
(c)
4 Buah Mobil saat Lampu
Hijau
(
d
)
4 Buah mobil saat
Kondisi Diperbesar
38 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
Setelah melakukan augmentasi, total dataset yang didapatkan adalah 4480 foto. Dengan 4134 foto latihan, 296
foto validasi, dan 49 foto tes.
2.4.5 Konversi Format Dataset
Terdapat 2 format dataset yang harus didapatkan dari hasil keseluruhan raw photo, yaitu format
tfrecord dan format Pascarl VOC. Dalam proses konversi dataset untuk deteksi objek, format Pascal VOC dan
TFRecord memainkan peran yang berbeda. Pascal VOC adalah format anotasi yang menggunakan file XML
untuk menyimpan informasi kotak pembatas dan label kelas objek dalam gambar. Tujuannya adalah untuk
menyediakan format standar yang mudah dibaca dan digunakan untuk menganotasi dataset. Di sisi lain,
TFRecord adalah format penyimpanan biner yang dioptimalkan untuk TensorFlow. Tujuannya adalah untuk
menyimpan data secara efisien, terutama untuk kumpulan data besar, dan mempercepat proses pelatihan model.
Biasanya, dataset yang dianotasi dalam format Pascal VOC akan dikonversi ke format TFRecord untuk
digunakan dalam pelatihan model TensorFlow. Konversi ini memungkinkan pemrosesan data yang lebih cepat
dan efisien.
2.4.6 Training Model SSD MobileNet V2
Dalam proses pelatihan model ini, penulis menggunakan model SSD MobileNetV2 dari tensorflow
open source. Bobot data awal yang digunakan bukan data random, tetapi data pre-trained weights yang telah
dilatih sebelumnya pada arsitektur SSD MobileNetV2 untuk suatu dataset. Untuk melakukan pendeteksian dan
pengklasifikasian pada suatu dataset baru, diperlukan proses pletihan dataset yang akan digunakan sehingga
mendapatkan bobot baru yang sesuai dengan dataset yang dimiliki. Pelatihan dataset baru dengan
menggunakan bobot awal pre-trained weights membuat proses pelatihan berjalan cepat.
2.5 Protokol Komunikasi PLC dan Raspberry Pi 4B
PLC dapat mengirim dan menerima data dari PC (Personal Computer), laptop, atau Rapberry Pi
dengan komunikasi hostlink, biasanya PLC menerima perintah untuk menulis atau membaca alamat di
dalamnya. Terdapat aturan-aturan tersendiri dalam penulisan dan pembacaan data dari PLC OMRON CP1E-
N40. Aturan-Aturan tersebut diatur dengan format command block dan response block atau biasa dikenal
dengan C-Mode Command. Command block merupakan keadaan ketika PC menjadi host dan mengirimkan
data ke PLC Format dari command block dan response block.
2.6 Prinsip Kerja Sistem Traffic Light
Sistem Smart Traffic Light yang dikembangkan dalam penelitian ini mengintegrasikan algoritma
Single Shot Detector (SSD) dan SCADA (CX-Supervisor) pada lampu lalu lintas yang dikendalikan oleh PLC
(Programmable Logic Controller). Implementasi sistem ini difokuskan pada simulasi lalu lintas di
persimpangan Rajawali. Dalam sistem ini, dua kamera dipasang pada jalur-jalur prioritas, yaitu jalur Timur-
Selatan dan Selatan-Barat. Fungsi dari kamera ini adalah mendeteksi kepadatan lalu lintas di setiap jalur dan
mengirimkan data jumlah kendaraan ke PLC melalui komunikasi serial RS232. Hasil deteksi jumlah kendaraan
ini ditampilkan secara real-time pada sistem monitoring yang terhubung dengan laptop melalui tampilan video
langsung. Terdapat Timing Diagram Lampu Lalu dalam keadaan normal pada Gambar 8.
Gambar 7. Timing Diagram
Sistem Smart Traffic Light ini menerapkan dua mode prioritas, yaitu:
a. Prioritas 1: Jalur Timur-Selatan
b. Prioritas 2: Jalur Selatan-Barat
Pengoperasian kedua prioritas ini tidak dapat dilakukan secara bersamaan karena sistem hanya
menggunakan dua kamera. Oleh karena itu, mode prioritas hanya bisa diaktifkan secara bergantian. Mode
prioritas pertama (Timur-Selatan) diaktifkan terlebih dahulu, di mana jalur Timur akan mendapatkan lampu
hijau lebih lama ketika terdeteksi jumlah kendaraan melebihi 3 unit (padat), sementara jalur Selatan, yang lebih
sepi (0-3 kendaraan), tetap pada kondisi lampu merah lebih lama. Setelah mode Timur-Selatan selesai, mode
Prioritas 2 (Selatan-Barat) diaktifkan. Pada mode ini, jika jalur Selatan terdeteksi padat (lebih dari 3
kendaraan), durasi lampu hijau dipercepat, sementara jalur Barat yang juga padat akan memiliki lampu merah
yang dipercepat.
Merah
Kuning 3s 3s
Hijau
Merah
Kuning 3s 3s
Hijau
Merah
Kuning 3s 3s
Hijau
Merah
Kuning 3s 3s
Hijau
Utara
54s
Delay
3s
Delay
3s
Delay
3s
54s
10s
Timur
Selatan
Barat
54s
10s
10s
Delay
3s
10s
54s
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 39
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
Tabel 2. Kondisi Jumlah Kendaraan Terhadap Lampu Lalu lintas
Prioritas 1
No
Timur (Hijau)
Selatan
(Merah)
Hasil
1
Sepi
Sepi
Normal
2
Padat
Sepi
Hijau (T) diperlama dan Merah (S) diperlama
3
Padat
Padat
Normal
Prioritas 2
No
Timur (Hijau)
Selatan (Merah)
Hasil
1
Sepi
Sepi
Normal
2
Sepi
Padat
Hijau (S) dipercepat dan Merah (B) dipercepat
3
Padat
Padat
Normal
Tabel 2. menggambarkan hasil perbandingan kondisi kendaraan di jalur prioritas dengan durasi lampu
lalu lintas. Hasil ini menunjukkan bahwa pada situasi dengan kepadatan yang berbeda, sistem akan
memperpanjang atau mempercepat durasi lampu lalu lintas untuk memaksimalkan kelancaran arus lalu lintas.
Kondisi Operasional Berdasarkan Jumlah Kendaraan
a. Padat: Jumlah kendaraan > 3
b. Sepi: Jumlah kendaraan 0 - 3
Pada kasus ini, sistem mendeteksi kondisi kepadatan lalu lintas menggunakan kamera dan
mengirimkan data tersebut secara real-time ke PLC untuk menentukan prioritas lampu lalu lintas. Dikarenakan
simulasi ini dilakukan dalam kondisi alat yang terbatas, definisi padat dan sepi disederhanakan seperti yang
telah dijelaskan di atas.
3. HASIL DAN PEMBAHASAN
3.1. Pengujian Hasil Deteksi Pada Tiap Kamera Secara Realtime
3.1.1 Pengujian Secara Real-time pada Traffic Light Prioritas 1 (Timur-Selatan)
Pada pengujian ini, penempatan mobil hanya akan dikondisikan timur 3 dan selatan 3. Kondisi tersebut
sudah memenuhi syarat kondisi sepi dan padat.
Gambar 8. Keadaan 3 Mobil
Gambar 9 menunjukkan hasil deteksi mobil mainan menggunakan model SSD MobileNet V2 pada
prototipe lampu lalu lintas yang dikontrol oleh PLC. Pengujian dilakukan secara real-time di dua simpang
berbeda: simpang selatan dan simpang timur. Hasil deteksi ini divisualisasikan dengan kotak pembatas
(bounding box) yang menandai posisi mobil mainan yang terdeteksi serta persentase confidence level yang
menunjukkan tingkat keyakinan model terhadap deteksi tersebut.
Tabel 3. PLC Menerima Data Jumlah Kendaraan
Address
Data Type / Format
Value
Value (Binary)
Comment
D42
CHANNEL (Hex, Channel)
0000 Hex
0000 0000 0000 0000
Selatan
D43
CHANNEL (Hex, Channel)
0000 Hex
0000 0000 0000 0000
Barat
Data jumlah kendaraan pada tiap simpang tersebut kemudian dikirim ke PLC Omron CP1-E N40
melalui komunikasi serial RS232. Data jumlah kendaraan pada simpang selatan dikirim ke memori D42 dan
pada simpang barat dikirim ke memori D43. Semua data dikirim dalam format bilangan heksadesimal.
3.1.2 Pengujian Secara Real-time pada Traffic Light Prioritas 2 (Selatan-Barat)
Gambar 9. Kondisi 3 Mobil di Selatan dan 3 Mobil di Barat
(a) Simpang Selatan
(b) Simpang Timur
(a) Simpang Selatan (b) Simpang Barat
40 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
Pada Gambar 9 a yang diambil dari simpang selatan, terdapat tiga mobil mainan yang terdeteksi
dengan confidence level masing-masing 78%, 59%, dan 73%. Total jumlah mobil yang terdeteksi di simpang
ini adalah tiga mobil dengan kecepatan deteksi mencapai 5,58 FPS (Frame Per Second).
Pada Gambar 9 b yang diambil dari simpang barat, terdapat empat mobil mainan yang terdeteksi
dengan confidence level masing-masing 50%, 46%, 75%, dan 67%. Total jumlah mobil yang terdeteksi di
simpang ini adalah empat mobil dengan kecepatan deteksi mencapai 6,02 FPS. Meskipun ada variasi dalam
tingkat keyakinan, sistem tetap mampu mendeteksi mobil mainan dengan baik.
Tabel 4. Menerima Data Jumlah Kendaraan
Address
Data Type / Format
Value
Value (Binary)
Comment
D42
CHANNEL (Hex, Channel)
0003 Hex
0000 0000 0000
0011
Selatan
D43
CHANNEL (Hex, Channel)
0004 Hex
0000 0000 0000 0100
Barat
Data jumlah kendaraan pada tiap simpang tersebut kemudian dikirim ke PLC Omron CP1-E N40
melalui komunikasi serial RS232 sama seperti sebelumnya. Nilai memori D43 menjadi 4 Hex dan nilai memori
D42 menjadi 3 Hex.
3.2. Pengujian Komunikasi Raspberry Pi 4B ke PLC
Pengujian ini menggunakan software Thonny dengan program tersendiri. Program ini dibuat untuk
mengetahui response block yang dikirim oleh PLC tepat setelah Raspberry Pi-4B mengirimkan command
block. Raspberry Pi-4B mengirimkan data jumlah kendaraan dalam bentuk command block. Hasil pengujian
selengkapnya dapat dilihat di Tabel 5.
Tabel 5. Hasil Pengujian Komunikasi Raspberry Pi 4 B ke PLC
Alamat PLC Keterangan Command Block Response Block
- Ubah PLC ke
Monitor Mode
@00SC0252* @00SC0050*
D0 Memori Jumlah
Kendaraan Timur
@00WD0000000053*
@00WD0053*
@00WD0000000152* @00WD0053*
@00WD0000000251*
@00WD0053*
@00WD0000000350*
@00WD0053*
@00WD0000000457*
@00WD0053*
D1 Memori Jumlah
Kendaraan Selatan 1
@00WD0001000052* @00WD0053*
@00WD0001000153* @00WD0053*
@00WD0001000250* @00WD0053*
@00WD0001000351* @00WD0053*
@00WD0001000456* @00WD0053*
D42 Memori Jumlah
Kendaraan Selatan 2
@00WD0042000055* @00WD0053*
@00WD0042000154* @00WD0053*
@00WD0042000257* @00WD0053*
@00WD0042000356* @00WD0053*
@00WD0042000451* @00WD0053*
D43 Memori Jumlah
Kendaraan Barat
@00WD0043000054* @00WD0053*
@00WD0043000155* @00WD0053*
@00WD0043000256* @00WD0053*
@00WD0043000357* @00WD0053*
@00WD0043000450* @00WD0053*
Dari hasil pengujian yang telah dilakukan didapatkan bahwa komunikasi serial bekerja dengan baik
dan sudah dapat digunakan untuk keperluan sistem. Seperti pada command block @00WD0000000457*,
instruksi tersebut berarti PLC pertama atau dengan nomor host 00 dan menulis data(dengan simbol WD) di
memori D0 dengan nilai 0004 Hexa. Response block yang didapatkan adalah @00WD0053* yang berarti
pengaksesan PLC pertama dan penulisan data berjalan lancar.
3.3. Pengujian Program PLC untuk Mengontrol Lampu Lalu Lintas
3.3.1 Pengujian Rangkaian Input Kontrol Terhadap Hardware menggunakan CX-Supervisor
Tujuan dari pengujian ini adalah untuk memastikan bahwa semua sinyal dari sensor lalu lintas dapat
diterima dengan baik oleh Raspberry Pi dan diproses dengan benar. Pengujian ini juga bertujuan memverifikasi
bahwa data yang diterima dapat dikomunikasikan ke PLC melalui SCADA, sehingga sistem lampu lalu lintas
dapat beroperasi secara otomatis dan sesuai dengan kondisi lalu lintas di lapangan.
Tabel 6. Kondisi perbandingan program dan alat simulasi
Address
Value
Comment
Description
0.00
0
Tombol
Start Hardware
TrafficLightsSequence.PB_Start
0.01
1
Emergency Button Hardware
TrafficLightsSequence.EM_Button
101.05
1
TrafficLightsSequence.IND_MERAH
101.04
0
TrafficLightsSequence.IND_HIJAU
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 41
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
a. Program Rangkaian Kontrol b. Kondisi pada alat simulasi
Pada pengujian ini, tombol dan lampu hardware merespons sesuai instruksi dari CX-Programmer.
Lampu darurat menyala saat tombol darurat ditekan, sementara lampu siaga menandakan operasi normal.
Tombol darurat juga berhasil mematikan sistem sesuai prosedur. Hasil ini menunjukkan integrasi perangkat
lunak dan hardware berjalan dengan baik, memastikan seluruh fitur berfungsi sesuai spesifikasi.
Gambar 10. Perbandingan antara program dan alat simulasi.
3.3.2 Pengujian secara real-time pada traffic light Prioritas 1 (Timur-Selatan)
Gambar 11 dan Tabel 7 di bawah ini menunjukkan sistem kontrol yang dirancang untuk mengelola
prioritas 1 (arah timur-selatan), di mana data jumlah kendaraan dikirimkan ke memori D0 dan D1 pada PLC
dari Raspberry Pi. Berdasarkan data input yang diterima oleh PLC, sistem akan mengeksekusi perintah dan
mengaktifkan prioritas 1, menyesuaikan pengaturan lalu lintas sesuai dengan kebutuhan yang terdeteksi.
Gambar 11. Program PLC sistem Prioritas 1 (timur-selatan).
Tabel 7. Data memori PLC yang diperoleh dari Raspberry Pi.
Address
Value
Comment
Description
D0
&4
Jumlah Kendaraan Timur
TrafficLightsSequence.DataCarTimur
D1 &0 Jumlah Kendaraan Selatan (Prioritas
1)
TrafficLightsSequence.DataCarSelatan_1
Tabel 8 di bawah ini menunjukkan perbandingan durasi penyalaan lampu hijau di persimpangan timur
antara kondisi normal dan prioritas 1. Pengaktifan prioritas 1 adalah dengan terpenuhinya syarat diatas yaitu,
simpang timur dalam keadaan padat (>3) dan simpang selatan dalam keadaan sepi (≤ 3). Dalam kondisi normal,
lampu hijau menyala selama 10 detik. Namun, ketika sistem berada dalam mode prioritas 1, durasi penyalaan
lampu hijau di persimpangan tersebut diperpanjang sebesar 5 detik, sehingga total durasinya menjadi 15 detik.
Hal ini menunjukkan adanya penyesuaian waktu siklus lampu lalu lintas untuk memberikan preferensi pada
arus kendaraan di persimpangan tertentu sesuai dengan kebutuhan prioritas lalu lintas.
Tabel 8. Perbandingan durasi antara keadaan normal dan keadaan Prioritas 1.
Address
Value
Comment
D12
&10
Memori Timer Hijau Timur
D13
&54
Memori Timer Merah Timur
42 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
Address
Value
Comment
D12
&15
Memori Timer Hijau Timur
D13
&54
Memori Timer Merah Timur
3.3.3 Pengujian secara real-time pada traffic light Prioritas 2 (Selatan-Barat)
Gambar 12 dan Tabel 9 di bawah menunjukkan sistem kontrol untuk prioritas 2 (selatan-barat), di
mana data jumlah kendaraan dikirim ke memori D42 dan D43 pada PLC dari Raspberry Pi. Berdasarkan input
data, PLC akan menjalankan perintah dan mengaktifkan prioritas 1 untuk menyesuaikan pengaturan lalu lintas.
Gambar 12. Program PLC sistem Prioritas 2 (selatan-barat).
Tabel 9. Data memori PLC yang diperoleh dari Raspberry Pi.
Address
Value
Comment
Description
D42
&0
Jumlah Kendaraan Selatan (Prioritas 2)
TrafficLightsSequence.DataCarSelatan_2
D43
&4
Jumlah
Kendaraan Barat
TrafficLightsSequence.DataCarBarat
Tabel 10 dibawah ini membandingkan durasi lampu hijau di persimpangan selatan antara kondisi
normal dan prioritas 2. Pengaktifan prioritas 2 adalah dengan terpenuhinya syarat diatas yaitu, simpang selatan
dalam keadaan sepi (≤ 3) dan simpang barat dalam keadaan padat (> 3). Dalam kondisi normal, lampu hijau
menyala selama 10 detik, tetapi pada mode prioritas 2, durasinya berkurang 5 detik menjadi 5 detik. Ini
menunjukkan penyesuaian waktu lampu lalu lintas untuk memprioritaskan arus kendaraan di persimpangan
sesuai kebutuhan.
Tabel 10. Perbandingan durasi antara keadaan normal dan keadaan Prioritas 2.
Address
Value
Comment
D14
&10
Memori Timer Hijau Selatan
D15
&15
Memori Timer Merah Selatan
Address
Value
Comment
D14
&4
Memori Timer Hijau Selatan
D15
&54
Memori
Timer Merah Selatan
3.4. Pengujian Hasil CX-Supervisor untuk Pengontrolan dan Monitoring Traffic Light secara real-time.
3.4.1 Pengujian control SCADA menggunakan CX-Supervisor
Pengujian ini bertujuan untuk memastikan bahwa kontrol pada sistem Smart Traffic Light berfungsi
dengan optimal. Pengujian ini mencakup pengujian berbagai fitur kontrol, seperti Emergency Lamp,
Emergency Button, Push Button ON, dan lampu indikator operasi (ON/Standby Lamp). Setiap komponen diuji
secara menyeluruh untuk memastikan keandalan sistem dalam kondisi darurat dan operasi normal.
Gambar 13. Kondisi CX-Supervisor terhadap alat simulasi
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 43
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
Tabel 11. Kondisi pada CX-Programmer
Address Value Comment
0.00 0 Tombol Start
0.01 1 Tombol Stop
101.04 1 On/Standby
101.05 0 Emergency Lamp
Pada proses pengujian, tombol dan lampu perangkat keras memberikan respons yang sesuai dengan
instruksi yang diberikan melalui perangkat lunak kontrol CX-Supervisor. Lampu darurat menyala ketika
tombol darurat ditekan, sementara lampu siaga menyala untuk menandakan kondisi operasi normal. Tombol
darurat juga berhasil memutus aliran sistem sesuai prosedur. Hasil ini menunjukkan bahwa integrasi antara
perangkat lunak dan perangkat keras berjalan dengan baik, memastikan seluruh fitur sistem bekerja sesuai
spesifikasi. Pengujian ini membuktikan bahwa komunikasi antara sistem simulasi dan panel kontrol berjalan
efektif, mencerminkan keakuratan dan kehandalan implementasi SCADA dalam proyek ini.
3.4.2 Pengujian secara real-time pada traffic light Prioritas 1 (Timur-Selatan)
Pada kondisi ini, lampu lalu lintas di simpang Timur telah memenuhi kriteria pengaktifan di
perlamanya simpang, yaitu jumlah kendaraan yang terdeteksi lebih dari tiga, pengujian ini juga melibatkan
penempatan kendaraan secara manual pada alat simulasi untuk simpang Timur. Data mengenai jumlah
kendaraan ini kemudian dikirimkan ke CX-Supervisor melalui Programmable Logic Controller (PLC), yang
mengolah informasi tersebut dan menyimpannya dalam memori dengan alamat "D0" dan "D1". Proses ini
menunjukkan kemampuan sistem untuk secara otomatis memonitor dan mengendalikan arus lalu lintas
berdasarkan data yang diterima dari sensor dan perangkat simulasi.
Dengan demikian, hasil pengujian membuktikan bahwa sistem integrasi antara PLC dan CX-
Supervisor berfungsi dengan baik, memastikan pengaturan lalu lintas berbasis deteksi kendaraan berjalan
sesuai rencana
Gambar 14. Kondisi diperlama terhadap Timur (padat) dan Selatan (sepi)
Tabel 12. Kondisi pada CX-Programmer
Address Value Value (Binary) Comment
D0 &4 0000 0000 0000 0100 Timur
D1 &2 0000 0000 0000 0010 Selatan
3.4.3 Pengujian secara real-time pada traffic light Prioritas 2 (Selatan-Barat)
Pada skenario ini, parameter untuk mempercepat waktu siklus lampu lalu lintas pada simpang Selatan
telah terpenuhi, dengan timer yang dikurangi menjadi 5 detik. Hal ini terjadi karena jumlah kendaraan pada
simpang Barat mencapai lebih dari tiga unit, yang sesuai dengan kondisi padat sebagaimana diatur dalam logika
pengendalian. Proses pengujian dilakukan dengan penempatan kendaraan secara manual pada kedua simpang,
Selatan dan Barat, untuk mensimulasikan skenario lalu lintas nyata. Kondisi padat ini memicu respons otomatis
yang mengakselerasi durasi lampu hijau dzzi simpang Selatan, sehingga mengurangi waktu tunggu. Nilai pada
register memori “D42” dan “D43” di dalam Programmable Logic Controller (PLC) dipantau secara khusus, di
mana nilai untuk simpang Barat (D43) melebihi jumlah yang ditentukan, menandakan kondisi lalu lintas yang
padat.
44 p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740
Jurnal ELTEK, Vol. 23, No. 1, April 2025: 32-45
Gambar 15. Kondisi dipercepat terhadap Selatan (sepi) dan Barat (padat)
Tabel 13. Kondisi pada CX-Programmer
Address Value Value (Binary) Comment
D42 &2 0000 0000 0000 0010 Selatan
D43 &4 0000 0000 0000 0100 Barat
Sistem CX-Supervisor berfungsi sebagai antarmuka monitoring yang memudahkan pengawasan
kondisi ini secara real-time. Dengan perangkat lunak ini, operator dapat melihat perubahan nilai memori yang
menggambarkan kepadatan lalu lintas pada tiap simpang. Selain itu, CX-Supervisor memungkinkan operator
untuk menilai performa dari logika pengendalian yang diimplementasikan pada PLC. Setiap kali kondisi padat
terdeteksi pada simpang Barat, CX-Supervisor akan menampilkan informasi yang relevan dan menyorot
perubahan status pada timer lampu lalu lintas simpang Selatan. Hal ini meningkatkan efisiensi operasional
sistem, sekaligus memfasilitasi analisis data untuk keperluan optimasi pengendalian lalu lintas di masa
mendatang.
4. KESIMPULAN
Sistem pengiriman data jumlah kendaraan ke PLC bekerja efisien tanpa mengganggu proses deteksi objek
pada Raspberry Pi 4B. Penggunaan library threading di Python memungkinkan eksekusi paralel antara
pengiriman data dan deteksi objek, sehingga keduanya dapat berjalan secara independen. Sistem traffic light
yang menggunakan PLC dan Raspberry Pi-4B dapat beroperasi secara otomatis dan adaptif berdasarkan data
lalu lintas yang dianalisis melalui SCADA. Optimalisasi pewaktuan lampu lalu lintas dengan algoritma adaptif
ini berhasil mengurangi waktu tunggu secara signifikan dengan menyesuaikan durasi lampu hijau, kuning, dan
merah sesuai volume kendaraan. Smart traffic light dirancang untuk mengurangi kemacetan dan memudahkan
interface (SCADA) untuk para operator seacara real-time.
5. UCAPAN TERIMA KASIH
Kami ingin menyampaikan rasa terima kasih yang mendalam kepada Politeknik Negeri Sriwijaya atas
dukungan penuh dan fasilitas yang diberikan untuk penelitian ini. Ucapan terima kasih juga kami sampaikan
kepada Ketua Jurusan Elektro Bapak Ir. Iskandar Lutfi, M.T, Kepala Bengkel Bapak Mutiar, S.T., M.T dan
Bersiap Ginting, S.T., M.T serta kedua dosen pembimbing atas waktu, dan dedikasi yang luar biasa. Tanpa
dukungan dan arahan mereka, penelitian ini tidak akan berjalan dengan baik. Kami sangat menghargai semua
kontribusi yang telah mereka berikan selama proses penelitian ini.
6. DAFTAR PUSTAKA
[1] L. Duyssembayeva, B. Belgibaev, M. Mansurova, S. Abdrakhim, “Neural computer visualization of smart programs
in megacities of the country,” Certificate of Authorship of the Republic of Kazakhstan No. 39772 dated 19 October
2023
[2] L. Bhaskar, A. Sahai, D. Sinha, G. Varshney, and T. Jain, “Intelligent traffic light controller using inductive loops
for vehicle detection,” 2015 1st International Conference on Next Generation Computing Technologies (NGCT),
Sep. 2015, doi: https://doi.org/10.1109/ngct.2015.7375173.
[3] Riansa E.P. Polah, Rizal Sengkey, and Yaulie D.Y. Rindengan, Jurnal Teknik Elektro dan Komputer, vol. 4, no. 4,
pp. 35–45, 2015, doi: https://doi.org/10.35793/jtek.v4i4.8971.
[4] N. Diaz, J. Guerra, and J. Nicola, “Smart Traffic Light ControlSystem,” 2018 IEEE 3rd Ecuador Tech. Chapters
Meet. ETCM 2018, 2018, doi: 10.1109/ETCM.2018.8580282.
[5] A. Firdous, Indu, and V. Niranjan, “Smart Density Based TrafficLight System,” ICRITO 2020 - IEEE 8th Int. Conf.
Reliab. InfocomTechnol. Optim. (Trends Futur. Dir., pp. 497–500, 2020, doi:10.1109/ICRITO48877.2020.9197940.
[6] J. Smith, “Programmable logic controllers in traffic systems,” Journal of Traffic Management, vol. 12, no. 3, pp. 45–
58, 2020.
[7] A. Toroman and E. Mujčić, "Application of industrial PLC for controlling intelligent traffic lights," 2017 25th
Telecommunication Forum (TELFOR), Belgrade, Serbia, 2017, pp. 1-4, doi: 10.1109/TELFOR.2017.8249411.
Jurnal ELTEK p-ISSN: 1693 – 4024 | e-ISSN: 2355-0740 45
Prototipe Lampu Lalu Lintas Menggunakan PLC dan SCADA berbasis Computer Vision dengan Raspberry
Pi 4B (Anton Firmansyah)
[8] S. Chepure, “Smart Traffic Signal Control System: Design And Implementation,” vol. 16, no. 1, p. 256, 2019,
Available: https://www.webology.org/data-cms/articles/20220912110108pmwebology%2016%20(1)%20-
%201.pdf
[9] M. Vidhyia and S. Elayaraja, “Traffic Light Control System Using Raspberry-PI,” Asian Journal of Electrical
Sciences, vol. 5, no. 1, pp. 8–12, May 2016, doi: https://doi.org/10.51983/ajes-2016.5.1.1970.
[10] Pravin Sonwane, H. Kaushik, Mansi Bardawat, and A. Gupta, “Controlling a Smart Traffic Light Using
Programmable Logic Controller (PLC),” Mar. 20, 2024.
https://www.researchgate.net/publication/379082584_Controlling_a_Smart_Traffic_Light_Using_Programmable_
Logic_Controller_PLC
[11] Y. Cherdantseva, P. Burnap, S. Nadjm-Tehrani, and K. Jones, “A Configurable Dependency Model of a SCADA
System for Goal-Oriented Risk Assessment,” Applied Sciences, vol. 12, no. 10, p. 4880, May 2022, doi:
https://doi.org/10.3390/app12104880.
[12] W. Liu et al., “SSD: Single Shot MultiBox Detector,” Computer Vision – ECCV 2016, vol. 9905, pp. 21–37, 2016,
doi: https://doi.org/10.1007/978-3-319-46448-0_2.
[13] Helfy Susilawati, P. Rahman, Ade Rukmana, M. Matin, None Sarbini, and N. Ismail, “Smart Traffic Light Using
Raspberry Pi and Digital Image Processing,” pp. 1–6, Jul. 2023, doi:
https://doi.org/10.1109/icwt58823.2023.10335398.
