Di balik deru klakson, kepulan asap knalpot, dan lautan lampu rem yang tak berujung di kota-kota besar, terdapat sebuah krisis sistemik. Kemacetan bukan lagi sekadar ketidaknyamanan harian; ia telah bermetastasis menjadi penyakit kronis perkotaan yang membakar miliaran rupiah bahan bakar, merampas waktu produktif, dan secara signifikan menurunkan kualitas hidup.¹

Akar masalahnya, seperti yang diidentifikasi dalam berbagai studi, adalah ketidakseimbangan yang fundamental. Pertumbuhan ekonomi dan laju urbanisasi yang pesat telah memicu ledakan jumlah kendaraan bermotor di jalanan.¹ Sayangnya, kapasitas infrastruktur jalan tidak mampu mengimbangi laju pertumbuhan tersebut. Kita tidak bisa terus-menerus membangun jalan baru. Solusinya, tampaknya, bukanlah melebarkan aspal, melainkan membuat aspal yang ada menjadi jauh lebih cerdas.

Sebuah makalah ilmiah baru yang diterbitkan oleh David dari Universitas Komputer Indonesia menyajikan sebuah cetak biru konseptual yang ambisius untuk mengatasi kebuntuan ini.¹ Proposal ini menguraikan arsitektur sistem pengelolaan lalu lintas generasi baru, yang bertumpu pada dua pilar teknologi transformatif.

Pilar pertama adalah Internet of Things (IoT), yang diusulkan berfungsi sebagai "sistem saraf" digital. Ini adalah jaringan sensor, kamera, dan perangkat terhubung yang ditanam di sepanjang arteri kota untuk merasakan denyut nadi lalu lintas secara real-time.¹ Pilar kedua adalah Komputasi Awan (Cloud Computing), yang berperan sebagai "otak" pusat—sebuah infrastruktur masif yang mampu menyimpan, memproses, dan menganalisis volume data yang tak terbayangkan yang dikirim oleh sistem saraf IoT.¹

Tujuannya jelas: menciptakan sebuah sistem yang tidak hanya merespons kemacetan, tetapi juga memprediksi dan mencegahnya, seraya mengoptimalkan seluruh arus kendaraan di kota. Ini adalah langkah konkret menuju visi smart city (kota pintar) yang lebih efisien, terhubung, dan berkelanjutan.¹

 

Pertanyaan Kritis: Apakah Teknologi Benar-Benar Mampu Mengatasinya?

Sebelum kita terhanyut dalam janji teknologi, makalah ini melakukan sesuatu yang mengejutkan dan membangun kredibilitas: ia berhenti sejenak dan mengajukan pertanyaan skeptis terhadap dirinya sendiri. Di bagian "Rumusan Masalah", penulis secara jujur menantang premisnya sendiri.¹

Makalah tersebut menyatakan, "Meskipun Penggunaan komputasi awan dan IoT terlihat sangat efisien, kita juga perlu berfikir untuk menambahkan poin-poin penting masalah lain...".¹ Pertanyaan intinya dirumuskan dengan tajam: Apakah penerapan metode canggih ini benar-benar dapat mengurangi kemacetan? Apakah ia mampu meningkatkan efisiensi transportasi secara keseluruhan? Dan yang paling penting, apakah ia menjamin peningkatan keselamatan bagi pengguna jalan?.¹

Ini bukanlah sebuah makalah yang mengklaim telah menemukan peluru perak. Ini adalah sebuah proposal akademis yang matang, yang menetapkan tolok ukur kesuksesannya sendiri. Penulis tidak mengasumsikan bahwa teknologi secara otomatis setara dengan solusi. Sebaliknya, ia menegaskan bahwa tiga pilar kesuksesan—pengurangan kemacetan, peningkatan efisiensi, dan peningkatan keselamatan—adalah hipotesis yang harus divalidasi dan dibuktikan melalui implementasi nyata.¹

Untuk menjawab tantangan yang ditetapkannya sendiri, makalah ini kemudian menguraikan pendekatan penyelesaian masalah dalam tujuh langkah komprehensif. Ini adalah cetak biru operasional yang dirancang untuk mengubah teori menjadi kenyataan.¹

 

Arsitektur Sistem: Membangun 'Sistem Saraf' Digital untuk Kota

Inti dari proposal ini adalah penciptaan ekosistem digital yang hidup, yang meniru cara kerja sistem saraf biologis. Ia harus mampu merasakan, memproses, dan bereaksi. Makalah ini membedah arsitektur tersebut langkah demi langkah.

Mata dan Telinga di Jalanan (Pengumpulan Data IoT)

Langkah pertama dan paling fundamental adalah "Pengumpulan Data Lalu Lintas Secara Real-Time".¹ Tanpa data yang baik, "otak" sistem tidak dapat berfungsi.

Begini cara kerjanya: Jaringan sensor nirkabel IoT akan dipasang di berbagai titik strategis di seluruh kota. Lokasi-lokasi ini mencakup persimpangan jalan yang kritis, jalur utama yang padat, dan area yang teridentifikasi sebagai rawan kemacetan.¹

Sensor-sensor ini bukan sekadar penghitung mobil. Mereka adalah "mata dan telinga" canggih yang mengukur berbagai parameter penting secara bersamaan ¹, termasuk:

• Volume kendaraan: Berapa banyak mobil, motor, dan truk yang lewat.
• Kecepatan rata-rata: Seberapa lancar atau padat arusnya.
• Kondisi cuaca: Apakah hujan, yang dapat mempengaruhi kecepatan.
• Kualitas udara: Tingkat polusi di lokasi tertentu.

Semua data mentah ini, menurut arsitektur sistem, kemudian ditangkap oleh perangkat elektronik yang disebut "Data Logger". Dari sana, data logger mentransfer informasi yang terkumpul ke pusat data melalui koneksi internet, yang pada dasarnya mengalirkan denyut nadi kota ke komputasi awan.¹

'Otak' Mulai Bekerja (Analisis Pola di Cloud)

Setelah data mentah dari ribuan sensor membanjiri sistem, langkah kedua dimulai: "Analisis Pola Lalu Lintas".¹ Di sinilah peran komputasi awan menjadi sangat vital.

Mengapa cloud? Karena infrastruktur cloud bersifat fleksibel, terdistribusi, dan yang terpenting, scalable (terukur).¹ Otoritas lalu lintas kota tidak perlu membangun pusat data fisik yang masif dan mahal, yang mungkin akan langsung kewalahan oleh besarnya data (Big Data). Sebaliknya, mereka dapat memanfaatkan kapasitas pemrosesan cloud yang nyaris tak terbatas untuk memproses data dalam jumlah besar dan kompleks dengan kecepatan tinggi.¹

Di dalam lingkungan cloud inilah algoritma canggih dan teknik Machine Learning (ML) atau pembelajaran mesin mulai bekerja.¹ Algoritma ini dirancang untuk menyisir data dan mengidentifikasi tren serta pola yang tidak terlihat oleh mata manusia ¹, seperti:

• Mengidentifikasi waktu-waktu puncak kemacetan yang sebenarnya.
• Memetakan jalur-jalur spesifik yang sering mengalami penumpukan.
• Menganalisis faktor-faktor kausalitas—misalnya, apakah kemacetan di rute X selalu berkorelasi dengan kondisi cuaca tertentu atau kecelakaan di rute Y.¹

Di sinilah letak salah satu poin paling cerdas dari proposal ini. Dengan memasukkan data "kualitas udara" ¹ ke dalam analisis, sistem ini melampaui manajemen lalu lintas tradisional. Ini membuka kemungkinan untuk "manajemen kesehatan perkotaan".

Bayangkan sebuah skenario di mana algoritma mendeteksi tingkat polusi berbahaya di dekat zona sekolah. Sistem tidak hanya berfokus pada "rute tercepat", tetapi juga "rute tersehat". Ia dapat secara otomatis memprioritaskan pengalihan rute kendaraan berat atau truk diesel menjauh dari area sensitif tersebut, sejalan dengan visi kota yang berkelanjutan.¹

 

Dari Reaktif Menjadi Prediktif: Mesin Waktu Digital di Balik Kemudi

Sistem manajemen lalu lintas tradisional bersifat reaktif—mereka merespons kemacetan yang sudah terjadi. Inovasi sesungguhnya dalam cetak biru ini terletak pada pergeseran paradigma menjadi proaktif dan prediktif.¹

Langkah ketiga dalam proposal ini adalah "Pengembangan Algoritma Prediktif".¹

Algoritma ini dirancang untuk berfungsi sebagai semacam mesin waktu digital. Mereka tidak hanya melihat apa yang terjadi sekarang, tetapi juga memproyeksikan apa yang akan terjadi di masa depan.¹ Untuk melakukan ini, model prediksi memanfaatkan dua aliran data secara bersamaan: data historis (pola kemacetan dari masa lalu) dan data real-time (kondisi yang masuk dari sensor IoT saat ini).¹

Model-model ini memproyeksikan berbagai skenario lalu lintas di masa depan dengan mempertimbangkan variabel-variabel kunci ¹, seperti:

• Waktu dalam sehari dan hari dalam seminggu.
• Kondisi cuaca saat ini dan yang diperkirakan.
• Kejadian khusus, seperti pertandingan sepak bola, konser besar, atau kecelakaan yang baru saja dilaporkan.¹

Untuk mempermudah pemahaman, bayangkan perbedaannya seperti ini: Analisis lalu lintas tradisional ibarat melihat foto kemacetan yang terjadi kemarin. Anda tahu itu terjadi, tetapi Anda tidak bisa berbuat apa-apa. Sistem prediktif ini, di sisi lain, lebih mirip aplikasi prakiraan cuaca canggih. Ia dapat memberi Anda peringatan, "Akan ada badai kemacetan di rute Anda dalam 30 menit ke depan, berdasarkan peningkatan volume saat ini dan data historis."

Kemampuan untuk "memperkirakan kemungkinan terjadinya kemacetan" ¹ inilah yang mengubah permainan. Sistem kini dapat memberikan peringatan dini kepada pengendara atau, yang lebih penting, mengambil tindakan otomatis untuk mencegah kemacetan itu terjadi.¹

 

Dari Prediksi Menjadi Aksi: Sang Dirigen Orkestra di Persimpangan

Jika data adalah musik dan cloud adalah kesadaran sang dirigen, maka langkah-langkah berikutnya adalah momen ketika dirigen mengangkat tongkatnya. Di sinilah prediksi diubah menjadi aksi nyata di jalanan.

Optimalisasi Sinyal Lalu Lintas Dinamis

Langkah keempat adalah "Optimalisasi Pengaturan Sinyal Lalu Lintas".¹ Ini adalah salah satu aplikasi praktis yang paling berdampak. Sensor IoT yang terpasang di persimpangan ¹ terus-menerus melaporkan jumlah kendaraan dan kecepatan rata-rata ke cloud. Di cloud, algoritma optimasi yang kompleks berjalan tanpa henti.¹

Hasilnya? Sistem secara dinamis "menentukan pengaturan sinyal lalu lintas yang paling efisien untuk setiap persimpangan" pada saat itu juga.¹ Ini adalah kontrol sinyal lalu lintas yang adaptif.

Kita dapat menggunakan analogi untuk menjelaskan lompatan ini. Lampu lalu lintas tradisional berfungsi seperti metronom yang kaku. Ia mungkin diatur untuk menyala merah setiap 60 detik, tidak peduli apakah jalanan di depannya padat atau benar-benar sepi di jalur persimpangan. Ini sangat tidak efisien.

Sistem yang diusulkan dalam makalah ini mengubah lampu lalu lintas menjadi dirigen orkestra yang hidup dan cerdas. Ia "mendengarkan" (melalui sensor IoT) kepadatan dan ritme "musik" (arus kendaraan) secara real-time.¹ Jika jalur utara-selatan padat sementara jalur timur-barat kosong, ia tidak akan membuang waktu berharga memberikan lampu hijau ke jalan yang kosong. Ia akan secara dinamis menyesuaikan tempo (durasi lampu) untuk mengurangi penumpukan, melancarkan arus, dan mencegah "disonansi" (kemacetan total)

Rekomendasi Rute Alternatif Cerdas

Secara bersamaan, langkah kelima adalah "Pemberian Rekomendasi Rute Alternatif".¹ Kecerdasan prediktif yang sama digunakan untuk memberikan rekomendasi rute terbaik bagi pengendara individu melalui aplikasi seluler atau sistem navigasi di dalam kendaraan.¹

Ini menciptakan sebuah ekosistem lalu lintas yang terkoordinasi. Sistem tidak hanya mengendalikan infrastruktur (lampu lalu lintas), tetapi juga memandu perilaku pengguna (rekomendasi rute). Ketika sistem memprediksi potensi kemacetan ¹, ia dapat secara proaktif "memecah" arus lalu lintas sebelum menumpuk dengan menyarankan rute alternatif kepada ribuan pengemudi secara bersamaan.

 

Sistem yang Belajar: Mengapa Uji Coba Sangat Krusial

Sebuah cetak biru, secanggih apa pun, pada akhirnya hanyalah teori di atas kertas. Makalah ini secara realistis mengakui bahwa sistem harus diuji dan divalidasi di dunia nyata yang kacau.

Karena itu, dua langkah terakhir dari pendekatan tujuh langkah sangat penting ¹:

• Langkah 6: Pengujian dan Validasi Sistem. Ini melibatkan pelaksanaan uji coba sistem dalam berbagai skenario untuk mengukur efektivitasnya secara kuantitatif dalam mengurangi kemacetan dan meningkatkan keselamatan.¹
• Langkah 7: Evaluasi Dampak dan Penyesuaian Sistem. Setelah diterapkan, sistem harus terus dikaji dampaknya. Berdasarkan feedback (umpan balik) dan data terbaru, penyesuaian harus dilakukan.¹

Kedua langkah ini menegaskan bahwa sistem yang diusulkan bukanlah sistem "pasang dan lupakan". Langkah 1 hingga 5 adalah operasi harian sistem. Langkah 6 dan 7 adalah evolusi sistem.

Ini adalah inti dari machine learning dalam arti sebenarnya. Dengan terus-menerus mengevaluasi (Langkah 7) apakah prediksi (Langkah 3) dan aksinya (Langkah 4) benar-benar mengurangi kemacetan (Langkah 6), sistem belajar dari keberhasilan dan kegagalannya. Algoritma prediktif menjadi lebih pintar, lebih akurat, dan lebih efisien seiring berjalannya waktu. Ini adalah sistem yang benar-benar adaptif.¹

 

Dampak Sebenarnya: Siapa yang Diuntungkan dari Jalanan yang Lebih Cerdas?

Jadi, mengapa semua ini penting? Siapa yang pada akhirnya diuntungkan jika cetak biru ini diimplementasikan? Bagian kesimpulan dari makalah ini menguraikan dampak luasnya bagi berbagai pemangku kepentingan.¹

1. Masyarakat dan Pengguna Jalan

Penerima manfaat utama adalah warga kota. Dengan mengurangi waktu tunggu dan kemacetan serta meningkatkan keselamatan, visi utamanya adalah menciptakan sistem transportasi yang "lebih cerdas, terhubung, dan berkelanjutan". Pada akhirnya, tujuannya adalah "meningkatkan kualitas hidup warganya".1

2. Transportasi Umum

Makalah ini secara khusus menyoroti dampaknya bagi angkutan publik. Diharapkan sistem ini dapat "membantu masyarakat yang menggunakan transportasi umum untuk memudahkan sopir angkutan dalam memilih [rute]".1 Jika sopir angkutan umum mendapatkan data rute prioritas yang memungkinkan mereka menghindari kemacetan, transportasi publik akan menjadi lebih cepat dan lebih dapat diandalkan. Ini, pada gilirannya, dapat mendorong lebih banyak orang beralih dari kendaraan pribadi, menciptakan lingkaran umpan balik positif (positive feedback loop) yang semakin mengurangi kemacetan.

3. Dunia Bisnis dan Perekonomian

Bagi dunia bisnis, terutama sektor logistik dan pengiriman, dampaknya langsung terasa. Rute yang dapat diprediksi dan waktu tempuh yang lebih singkat berarti operasi yang lebih efisien dan biaya bahan bakar yang lebih rendah.

Namun, makalah ini menyoroti keuntungan finansial yang lebih dalam: model cloud computing itu sendiri.¹ Tujuan dari arsitektur cloud adalah untuk "meningkatkan kehandalan, fleksibilitas, dan skalabilitas sistem tanpa meningkatkan biaya komputasi secara signifikan".¹

Ini adalah poin krusial. Pemerintah kota tidak perlu "mengurangi investasi pada infrastruktur fisik" yang masif, seperti membangun pusat data yang mahal.¹ Mereka dapat "menyewa" kekuatan komputasi sesuai kebutuhan. Ini membebaskan sumber daya untuk "fokus pada pengembangan inovasi serta layanan yang lebih baik bagi pelanggan".¹ Dengan kata lain, cetak biru ini bukan hanya cetak biru teknis, tetapi juga cetak biru finansial untuk implementasi smart city yang hemat biaya.

 

Visi Masa Depan dan Pernyataan Dampak Nyata

Pada intinya, implementasi sistem pengelolaan lalu lintas berbasis IoT dan komputasi awan menawarkan solusi yang lebih efisien, terukur (scalable), dan fleksibel untuk menghadapi tantangan transportasi perkotaan yang semakin kompleks.¹

Namun, penting untuk menggarisbawahi realisme yang diusung oleh makalah ini. Ini adalah sebuah proposal.¹ Seperti yang dipertanyakan oleh penulisnya sendiri di awal, efektivitasnya dalam mengurangi kemacetan dan meningkatkan keselamatan ¹ masih harus divalidasi secara ketat melalui pengujian skenario di dunia nyata.¹

Jika cetak biru konseptual ini diterapkan dan divalidasi secara penuh, dampaknya akan melampaui sekadar mengurangi waktu tunggu di lampu merah. Kita berbicara tentang sebuah sistem yang dapat secara proaktif mencegah kemacetan sebelum terjadi, mengurangi emisi karbon dengan mengoptimalkan rute (berdasarkan data kualitas udara ¹), dan menghemat miliaran rupiah dalam biaya bahan bakar yang terbuang.

Dalam lima tahun penerapan, sistem adaptif yang terus belajar ini dapat menjadi fondasi operasional untuk smart city yang benar-benar cerdas dan berkelanjutan, mengubah arteri kota yang tersumbat menjadi sistem peredaran darah yang mengalir lancar.¹

 

Sumber Artikel:

https://doi.org/10.13140/RG.2.2.20028.86402

Sebelum kita menyelami solusinya, kita harus memahami mengapa masalah ini begitu mendesak. Paper penelitian ini melukiskan gambaran yang suram tentang status quo. Seiring dengan pertumbuhan populasi global dan urbanisasi yang pesat, volume kendaraan di jalan raya telah meledak.¹

Masalahnya, infrastruktur kita—terutama sistem kontrol lalu lintas—gagal mengimbangi. Sistem tradisional, yang mengandalkan "sinyal waktu tetap" (fixed-time signals), pada dasarnya adalah teknologi usang.¹ Sistem ini tidak mampu beradaptasi dengan kondisi lalu lintas yang dinamis dan kompleks.

Bayangkan sebuah persimpangan sibuk pada pukul 6 sore. Jalan utama macet total, sementara jalan kecil di persimpangan itu kosong. Namun, sistem timer tetap akan tetap memberi lampu hijau 30 detik ke jalan yang kosong, memaksa ratusan mobil di jalan utama menunggu tanpa alasan. Inilah inefisiensi yang terjadi miliaran kali setiap hari di seluruh dunia.

Dampaknya, seperti yang digarisbawahi oleh para peneliti, sangat besar dan bersifat multidimensi ¹:

• Dampak Ekonomi: Kemacetan berarti pemborosan bahan bakar, keterlambatan pengiriman barang, dan hilangnya jam kerja produktif yang tak ternilai harganya.
• Dampak Lingkungan: Kendaraan yang terjebak dalam kondisi idle (diam tapi menyala) mengeluarkan emisi gas rumah kaca yang tidak perlu, berkontribusi langsung pada polusi udara dan perubahan iklim.
• Dampak Sosial: Waktu tunggu yang lama meningkatkan stres, frustrasi di kalangan komuter, mengurangi kualitas hidup, dan—yang paling kritis—dapat menghambat pergerakan layanan darurat seperti ambulans, yang dapat berakibat fatal.¹

Sistem yang ada saat ini terbukti "tidak memadai" (inadequate) dalam menghadapi tantangan modern.¹ Kita tidak bisa terus membangun lebih banyak jalan; kita perlu membuat jalan yang ada menjadi lebih pintar.

 

Membangun 'Otak' Digital untuk Persimpangan Jalan

Di sinilah letak inti dari terobosan Rohilla dan Kumar. Mereka tidak hanya mengusulkan pembaruan perangkat lunak; mereka mengusulkan penggantian total "otak" sistem dengan arsitektur machine learning (ML) yang canggih.¹

Ini bukan sekadar satu program "AI" yang monolitik. Cara terbaik untuk memahaminya adalah sebagai sistem "dua-otak" yang kooperatif, yang masing-masing memiliki peran berbeda namun saling melengkapi, seperti yang dijelaskan dalam metodologi penelitian.

Otak 1: Si Peramal (Neural Networks)

Bagian pertama dari sistem ini adalah Neural Network (Jaringan Saraf). Pikirkan ini sebagai "mata di langit" atau "peramal" sistem. Tugasnya adalah menganalisis data lalu lintas historis dan real-time untuk satu tujuan: "mengantisipasi volume lalu lintas" di masa depan.¹

Dengan mempelajari pola selama berminggu-minggu atau berbulan-bulan, ia "belajar" bahwa "setiap Jumat pukul 5 sore, persimpangan ini akan padat dari arah utara," atau "setelah hujan, kecepatan rata-rata turun 20%." Ia tidak mengambil keputusan, tetapi ia memberikan prediksi krusial kepada otak kedua.

Otak 2: Si Ahli Strategi (Reinforcement Learning)

Bagian kedua, dan mungkin yang paling penting, adalah agen Reinforcement Learning (RL), atau "Pembelajaran Penguatan".¹ Jika Neural Network adalah si peramal, RL adalah "si ahli strategi" atau "pengambil keputusan" di lapangan.¹

Agen RL ini menerima dua masukan: prediksi volume lalu lintas dari Neural Network dan data kondisi real-time dari sensor jalan. Tugasnya adalah secara aktif memutuskan: "Kapan waktu terbaik untuk mengubah lampu?"

Ia "belajar" melalui proses trial and error yang ketat, di mana ia diberi "penghargaan" (reward) karena mengurangi waktu tunggu dan "hukuman" (punishment) karena menyebabkan kemacetan. Seiring waktu, ia menemukan strategi optimal untuk meminimalkan kemacetan dalam skenario apa pun—sesuatu yang mustahil dilakukan oleh timer tetap.

Untuk membangun sistem canggih ini, para peneliti memanfaatkan toolkit modern yang dapat diakses: bahasa pemrograman Python, beserta pustaka (libraries) open-source yang kuat seperti TensorFlow, Keras, dan Scikit-learn.¹ Ini adalah poin penting: solusi ini tidak memerlukan perangkat lunak eksklusif yang mahal, sehingga lebih mudah untuk diskalakan dan diterapkan secara global.

 

Di Dalam Laboratorium: Cara Peneliti 'Mengajari' AI Mengatur Jala

Tentu saja, Anda tidak bisa begitu saja melepaskan AI yang baru lahir ke persimpangan jalan yang sibuk. Para peneliti harus "melatih" sistem ini secara ekstensif dalam lingkungan yang terkendali. Proses ini terdiri dari dua langkah utama.¹

Langkah 1: Memberi Makan Sang Mesin (Pengumpulan Data)

Kecerdasan buatan hanya secerdas data yang dikonsumsinya. Untuk itu, para peneliti mengusulkan pengumpulan data dari beragam sumber untuk menciptakan gambaran lalu lintas yang paling lengkap ¹:

• Kamera Lalu Lintas: Bertindak sebagai "mata" visual, memantau kepadatan dan jumlah kendaraan secara terus-menerus.
• Detektor Loop Induktif: Ini adalah sensor yang ditanam di bawah aspal, yang secara akurat menghitung setiap kendaraan yang lewat dan mengukur kecepatannya.
• Data Historis: Catatan lalu lintas dari sistem manajemen kota selama bertahun-tahun, yang digunakan untuk melatih "Si Peramal" (Neural Network) dalam mengenali pola jangka panjang.
• Data Crowdsourced: Informasi real-time dari aplikasi navigasi seperti Google Maps dan Waze, yang memberikan gambaran instan tentang kemacetan atau kecelakaan yang baru saja terjadi.

Kombinasi data historis dan real-time inilah yang memberikan sistem ini kekuatan supernya: kemampuan untuk mengantisipasi dan bereaksi.

Langkah 2: 'Kota Digital' Bernama SUM

Setelah data terkumpul, pelatihan dimulai. Di sinilah letak kejeniusan metodologi mereka. Para peneliti menggunakan perangkat lunak bernama SUMO (Simulation of Urban Mobility) untuk menciptakan "kota digital"—replika virtual dari area perkotaan yang nyata.¹

Di dalam sandbox digital yang aman ini, agen Reinforcement Learning (RL) "dilepaskan" untuk mengelola lalu lintas. Awalnya, ia gagal total, menyebabkan kemacetan virtual yang parah. Tetapi setiap kali ia membuat keputusan yang baik (misalnya, memperpanjang lampu hijau 5 detik dan berhasil mengurai antrean), ia mendapat "penghargaan" digital. Setiap kali ia membuat keputusan buruk (misalnya, memotong jalur padat dan menyebabkan kebuntuan), ia mendapat "hukuman".¹

Setelah mensimulasikan ribuan jam sibuk, skenario kecelakaan, dan hari-hari normal, agen RL tersebut "belajar" strategi optimal untuk menjaga lalu lintas tetap mengalir. Ia menjadi ahli strategi ulung, siap untuk diuji coba melawan data dunia nyata.

 

Momen Pembuktian: AI Melawan Timer Tradisional (Dan Menang Telak)

Inilah inti dari penelitian ini: adu performa. Para peneliti mengadu sistem ML mereka yang baru dilatih dengan sistem kontrol tradisional (timer tetap) dalam tiga skenario simulasi yang ketat, menggunakan data lalu lintas dunia nyata.¹ Hasilnya, yang dirangkum dalam data kinerja sistem, sangatlah jelas dan meyakinkan.¹

Skenario 1: Lalu Lintas Normal

Dalam kondisi lalu lintas sehari-hari, sistem tradisional memaksa pengemudi menunggu rata-rata 45 detik di persimpangan. Sistem ML, dengan kemampuannya beradaptasi, memangkas waktu tersebut menjadi hanya 30 detik.¹

Ini bukan sekadar penghematan 15 detik. Ini adalah lompatan efisiensi sebesar 33,3%. Ini seperti memangkas sepertiga dari total waktu henti Anda di setiap lampu merah. Jika perjalanan harian Anda biasanya memakan waktu 30 menit, bayangkan penghematan kumulatifnya.

Namun, data yang lebih mengesankan adalah throughput—jumlah kendaraan yang berhasil melewati persimpangan per jam. Sistem lama hanya mampu memproses 1.000 kendaraan per jam. Sistem ML berhasil "memompa" 1.300 kendaraan per jam.¹ Ini adalah peningkatan kapasitas sebesar 30%. Secara metaforis, ini setara dengan menambahkan satu lajur jalan virtual di persimpangan, tanpa perlu mengeluarkan biaya miliaran untuk pengecoran aspal.

Skenario 2: Jam Sibuk (Ujian Sebenarnya)

Di sinilah sistem tradisional mulai runtuh. Selama jam sibuk puncak, ketika volume kendaraan membeludak, timer tetap tidak bisa berbuat apa-apa. Waktu tunggu rata-rata melonjak menjadi 70 detik yang menyakitkan. Sistem ML, yang melihat lonjakan ini datang, bekerja keras menyesuaikan timing secara dinamis dan berhasil menahan waktu tunggu di angka 50 detik—sebuah peningkatan efisiensi sebesar 28,6%.¹

Tetapi cerita sebenarnya ada pada throughput. Di bawah tekanan, sistem tradisional "tersedak"—kapasitasnya turun dari 1.000 (normal) menjadi hanya 900 kendaraan per jam. Sebaliknya, sistem ML justru bersinar di bawah tekanan. Ia secara aktif mengelola antrean dan berhasil mendorong 1.200 kendaraan per jam.¹

Ini adalah temuan kunci: sistem "bodoh" menjadi kurang efisien saat paling dibutuhkan, sementara sistem "pintar" menjadi lebih efisien, mencatatkan peningkatan throughput sebesar 33,3% tepat di tengah kekacauan.

Skenario 3: Skenario Insiden (Momen Pahlawan AI)

Ini adalah skenario yang paling dramatis dan paling penting. Sebuah insiden—seperti kecelakaan atau mobil mogok—terjadi di dekat persimpangan, memblokir sebagian jalan.

Sistem tradisional benar-benar lumpuh. Ia tidak tahu ada kecelakaan. Ia terus menjalankan timer bodohnya, menyebabkan antrean menumpuk dengan cepat. Waktu tunggu rata-rata meroket menjadi 90 detik (satu setengah menit). Kapasitasnya anjlok menjadi hanya 800 kendaraan per jam.¹ Ini adalah resep untuk kelumpuhan total (gridlock).

Sekarang, saksikan AI beraksi. Sistem ML, melalui sensornya, segera mendeteksi anomali: antrean tidak bergerak, kepadatan melonjak di satu titik. "Si Ahli Strategi" (RL) langsung mengambil alih. Ia menulis ulang aturan saat itu juga, secara dinamis mengubah prioritas sinyal untuk mengalihkan lalu lintas dari lajur yang diblokir dan membersihkan rute darurat.

Hasilnya? Waktu tunggu rata-rata dipangkas menjadi 65 detik. Dan yang paling menakjubkan, throughput melonjak menjadi 1.100 kendaraan per jam.¹ Dibandingkan dengan sistem tradisional yang hanya 800 vph, ini adalah peningkatan kapasitas sebesar 37,5%.

Ini adalah "momen pahlawan" dari AI. Peningkatan ini adalah perbedaan antara kelumpuhan jaringan jalan dan pemulihan yang cepat. Ini berarti ambulans dan truk pemadam kebakaran dapat mencapai lokasi insiden, karena AI secara aktif bekerja membersihkan rute bagi mereka, sementara sistem lama justru memperburuk masalah.

 

Kritik Realistis: Apakah Ini Siap Diterapkan di Jakarta Besok?

Meskipun hasil simulasi ini sangat menjanjikan dan menunjukkan "kekuatan transformatif" ¹, kita perlu bersikap realistis. Seperti halnya penelitian akademis, ada kesenjangan antara simulasi yang terkendali dan penerapan di dunia nyata yang kacau.

Para peneliti sendiri secara jujur mengidentifikasi area untuk "pekerjaan di masa depan," yang menyoroti keterbatasan studi saat ini ¹:

1. Tantangan Skalabilitas: Para penulis menyatakan bahwa pekerjaan di masa depan akan fokus pada "memperluas sistem ke jaringan yang lebih besar".¹ Ini secara implisit menunjukkan bahwa penelitian saat ini kemungkinan besar berfokus pada satu atau beberapa persimpangan terisolasi. Mengelola satu persimpangan itu relatif mudah. Namun, mengelola seluruh jaringan kota (seperti Jakarta atau Surabaya) adalah masalah yang jauh lebih kompleks. Keputusan AI di persimpangan A dapat secara tidak sengaja menyebabkan "efek riak" kemacetan di persimpangan Z, lima kilometer jauhnya. Sistem ini belum terbukti mampu menangani kompleksitas jaringan skala kota.
2. Tantangan Kelengkapan Data: Studi ini menyebutkan perlunya "menggabungkan parameter lalu lintas tambahan".¹ Ini adalah pengakuan bahwa model saat ini mungkin masih memiliki "titik buta" terhadap banyak variabel dunia nyata. Sistem ini dilatih untuk melihat kendaraan, tetapi bagaimana dengan pejalan kaki, jalur sepeda, atau kondisi cuaca? Hujan lebat yang tiba-tiba memperlambat semua orang, atau konser besar yang melepaskan 50.000 orang sekaligus, adalah variabel yang harus diperhitungkan oleh sistem yang benar-benar cerdas.
3. Tantangan Akurasi: Meskipun kinerja model prediksinya (Neural Network) kuat, dengan $R^{2}$ 0.89 pada data pengujian ¹, selalu ada ruang untuk perbaikan. Para penulis mencatat perlunya "meningkatkan akurasi model".¹ Dalam manajemen lalu lintas, kesalahan 11%—atau bahkan 5%—bisa berakibat fatal. Prediksi yang salah dapat menyebabkan kecelakaan. Akurasi yang mendekati sempurna adalah suatu keharusan sebelum sistem ini dapat sepenuhnya menggantikan pengawasan manusia.

 

Dampak Nyata: Masa Depan Tanpa Kemacetan?

Meskipun ada keterbatasan, penelitian oleh Rohilla dan Kumar ini memberikan sebuah visi yang kuat dan berbasis data tentang masa depan mobilitas perkotaan. Ini bukan lagi fiksi ilmiah. Teknologi intinya sudah ada, dibangun di atas perangkat lunak open-source yang dapat diakses.¹

Kesimpulannya jelas: sistem adaptif berbasis machine learning secara fundamental lebih unggul daripada sistem timer tetap yang kaku. Peningkatan kinerja yang ditunjukkan—terutama peningkatan throughput 37,5% selama skenario insiden—sangatlah signifikan.¹

Jika diterapkan dalam skala besar di wilayah perkotaan utama, temuan ini menunjukkan potensi untuk secara langsung mengurangi rata-rata waktu tunggu komuter di persimpangan sibuk hingga sepertiganya. Dalam lima tahun, adopsi teknologi ini dapat menghemat jutaan jam kerja produktif yang hilang, mengurangi emisi karbon secara signifikan dengan meminimalkan waktu idle kendaraan, dan yang terpenting, membuat kota-kota kita lebih aman dengan memprioritaskan layanan darurat secara cerdas.

Penelitian ini adalah langkah maju yang besar. Ini mengubah lampu lalu lintas dari penjaga gerbang yang "bodoh" menjadi manajer lalu lintas yang "cerdas" dan proaktif.

 

Sumber Artikel:

https://doi.org/10.17605/OSF.IO/2P46A

Pendahuluan: Di Balik Sirene dan Kertas yang Menumpuk

Di tengah hiruk pikuk jalan raya, suara sirene yang memecah keheningan adalah penanda sebuah tragedi baru saja terjadi. Petugas kepolisian dari satuan lalu lintas tiba di lokasi, sigap mengamankan tempat kejadian perkara, menolong korban, dan mengatur arus kendaraan yang tersendat. Ini adalah wajah penanganan kecelakaan yang paling kita kenal: responsif, cepat, dan kasat mata. Namun, di balik aksi heroik di lapangan, ada pertempuran lain yang tak kalah krusial, sebuah pertempuran sunyi yang terjadi di balik meja administrasi, di antara tumpukan kertas laporan dan baris-baris data yang membentang tanpa akhir.

Pertempuran inilah yang menjadi titik kritis dalam upaya pencegahan kecelakaan di masa depan. Sebab, efektivitas kepolisian dalam merumuskan strategi keamanan jalan raya tidak hanya bergantung pada kecepatan respons di lapangan, tetapi juga pada kemampuan mereka untuk membaca, menganalisis, dan memahami pola dari setiap insiden yang terjadi. Sayangnya, sebuah penelitian terbaru dari Politeknik Harapan Bangsa Surakarta menyoroti betapa proses vital ini sering kali terhambat oleh sistem yang usang. Studi kasus di Kepolisian Resor Kota (Polresta) Surakarta menemukan bahwa proses pencatatan yang masih manual menjadi penghalang utama dalam mengubah data mentah menjadi intelijen yang dapat menyelamatkan nyawa.¹

Di tengah tantangan ini, penelitian yang dipimpin oleh Muhammad Fauzi, Ari Pantjarani, dan Mursid Dwi Hastomo menawarkan secercah harapan. Mereka tidak hanya mengidentifikasi masalah, tetapi juga merancang dan membangun sebuah solusi digital yang menjanjikan sebuah lompatan besar. Ini bukan sekadar cerita tentang modernisasi perangkat lunak; ini adalah kisah tentang sebuah pergeseran filosofis dalam tubuh kepolisian—dari sekadar menjadi pencatat peristiwa menjadi arsitek proaktif dalam strategi keselamatan publik berbasis data.

 

Ketika Excel Tak Lagi Cukup: Diagnosis Masalah di Polresta Surakarta

Sebelum inovasi ini lahir, realitas sehari-hari di bagian administrasi Satuan Lalu Lintas Polresta Surakarta adalah cerminan dari tantangan yang dihadapi banyak institusi publik. Proses pendataan kecelakaan lalu lintas masih sangat bergantung pada metode konvensional: pencatatan manual yang kemudian dimasukkan ke dalam lembar kerja Microsoft Excel.¹ Dalam sebuah wawancara yang menjadi bagian dari penelitian ini, Aipda Joko Sodo dari divisi administrasi lalu lintas mengonfirmasi bahwa setiap laporan, baik yang masuk melalui telepon darurat maupun laporan langsung, didokumentasikan dalam sistem berbasis Excel tersebut.¹

Pada masanya, Excel adalah sebuah revolusi. Namun, untuk menangani kompleksitas data kecelakaan lalu lintas modern yang melibatkan puluhan variabel, perangkat lunak ini tak ubahnya seperti catatan tangan digital. Para peneliti mengidentifikasi bahwa sistem ini melahirkan serangkaian inefisiensi yang berdampak langsung pada kemampuan pengambilan keputusan strategis.

Masalah-masalah ini dapat diuraikan menjadi beberapa poin kritis:

• Data yang Terfragmentasi: Setiap insiden kecelakaan dicatat sebagai entitas terpisah, mungkin dalam baris atau file yang berbeda. Akibatnya, untuk melihat gambaran besar—seperti tren kecelakaan di persimpangan tertentu atau pola pelanggaran pada jam-jam sibuk—petugas harus melakukan konsolidasi data secara manual. Proses ini tidak hanya memakan waktu, tetapi juga sangat rentan terhadap kesalahan.
• Risiko Kesalahan Manusia yang Tinggi: Proses entri data manual adalah ladang subur bagi ketidakkonsistenan. Kesalahan pengetikan nama jalan, format tanggal yang tidak seragam, atau bahkan data yang terlewatkan dapat merusak integritas seluruh basis data. Kesalahan kecil ini bisa berakumulasi dan menghasilkan analisis yang keliru.
• Kelumpuhan Analitis: Keterbatasan utama dari sistem lama adalah ketidakmampuannya untuk melakukan analisis mendalam secara cepat. Para peneliti menggambarkannya sebagai proses yang "menghambat pengumpulan, analisis dan pelaporan data".¹ Analogi yang tepat mungkin seperti ini: mencoba menemukan pola kecelakaan dari ribuan baris data Excel adalah seperti mencoba menavigasi sebuah kota besar menggunakan tumpukan peta tulisan tangan yang terpisah-pisah, alih-alih menggunakan satu sistem GPS yang terintegrasi dan interaktif.
• Pelaporan yang Lambat kepada Pimpinan: Laporan yang dibutuhkan oleh pimpinan, seperti Kapolresta, untuk membuat keputusan strategis harus disusun secara manual. Proses ini memakan waktu, yang berarti data yang sampai ke meja pimpinan bisa jadi sudah tidak relevan lagi dengan kondisi terkini di lapangan.

Kondisi di Polresta Surakarta ini adalah sebuah mikrokosmos dari tantangan yang lebih besar, yang sering disebut sebagai "kesenjangan digital" di sektor publik. Di banyak lembaga, teknologi administrasi gagal mengimbangi kompleksitas masalah yang seharusnya mereka selesaikan. Kasus ini menunjukkan bahwa ketergantungan pada alat seperti Excel bukanlah sekadar masalah teknis, melainkan sebuah hambatan sistemik yang menghalangi institusi untuk berfungsi pada kapasitas puncaknya. Kebutuhan akan sebuah sistem yang terintegrasi, cerdas, dan efisien bukan lagi sebuah kemewahan, melainkan sebuah keharusan mendesak.

 

"SIDELIS": Sebuah Lompatan Digital untuk Keamanan Publik

Menjawab tantangan tersebut, para peneliti merancang dan membangun sebuah solusi yang secara fundamental mengubah cara Polresta Surakarta mengelola data kecelakaan. Sistem informasi berbasis web ini, yang dalam antarmukanya disebut sebagai "SIDELIS" (Sistem Informasi Data Kecelakaan Lalu Lintas), dirancang untuk menjadi tulang punggung digital baru bagi satuan lalu lintas.¹

Di balik antarmuka yang ramah pengguna, SIDELIS dibangun di atas fondasi teknologi yang solid dan teruji. Para peneliti memilih menggunakan bahasa pemrograman PHP dan basis data MySQL.¹ Pilihan ini sangat strategis. PHP dapat diibaratkan sebagai "bahasa" yang digunakan untuk membangun semua fitur interaktif sistem—mulai dari formulir entri data hingga tombol untuk mencetak laporan. Sementara itu, MySQL berperan sebagai "lemari arsip digital" yang sangat terorganisir. Tidak seperti Excel yang menyimpan data dalam lembaran datar, MySQL menyimpan informasi dalam tabel-tabel yang saling terhubung, memungkinkan data untuk diakses, disaring, dan dianalisis dengan kecepatan dan kompleksitas yang jauh melampaui kemampuan sistem sebelumnya.

Proses pengembangan sistem ini sendiri menunjukkan tingkat profesionalisme yang tinggi. Para peneliti tidak mengambil jalan pintas, melainkan mengadopsi metodologi System Development Life Cycle (SDLC) dengan model Waterfall.¹ Model ini bisa dianalogikan seperti membangun sebuah gedung: setiap tahap harus diselesaikan dengan sempurna sebelum melangkah ke tahap berikutnya. Mulai dari analisis kebutuhan yang mendalam, perancangan arsitektur sistem, implementasi kode, hingga pengujian menyeluruh, setiap langkah dilakukan secara berurutan dan sistematis. Pendekatan ini memastikan bahwa produk akhir yang dihasilkan benar-benar sesuai dengan kebutuhan nyata yang diidentifikasi di lapangan, bukan sekadar solusi teknologi yang dipaksakan.

 

Anatomi Sistem: Bagaimana Informasi Mengalir dari Jalan Raya ke Meja Pimpinan

Keunggulan sejati SIDELIS terletak pada alur kerjanya yang mengubah data mentah dari lokasi kecelakaan menjadi informasi strategis yang siap digunakan oleh pimpinan. Sistem ini secara efektif mendigitalkan dan mengintegrasikan seluruh proses, yang sebelumnya terpecah-pecah dan manual. Perjalanan data dalam sistem baru ini dapat dinarasikan sebagai berikut.

Semuanya dimulai ketika petugas satuan lalu lintas melaporkan detail sebuah kecelakaan ke bagian administrasi. Di sinilah transformasi digital dimulai. Seorang administrator akan masuk ke sistem melalui halaman login yang aman ¹ dan disambut oleh dasbor utama yang bersih dan intuitif.¹ Dari sini, mereka dapat memasukkan informasi ke dalam modul-modul yang telah dirancang khusus untuk menangkap setiap aspek dari sebuah insiden.

Proses ini bukan sekadar mengisi formulir digital, melainkan membangun sebuah gambaran 360 derajat dari setiap kecelakaan melalui basis data yang saling terhubung. Tanpa perlu menampilkan tabel teknis, struktur data ini dapat dideskripsikan sebagai berikut:

• Berkas Induk Kecelakaan: Inti dari setiap catatan adalah data kecelakaan itu sendiri. Sistem mencatat informasi fundamental: tanggal, jam, lokasi persis, dan deskripsi naratif tentang bagaimana insiden itu terjadi. Ini menjadi jangkar bagi semua data lain yang terkait.¹
• Profil Pelaku yang Komprehensif: Di sinilah sistem mulai menunjukkan kekuatannya. Alih-alih hanya mencatat nama, SIDELIS meminta profil pelaku yang sangat rinci. Selain data identitas standar seperti nomor KTP, alamat, dan nomor telepon, sistem ini juga mencatat jenis dan nomor kendaraan yang digunakan. Lebih penting lagi, sistem ini dirancang untuk menangkap data kualitatif yang krusial untuk analisis perilaku: status kesehatan pelaku, kondisi psikologisnya saat kejadian, dan bahkan apakah ia berada di bawah pengaruh alkohol.¹ Data ini mengubah catatan administratif sederhana menjadi dataset perilaku yang kaya, yang dapat digunakan untuk mengidentifikasi faktor risiko utama.
• Kisah Korban yang Terdokumentasi: Demikian pula, data korban dicatat dengan sangat detail. Informasi yang dikumpulkan tidak hanya sebatas identitas, tetapi juga mencakup jenis cedera yang dialami (misalnya, luka ringan atau parah) dan keadaan korban setelah kecelakaan (misalnya, sadar atau tidak sadar).¹ Data ini sangat berharga, tidak hanya untuk kepentingan penegakan hukum, tetapi juga untuk analisis kesehatan masyarakat dan evaluasi keselamatan kendaraan.
• Kesaksian yang Terarsip Digital: Kesaksian dari para saksi mata sering kali menjadi kunci dalam penyelesaian kasus. SIDELIS menyediakan modul khusus untuk mencatat identitas saksi beserta keterangan atau kesaksian lengkap mereka, memastikan bahwa perspektif penting ini terhubung secara digital ke berkas kasus utama dan tidak akan hilang atau terselip.¹

Kekuatan sebenarnya dari arsitektur ini adalah struktur databasenya yang relasional. Ini bukan sekadar empat daftar data yang terpisah; ini adalah sebuah jaring informasi di mana data pelaku, korban, dan saksi terhubung secara logis ke data kecelakaan yang spesifik. Kemampuan inilah yang memungkinkan analisis canggih yang mustahil dilakukan dengan Excel. Seorang analis kini dapat mengajukan pertanyaan kompleks seperti, "Tampilkan semua kecelakaan yang melibatkan pengendara di bawah pengaruh alkohol di Jalan Slamet Riyadi selama tiga bulan terakhir," dan mendapatkan jawaban dalam hitungan detik.

Langkah terakhir dalam alur kerja ini adalah transformasi data menjadi intelijen. Sistem ini memungkinkan bagian administrasi dan pimpinan untuk secara instan menghasilkan dan mencetak laporan komprehensif untuk setiap kategori data—laporan kecelakaan, pelaku, korban, dan saksi.¹ Proses yang tadinya memakan waktu berjam-jam atau bahkan berhari-hari kini dapat diselesaikan dengan beberapa klik, menyajikan informasi yang akurat dan tepat waktu langsung ke meja para pengambil keputusan.

 

Ujian Validasi: Memastikan Sistem Bekerja Tanpa Celah

Sebuah ide cemerlang di atas kertas tidak ada artinya jika tidak dapat berfungsi dengan andal di dunia nyata. Untuk memastikan bahwa SIDELIS bukan hanya konsep yang bagus tetapi juga alat yang kokoh, para peneliti melakukan tahap verifikasi yang ketat menggunakan metode pengujian Black Box.¹

Konsep pengujian Black Box dapat dijelaskan dengan analogi sederhana. Bayangkan Anda menguji sebuah mobil baru. Anda tidak perlu membuka kap mesin dan memeriksa setiap kabel (kode program). Sebaliknya, Anda duduk di kursi pengemudi dan menguji setiap fungsi yang tersedia: menyalakan mesin, menginjak gas, mengerem, menyalakan lampu, mengaktifkan wiper, dan sebagainya. Anda hanya peduli apakah mobil tersebut melakukan apa yang seharusnya dilakukan dari perspektif pengguna.

Inilah pendekatan yang diambil oleh para peneliti. Mereka menguji setiap fungsi utama sistem dari sudut pandang pengguna akhir. Setiap skenario diuji secara sistematis, mulai dari yang paling dasar hingga yang paling kompleks. Proses pengujian mencakup seluruh spektrum fungsionalitas sistem, seperti:

• Memasukkan username dan password yang valid untuk memastikan akses ke menu utama berhasil.
• Menambah, mengedit, dan menghapus data untuk setiap modul: data kecelakaan, data pelaku, data korban, dan data saksi.
• Mencetak laporan dari setiap modul untuk memastikan fungsi output bekerja dengan benar.
• Mengelola data pengguna (users) oleh akun pimpinan.

Hasil dari pengujian ini sangat meyakinkan. Setiap fungsi yang diuji—tanpa kecuali—berhasil dijalankan sesuai dengan yang diharapkan. Laporan penelitian menyimpulkan setiap item pengujian dengan satu kata: "Valid".¹ Skor sempurna ini memberikan bukti empiris bahwa sistem yang dikembangkan tidak hanya fungsional secara teori, tetapi juga stabil, andal, dan siap untuk diimplementasikan di lingkungan operasional Polresta Surakarta. Keberhasilan tahap validasi ini adalah stempel persetujuan teknis, yang menegaskan bahwa SIDELIS adalah alat yang dapat diandalkan untuk tugas kritis mengelola data keselamatan publik.

 

Sebuah Tinjauan Kritis: Potensi Besar dan Langkah Berikutnya

Tidak ada penelitian yang sempurna, dan sebuah analisis yang jujur harus mengakui keberhasilan sekaligus mengidentifikasi area untuk pengembangan di masa depan. Proyek SIDELIS di Polresta Surakarta tidak diragukan lagi merupakan sebuah studi kasus yang sukses dan sebuah bukti konsep (proof-of-concept) yang kuat. Namun, untuk bertransformasi dari proyek percontohan menjadi solusi berskala nasional, ada beberapa pertanyaan penting yang perlu dijawab, yang berada di luar cakupan penelitian awal ini.

Pertama adalah pertanyaan tentang skalabilitas. Sistem ini dirancang dan diuji untuk kebutuhan satu Kepolisian Resor Kota. Mengimplementasikannya di tingkat Kepolisian Daerah (Polda) atau bahkan di tingkat nasional (Polri) akan menghadirkan tantangan teknis dan logistik yang jauh lebih besar. Volume data akan meningkat secara eksponensial, dan arsitektur sistem mungkin perlu dirancang ulang untuk menangani beban tersebut sambil memastikan kinerja yang cepat dan responsif.

Kedua, ada faktor manusia. Penelitian ini berfokus pada pengembangan teknologi, tetapi keberhasilan implementasi teknologi mana pun sangat bergantung pada penggunanya. Transformasi digital yang sejati membutuhkan lebih dari sekadar perangkat lunak baru; ia memerlukan pelatihan yang komprehensif bagi seluruh personel yang akan menggunakannya, serta upaya untuk membangun budaya kerja yang menghargai akurasi dan integritas data. Bagaimana memastikan setiap petugas di lapangan dan di kantor administrasi terlatih untuk menggunakan sistem ini secara efektif adalah pertanyaan krusial berikutnya.

Ketiga, dan mungkin yang paling kritis, adalah isu keamanan siber dan privasi data. Sebuah basis data kepolisian yang berisi informasi pribadi yang sensitif tentang warga negara—termasuk data identitas, kesehatan, dan keterangan saksi—adalah target bernilai tinggi bagi para pelaku kejahatan siber. Penelitian ini tidak merinci protokol keamanan spesifik seperti enkripsi data, firewall, atau mekanisme perlindungan terhadap akses tidak sah. Dalam implementasi dunia nyata, membangun benteng keamanan digital yang kokoh di sekitar sistem ini adalah sebuah keharusan mutlak.

Terakhir, dari sisi metodologi pengembangan, model Waterfall yang digunakan memang efektif untuk proyek dengan kebutuhan yang jelas dan tidak berubah. Namun, dunia kepolisian bersifat dinamis. Kebutuhan analisis dan pelaporan dapat berkembang seiring waktu. Untuk pengembangan di masa depan, pendekatan yang lebih fleksibel seperti metodologi Agile mungkin lebih cocok, karena memungkinkan pengembangan secara iteratif dan adaptif terhadap kebutuhan baru yang muncul dari lapangan.

Keterbatasan-keterbatasan ini bukanlah sebuah kritik yang menihilkan pencapaian penelitian ini. Sebaliknya, mereka berfungsi sebagai peta jalan yang berharga untuk penelitian dan pengembangan selanjutnya. Mereka menyoroti bahwa keberhasilan proyek teknologi di sektor publik tidak hanya diukur dari fungsionalitas teknisnya, tetapi juga dari kemampuannya untuk diskalakan, diadopsi oleh pengguna, diamankan dari ancaman, dan diadaptasi untuk masa depan.

 

Dampak Nyata: Bagaimana Inovasi Ini Bisa Mengubah Wajah Kepolisian Indonesia

Manfaat langsung dari sistem seperti SIDELIS adalah efisiensi administratif—penghematan waktu, pengurangan penggunaan kertas, dan penghapusan proses manual yang melelahkan. Namun, dampak sejatinya jauh melampaui itu. Potensi transformatif dari sistem ini terletak pada kemampuannya untuk mengubah data dari sekadar arsip menjadi aset strategis untuk pencegahan.

Dengan data yang terpusat, terstruktur, dan mudah diakses, kepolisian diberdayakan untuk beralih dari mode reaktif ke proaktif. Inilah wajah baru kepolisian presisi yang dimungkinkan oleh teknologi:

• Identifikasi Titik Rawan (Blackspots): Dengan beberapa klik, sistem dapat menghasilkan peta panas (heat maps) yang secara visual menunjukkan lokasi-lokasi dengan frekuensi kecelakaan tertinggi. Informasi ini memungkinkan pihak kepolisian, bersama dengan dinas perhubungan, untuk memprioritaskan perbaikan infrastruktur—seperti pemasangan lampu lalu lintas, perbaikan rambu, atau perubahan desain persimpangan—di area yang paling membutuhkannya.
• Memahami Akar Masalah: Dengan menganalisis data agregat tentang pelaku dan kondisi kecelakaan, kepolisian dapat menggali lebih dalam untuk memahami penyebab utama. Apakah lonjakan kecelakaan pada malam akhir pekan terkait dengan pengendara di bawah pengaruh alkohol? Apakah ada tipe kendaraan tertentu yang lebih sering terlibat dalam insiden fatal? Jawaban atas pertanyaan-pertanyaan ini memungkinkan perumusan kampanye keselamatan yang jauh lebih tertarget dan efektif.
• Alokasi Sumber Daya yang Strategis: Informasi tentang kapan dan di mana kecelakaan paling sering terjadi memungkinkan pimpinan untuk menempatkan patroli secara lebih cerdas. Sumber daya yang terbatas dapat difokuskan pada area berisiko tinggi pada waktu-waktu paling rawan, meningkatkan kehadiran polisi dan efek jera tanpa harus menambah anggaran secara signifikan.

Jika sebuah sistem seperti SIDELIS diadopsi dan diintegrasikan secara nasional, ia dapat memberikan Indonesia peta kecelakaan lalu lintas beresolusi tinggi dan real-time untuk pertama kalinya dalam sejarah. Dalam waktu lima tahun, data ini dapat memberdayakan para pembuat kebijakan untuk merancang kampanye keselamatan yang terarah dan perbaikan infrastruktur yang berbasis bukti. Pada akhirnya, inovasi yang dimulai sebagai alat administrasi sederhana di Surakarta ini memiliki potensi untuk menjadi instrumen vital bagi kesehatan dan keselamatan publik, yang secara nyata dapat mengurangi angka fatalitas di jalan raya dan menyelamatkan nyawa.

 

Sumber Artikel

https://journal.polhas.ac.id/index.php/imaging/article/view/1063

Episentrum Kemacetan: Mengapa Sistem Konvensional Gagal Total

Narasi Pembuka: Kota yang Lumpuh oleh Kepadatan

Pemerintah di seluruh dunia berlomba-lomba membangun ‘Kota Pintar’ (Smart City) sebagai solusi modern atas krisis urbanisasi. Namun, di tengah janji efisiensi, satu masalah kritis sering kali terabaikan: manajemen lalu lintas yang berkelanjutan. Meskipun kota-kota pintar telah membawa perbaikan dramatis dalam pengelolaan energi dan keamanan publik, sektor transportasi sering kali tertinggal, terutama karena sifatnya yang sangat kompleks dan heterogen.¹

Kota-kota besar dihadapkan pada kenyataan pahit: lonjakan lalu lintas yang eksponensial kini jauh melampaui kapasitas jalan yang tersedia. Tantangan ini bukan hanya sekadar ketidaknyamanan, melainkan sebuah kegagalan sistemik yang mengancam dimensi keberlanjutan kota, baik dari sisi ekonomi, mobilitas, maupun lingkungan.¹ Dalam upaya mencari jalan keluar, para peneliti dari berbagai institusi global mengarahkan fokus pada integrasi sistem canggih untuk menjembatani jurang antara teknologi yang ada dan kebutuhan manajemen lalu lintas yang sesungguhnya.¹

Mengapa Temuan Ini Bisa Mengubah Dunia?

Krisis lalu lintas hari ini dapat diukur dalam angka yang mengejutkan, menggambarkan skala kerugian yang diderita masyarakat global. Lalu lintas yang padat secara konsisten memakan habis produktivitas. Sebuah studi menunjukkan bahwa, rata-rata, penduduk di Amerika Serikat kehilangan hingga 338 jam setiap tahun hanya karena terjebak di dalam kemacetan.¹ Angka ini setara dengan membuang tujuh minggu penuh jam kerja produktif, hanya untuk menatap lampu rem. Ini adalah replika skenario di sebagian besar pusat kota di dunia.

Sementara itu, krisis keselamatan jalan menjadi tragedi yang jauh lebih mendalam. Organisasi Kesehatan Dunia (WHO) melaporkan bahwa lebih dari 1,3 juta kematian disebabkan oleh kecelakaan jalan setiap tahun.¹ Yang lebih mencengangkan, lebih dari 90% dari kematian tragis ini terjadi di negara-negara berpenghasilan rendah dan menengah, menyoroti adanya kesenjangan serius dalam keselamatan dan infrastruktur.¹

Ancaman Urbanisasi sebagai Bom Waktu

Jika kondisi saat ini dianggap sulit, proyeksi masa depan melukiskan gambaran yang lebih suram. Populasi pusat kota diproyeksikan melonjak sebesar 63% pada tahun 2050.¹ Data dari Bank Dunia juga menunjukkan peningkatan drastis populasi urban di berbagai negara dalam satu dekade terakhir. Misalnya, antara tahun 2010 dan 2020, persentase populasi urban di Holland melonjak dari 82,74% menjadi 92,50%, sementara di Australia meningkat signifikan dari 67,45% menjadi 85,90%.¹ Kenaikan yang tak terelakkan ini, jika tidak diimbangi dengan solusi transportasi yang adaptif dan canggih, akan membuat kota-kota menjadi lumpuh.

Studi yang diterbitkan dalam jurnal Sustainability ini secara eksplisit bertujuan untuk menjembatani jurang yang melebar antara teknologi canggih saat ini dan sistem manajemen lalu lintas kota pintar.¹ Tujuan utamanya adalah untuk menawarkan kerangka kerja ITS berbasis Internet of Things (IoT) yang berkelanjutan, yang dapat mengubah manajemen lalu lintas dari sekadar respons pasif menjadi prediksi proaktif.

Konflik Inovasi Lama dengan Tuntutan Modern

Memahami krisis lalu lintas memerlukan pemahaman sejarah infrastruktur. Sistem sinyal lalu lintas modern pertama kali diperkenalkan di New York City pada tahun 1918 dan dikelola secara manual dengan pengaturan waktu sinyal yang tetap.¹ Butuh 64 tahun sebelum inovasi besar berikutnya muncul pada tahun 1982, yang menghasilkan penemuan lampu lalu lintas adaptif tiga warna yang dapat bekerja berdasarkan data waktu nyata.¹ Meskipun sistem 1982 ini menjadi standar global karena fleksibilitasnya, ia memiliki keterbatasan mendasar: ketidakmampuannya mengadopsi dinamisme lalu lintas modern yang dicirikan oleh volume dan kecepatan yang sangat tinggi.¹

Kerangka ITS-IoT yang diusulkan oleh para peneliti ini bertujuan untuk melakukan lompatan kuantum. Kerangka ini meninggalkan sistem yang secara inheren tidak mampu mengakomodasi kecepatan urbanisasi yang diperkirakan 63% hingga tahun 2050, dan bergerak menuju sistem yang memanfaatkan kecerdasan buatan untuk mengelola kompleksitas masa depan.¹

 

Jantung Solusi: Kerangka ITS-IoT Ganda

ITS dan IoT: Sistem Saraf Cerdas Jalanan

ITS, atau Sistem Transportasi Cerdas, pada awalnya dikembangkan untuk membantu kota dalam mengatasi masalah lalu lintas jalan.¹ Namun, berkat kemunculan dan integrasi mendalam dengan Internet of Things (IoT), sistem ini telah berevolusi dari alat rekayasa jalan sederhana menjadi sebuah platform komputasi awan berskala kota. ITS-IoT kini bertindak sebagai sistem saraf digital, mengintegrasikan sensor, perangkat, dan komputasi awan untuk mengumpulkan, menganalisis, dan merespons kondisi lalu lintas secara waktu nyata (real-time).¹

Untuk mengatasi lalu lintas yang semakin kompleks dan heterogen—yang terdiri dari campuran kendaraan yang dikemudikan manusia (HDV) dan kendaraan otonom terhubung (CAV)—para peneliti mengadopsi pendekatan ganda.¹ Pendekatan ini memandang lalu lintas melalui dua lensa utama:

1. Pendekatan Berbasis Pemodelan dan Analisis: Ini digunakan untuk memprediksi perilaku lalu lintas, seperti perkiraan kemacetan atau skenario masa depan.
2. Pendekatan Berbasis Pengambilan Keputusan: Ini fokus pada kebijakan manajemen segera, memungkinkan respons cepat terhadap insiden yang tidak terduga.¹

Kedua teknik ini sangat bergantung pada pengumpulan data waktu nyata dari pengguna jalan dan kendaraan menggunakan sensor Kecerdasan Buatan (AI) dan perangkat berbasis ITS.¹ Data yang terkumpul kemudian diproses menggunakan algoritma Machine Learning (ML) dan komputasi awan. Hal ini memungkinkan sistem untuk belajar dari pola lalu lintas dan memberikan kebijakan pengambilan keputusan yang terinformasi, serta mendokumentasikannya untuk referensi di masa depan.¹

Anatomi Tiga Lapisan Arsitektur Digital

Keberhasilan implementasi kerangka kerja ini didukung oleh arsitektur yang berlapis, membagi fungsionalitas menjadi tiga komponen utama yang saling bergantung:

Lapisan Fisik (Physical Layer)

Lapisan ini merupakan jantung dari pengumpulan data, terdiri dari komponen perangkat keras yang ditempatkan secara strategis di sepanjang jalan (persimpangan, jalan tol, area perkotaan). Komponen ini mencakup perangkat cerdas, kamera berbasis visi, loop coil, dan sensor AI lainnya.¹ Fungsinya adalah untuk merasakan, merekam, dan mengumpulkan informasi krusial seperti volume lalu lintas, kecepatan kendaraan, dan data pengguna jalan. Setelah data dikumpulkan, informasi ini diunggah ke komputasi awan dengan bantuan koneksi jaringan yang kuat.¹

Lapisan Jaringan (Network Layer)

Lapisan Jaringan memegang peran vital sebagai penghubung. Tugas utamanya adalah pengunggahan dan transmisi data yang relevan dari Lapisan Fisik. Integritas dan latensi rendah lapisan ini sangat penting. Jika jaringan mengalami kegagalan atau latensi tinggi, kemampuan sistem untuk bekerja secara real-time akan terhenti.¹ Ketika data mengalir dengan lancar, otoritas transportasi dapat memperoleh wawasan yang lebih luas, dan data ini dapat digunakan untuk berbagai aplikasi yang melayani pengguna jalan, seperti sistem komunikasi jarak pendek (Short-Range Communication) yang mendeteksi insiden di depan.¹

Lapisan Aplikasi (Application Layer)

Ini adalah antarmuka perangkat lunak yang menggunakan informasi yang diterima dari Lapisan Fisik dan Jaringan. Lapisan Aplikasi bertindak sebagai alat bantu keputusan, memberikan informasi kondisi lalu lintas waktu nyata kepada pengendara (misalnya, melalui aplikasi peta atau sistem GPS).¹ Aplikasi ini memastikan bahwa data yang terkumpul diterjemahkan menjadi rekomendasi rute alternatif, prediksi kemacetan, dan penyederhanaan aktivitas transportasi bagi penduduk kota.¹ Transformasi peran ITS dari alat rekayasa jalan menjadi platform komputasi awan berskala kota menunjukkan bahwa keberhasilan kerangka ini bergantung pada integrasi mulus ketiga lapisan ini.

 

Inovasi yang Mampu Mengurai Kemacetan

Kerangka kerja ITS-IoT mengintegrasikan serangkaian aplikasi yang dirancang tidak hanya untuk mengurai kemacetan, tetapi juga untuk memaksimalkan efisiensi dan keamanan transportasi perkotaan.

Mendefinisikan Ulang Fungsi Jalan

Berbagai aplikasi ITS mentransformasi cara jalan beroperasi, mengubahnya menjadi infrastruktur yang responsif dan cerdas:

• Deteksi Insiden Transportasi Waktu Nyata: Seluruh sistem transportasi rentan terhadap insiden tak terduga (kecelakaan, kerusakan infrastruktur, atau ancaman keamanan).¹ ITS-IoT berfungsi sebagai mata dan telinga yang selalu waspada. Lokasi dan data insiden segera dikomunikasikan ke pusat kendali untuk manajemen yang efektif. Informasi ini krusial untuk memberikan saran rute alternatif kepada komuter, mengurangi efek domino kemacetan. Penerapan konsep serupa di sistem trem Gothenburg, Swedia, telah menunjukkan kontribusi besar perangkat dan sensor deteksi insiden dalam manajemen lalu lintas dan penghematan energi.¹
• Manajemen Sinyal Lalu Lintas Adaptif: Ini adalah salah satu inovasi paling signifikan yang menggantikan waktu sinyal tetap yang kaku. Dengan menggunakan detektor induktif berbasis ITS yang ditanam di permukaan jalan, sistem mendeteksi volume, kecepatan, dan panjang antrian secara otomatis. Perangkat yang terhubung dengan IoT ini dikonfigurasikan untuk menghitung waktu siklus dan waktu hijau yang memadai secara dinamis, bahkan memberikan pertimbangan khusus untuk kendaraan prioritas.¹ Model seperti SCATS (Sydney Coordinated Adaptive Traffic System) telah secara praktis diterapkan di beberapa wilayah, membuktikan efektivitas sistem ini sebagai sistem pintu gerbang yang cerdas.¹
• Manajemen Parkir Efektif: Parkir yang tidak tepat dan mencari tempat parkir yang lama dapat melumpuhkan sistem lalu lintas. ITS membantu pengguna jalan dengan informasi panduan parkir, memfasilitasi metode pembayaran cerdas, dan mengelola lokasi parkir di jalan. Integrasi ITS ke dalam metode parkir konvensional membantu mengurangi waktu yang dihabiskan pengemudi mencari tempat, dan memastikan sistem manajemen lalu lintas tidak terganggu oleh parkir ilegal.¹

Mengoptimalkan Ekonomi dan Logistik

Peran ITS meluas melampaui manajemen lalu lintas individu, menjangkau sektor ekonomi dan lingkungan yang lebih luas.

• Logistik dan Manajemen Armada (Fleet and Freight Management): Pergerakan barang dan jasa adalah tulang punggung pembangunan sosio-ekonomi.¹ ITS memungkinkan perusahaan logistik untuk melacak kendaraan, memprediksi rute, menjadwalkan perjalanan secara efisien, dan memantau konsumsi bahan bakar menggunakan teknologi satelit dan radio. Berdasarkan penelitian, implementasi teknologi ini pada sektor logistik dapat membantu perusahaan menghemat hingga 9% dari total biaya operasional mereka.¹ Penghematan biaya yang substansial ini mendorong adopsi berkelanjutan.
• Platooning Truk Otomatis: Sektor transportasi global mengonsumsi lebih dari 50% bahan bakar yang diproduksi secara global, yang berkontribusi signifikan terhadap polusi dan gas rumah kaca.¹ Untuk mengatasi masalah lingkungan ini, platooning truk (mengemudi beriringan dengan jarak minimal) menjadi solusi utama. Sistem ini menggunakan teknologi ITS untuk mengendalikan jarak antar-kendaraan, mengoptimalkan konsumsi bahan bakar, dan mengurangi hambatan aerodinamis.¹ Dengan memfasilitasi sistem ini dan mempromosikan zona emisi rendah, ITS-IoT berfungsi sebagai mekanisme penegakan kebijakan lingkungan yang vital.

Integrasi ITS sebagai Penyelamat Lingkungan Global

Lompatan teknologi yang ditawarkan oleh kerangka ITS-IoT menunjukkan bahwa ITS bukan lagi sekadar alat lokal, melainkan komponen kunci dalam janji iklim global. Mengingat konsumsi bahan bakar transportasi global yang mencapai lebih dari 50%, tujuan ITS melampaui efisiensi lokal.¹ Dengan memfasilitasi platooning dan mempromosikan zona emisi rendah, ITS-IoT secara langsung mengurangi emisi. Selain itu, jika kota-kota besar dapat menghemat 9% biaya operasional logistik, dorongan ekonomi untuk adopsi berkelanjutan menjadi sangat kuat, menciptakan siklus positif antara efisiensi dan keberlanjutan.

Mengelola Heterogenitas: Tantangan Kendaraan Hibrida

Siapa yang Terdampak: Era HDV dan CAV

Tantangan paling kompleks yang dihadapi manajemen lalu lintas berkelanjutan di kota pintar adalah mengelola aliran lalu lintas yang heterogen, yang terdiri dari kendaraan yang dikemudikan manusia (HDV) dan kendaraan otonom terhubung (CAV).¹ Adopsi CAV yang terus meningkat bertujuan untuk mengurangi konsumsi bahan bakar, menurunkan polusi, dan meningkatkan kenyamanan serta keselamatan sistem transportasi secara keseluruhan.¹ Namun, kehadiran HDV dan CAV secara bersamaan menimbulkan kompleksitas yang belum pernah terjadi sebelumnya.

Kebutuhan untuk Persepsi Kooperatif

Agar CAV berfungsi dengan aman, mereka harus memiliki persepsi yang jelas tentang lingkungan sekitar, yang biasanya dicapai melalui sensor seperti radar, kamera, dan lidar. Namun, perangkat konvensional ini memiliki keterbatasan, terutama dalam kondisi cuaca ekstrem atau saat menghadapi blind spots (titik buta) yang disebabkan oleh hambatan fisik.¹

Solusinya terletak pada Cooperative Perception (Persepsi Kooperatif). Sistem ini memanfaatkan komunikasi nirkabel (V2V—Vehicle-to-Vehicle) antara kendaraan dan node infrastruktur. Dengan mentransmisikan informasi secara real-time, sistem ini mengatasi titik buta dan mendeteksi rintangan sementara yang mungkin tidak terlihat oleh sensor tunggal.¹ Inovasi ini, yang didukung oleh sistem fusi data canggih seperti filter Kalman yang disempurnakan (misalnya Cubature Kalman filter dan Unscented Kalman filter) ¹, memastikan bahwa kendaraan otonom dapat mempertahankan stabilitas dan keselamatan bahkan ketika berinteraksi dengan perilaku HDV yang tidak terduga.

Pemodelan untuk Memprediksi Stabilitas

Untuk mengelola ketidakpastian dalam lalu lintas hibrida, para peneliti mengandalkan pemodelan canggih. Sebelum menerapkan sistem pengambilan keputusan, penting untuk memahami sifat data melalui tahapan Knowledge Discovery in Database (KDD), mulai dari pemahaman bisnis, persiapan data, pemodelan, evaluasi, hingga penyebaran.¹

Analisis lalu lintas secara umum diklasifikasikan menjadi tiga model utama:

• Model Mikroskopik: Model ini memberikan hubungan yang meyakinkan antara kendaraan, komuter, dan jaringan jalan secara individu. Ini sangat berguna untuk memahami interaksi langsung HDV dan CAV, misalnya melalui model car-following.¹
• Model Makroskopik: Berbeda dengan mikroskopik, model ini membangun hubungan matematis yang lebih luas menggunakan kepadatan dan aliran arus lalu lintas, mengabaikan karakteristik individu kendaraan.¹
• Model Mesoskopik: Model ini menjembatani celah di antara kedua model di atas, bekerja pada tingkat probabilitas distribusi untuk menjelaskan sifat lalu lintas.¹

Dampak Kuantum CAV

Studi tentang lalu lintas hibrida menyoroti temuan penting: pengenalan CAV ke dalam aliran HDV konvensional terbukti dapat meningkatkan karakteristik kemacetan dan secara drastis mengurangi ketidakpastian.¹ Model transmisi sel (CTM), misalnya, telah terbukti menjanjikan untuk memprediksi kecepatan dan kemacetan dalam skenario lalu lintas campuran.

Tantangan pengambilan keputusan dalam lalu lintas hibrida adalah perlombaan antara kecepatan data dan ketidakpastian perilaku manusia. Lalu lintas hibrida menghasilkan "ketidakpastian" (dari HDV, seperti ngebut atau pengereman mendadak) yang harus segera diatasi oleh "kepastian" (dari CAV dan sistem AI). Keputusan berbasis analisis data memerlukan waktu, tetapi lalu lintas yang heterogen menuntut pendekatan proaktif dan waktu nyata.¹ Oleh karena itu, model AI dan CTM harus mampu memprediksi kesalahan manusia sebelum kesalahan tersebut mengganggu arus, yang menetapkan standar kredibilitas yang sangat tinggi bagi sistem.

 

Opini Jurnalistik: Biaya Inovasi dan Kritik Realistis

Meskipun kerangka ITS-IoT menjanjikan visi kota yang lebih cerdas dan hijau, implementasi teknologi ini di dunia nyata menghadapi tantangan yang perlu dikritisi secara realistis.

Jebakan Implementasi dan Keterbatasan

Implementasi ITS melibatkan penggunaan perangkat canggih yang mahal dan sensitif. Peralatan deteksi seperti pemrosesan citra video, radar gelombang mikro, dan radar laser sering kali sensitif terhadap gangguan cuaca buruk, bahkan vandalisme.¹ Dilema implementasi muncul: solusi paling canggih (yaitu, yang paling andal dalam pengumpulan data) adalah yang paling sulit untuk dipertahankan dalam kondisi lingkungan yang keras.fd

Kritik Realistis: Jurang Kesenjangan Global

Salah satu kritik paling mendasar terhadap studi yang berfokus pada kerangka kerja kota pintar adalah masalah kesetaraan global. Lebih dari 90% kematian akibat kecelakaan jalan terjadi di negara berpenghasilan rendah dan menengah.¹ Negara-negara ini adalah yang paling membutuhkan teknologi keselamatan canggih seperti ITS-IoT, namun mereka jugalah yang paling sulit mengimplementasikannya karena kendala biaya perangkat keras yang mahal dan kurangnya infrastruktur jaringan yang kuat.¹

Jika studi dan implementasi ITS-IoT terus terfokus pada kota-kota metropolitan kaya, solusi ‘kota pintar’ ini berisiko memperlebar kesenjangan keselamatan, menciptakan dua kelas pengguna jalan: mereka yang dilindungi oleh teknologi prediktif AI dan mereka yang masih berhadapan dengan sistem usang.

Selain itu, keberhasilan ITS bergantung pada kepatuhan penuh pengguna jalan. Dalam skenario lalu lintas hibrida, ketidakpatuhan manusia (misalnya, overspeeding atau mengabaikan informasi rute) dapat dengan mudah mengganggu algoritma kontrol yang optimal, yang dirancang untuk kondisi ideal.¹

Rekomendasi Jangka Panjang untuk Keberlanjutan

Keberlanjutan manajemen lalu lintas tidak hanya tentang teknologi, tetapi juga tentang tata kelola dan perencanaan yang terintegrasi. Studi ini merekomendasikan empat pilar kinerja penting yang harus dipertimbangkan oleh pembuat kebijakan:

• Visi Tata Ruang (Land Use Visioning): Perlu adanya konsensus yang jelas mengenai alokasi lahan untuk infrastruktur penting (transportasi, taman, hunian) untuk memandu pengembangan kota di masa depan. Pendekatan ini memfasilitasi prediksi pertumbuhan masa depan.¹
• Perencanaan Transportasi Jangka Panjang: Keputusan hari ini mengenai infrastruktur transportasi harus diprioritaskan berdasarkan hasil komprehensif dari perencanaan jangka panjang, menggunakan metrik pengembalian investasi dan analisis manfaat-biaya. Ini penting untuk memastikan pendanaan yang memadai.¹
• Pemrograman Studi Koridor: Di kota pintar, studi koridor harus dilakukan secara independen dari perencanaan jangka panjang untuk memastikan jalan raya utama bebas hambatan, memiliki aksesibilitas penuh, dan mobilitas yang tepat bagi pengguna jalan, yang secara langsung berkontribusi pada manajemen lalu lintas yang lebih baik.¹
• Pemantauan Kinerja Lingkungan: Setiap proyek transportasi baru harus melalui penilaian lingkungan yang tepat sebelum konstruksi. Penilaian ini harus memastikan bahwa infrastruktur tidak menciptakan ancaman yang melanggar tujuan keberlanjutan. Pemantauan berkala terhadap infrastruktur yang sudah ada juga penting untuk mengukur tingkat kemacetan, polusi, dan faktor lain yang merugikan pembangunan kota pintar.¹

 

Pernyataan Dampak Nyata dan Visi Nol Emisi

Membalikkan Tren Polusi dan Biaya

Kerangka ITS-IoT adalah mekanisme penting dalam membalikkan tren polusi yang mengancam keberlanjutan. Lalu lintas, terutama kemacetan, merupakan sumber utama polusi udara dengan emisi gas berbahaya seperti karbon dioksida, karbon monoksida, dan nitrogen oksida.¹ Dengan memprediksi, mencegah, dan mengurai kemacetan (recurrent maupun non-recurrent), sistem ini mengurangi waktu kendaraan berada dalam mode idle (diam), yang merupakan penyumbang utama emisi.¹

• Target Nol Emisi dan Energi: Saat ini, lebih dari 50% bahan bakar yang diproduksi secara global dikonsumsi oleh industri transportasi.¹ Kerangka ITS-IoT secara aktif mempromosikan penggunaan transportasi publik dan menganjurkan pembentukan zona emisi rendah karbon, secara langsung mengatasi masalah lingkungan.¹
• Pemulihan Waktu yang Hilang: Dengan kemampuannya untuk melakukan prediksi lalu lintas, mengurangi kemacetan, dan menyarankan rute alternatif, jam-jam yang hilang akibat kemacetan (seperti 338 jam per tahun di AS) dapat diminimalkan secara drastis.¹ Efisiensi ini memulihkan produktivitas ekonomi yang sangat besar.

Proyeksi Dampak Jangka Menengah

Jika kerangka ITS-IoT ini diterapkan secara komprehensif di koridor transportasi utama kota-kota besar yang padat dan terintegrasi dengan kebijakan tata ruang yang ketat, temuan penelitian ini memiliki potensi untuk menghasilkan dampak signifikan:

• Mengurangi kerugian ekonomi tahunan akibat waktu yang hilang dalam kemacetan hingga 40% dalam waktu lima hingga tujuh tahun. Pengurangan ini dicapai melalui optimalisasi sinyal adaptif, manajemen insiden waktu nyata, dan penyediaan rute alternatif yang didukung oleh AI, yang secara langsung menargetkan kemacetan berulang.
• Menurunkan konsumsi bahan bakar di sektor logistik perkotaan sebesar 15% dalam waktu lima tahun. Efisiensi ini didorong oleh manajemen armada cerdas (yang berpotensi menghemat 9% dari total biaya operasional) ¹ dan adopsi platooning truk otomatis, yang mengoptimalkan aliran kendaraan dan mengurangi hambatan aerodinamis.

 

Kesimpulan

Kota pintar masa depan membutuhkan pendekatan transportasi yang fleksibel, andal, dan terintegrasi dengan infrastruktur kecerdasan buatan mutakhir. Tantangan terbesar, yaitu kompleksitas dan heterogenitas lalu lintas campuran (HDV dan CAV), tidak dapat lagi diatasi dengan sistem sinyal tradisional yang kaku.¹ Kerangka ITS-IoT yang diusulkan, yang didukung oleh sensor AI, pembelajaran mesin, dan komputasi awan, menawarkan jalan keluar yang terstruktur.

Kerangka ini tidak hanya memungkinkan prediksi hasil lalu lintas dan peramalan kemacetan, tetapi juga mendukung kebijakan pengambilan keputusan yang proaktif, menyederhanakan aktivitas perjalanan urban, dan secara aktif mempromosikan zona emisi rendah. Visi kota yang lebih layak huni dan ramah lingkungan kini berada di tangan para pembuat kebijakan yang harus berani berinvestasi dalam integrasi AI, ML, dan Cloud Computing untuk memutus rantai kelumpuhan transportasi dan memberikan kualitas hidup yang lebih baik bagi penduduk kota.

 

Sumber Artikel:

https://doi.org/10.3390/su15139859