Kerusakan pada jalan lurus dua arus kendaraan menyebabkan hanya satu jalur yang dapat digunakan sehingga menyebabkan kemacetan lalu lintas. Untuk mengatasi kemacetan tersebut maka lampu lalu lintas diterapkan pada kedua sisi jalan yang rusak sehingga membuat arus kendaraan berjalan bergantian. Namun, penggunaan lampu lalu lintas waktu statis menunjukkan kekurangan yaitu ketika terdapat jalur dengan arus lalu lintas yang lebih padat. Oleh karena itu, penelitian ini akan menerapkan metode reinforcement learning yaitu algoritma Deep Q-Network (DQN) untuk membuat lampu lalu lintas waktu adaptif berdasarkan kepadatan arus lalu lintas. Penelitian ini dilakukan menggunakan Simulation of Urban Mobility (SUMO) yang dijalankan menggunakan python dengan paket API Traffic Control Interface (TraCI). Percobaan dilakukan dengan menggunakan dua indikator utama yaitu waktu tunggu (Waiting Time) dan arus lalu lintas (Trafic Flow) dengan pengaturan kendaraan yang sudah ditentukan berdasarkan generate random. Dari percobaan, didapatkan pengaturan optimal yaitu dengan epoch 10 serta exploration rate 1 dan gamma rate 0,9. Hasil perobaan tersebut didapatkan nilai fairness dari waktu tunggu yaitu 32,578, dan nilai fairness dari arus lalu lintas yaitu 0,794. Dari percobaan juga didapatkan pengujian dengan menggunakan Waktu Tunggu lebih optimal dibandingkan dengan arus lalu lintas karena pengujian dengan waktu tunggu mendapatkan rata-rata persentase fairness yang lebih kecil.