Latar Belakang Teoretis

Penelitian ini berakar pada karakteristik New Town Kolkata sebagai kota dengan konektivitas intens melalui jalan arteri lebar, di mana bus bertindak sebagai tulang punggung utama perjalanan intra dan antar-wilayah. Namun, karena panjangnya rute perjalanan, moda paratransit sering kali jarang dan tidak memadai. Ketergantungan komuter pada bus terhambat oleh ketidakpastian operasional.   

Kerangka teoretis proyek ini adalah Sistem Informasi Penumpang (Passenger Information System - PIS), yang didefinisikan sebagai sistem otomatis untuk menyediakan informasi real-time tentang status layanan transportasi. New Town Kolkata Development Authority (NKDA) menugaskan Webel Technology Ltd. (perusahaan BUMN Benggala Barat) pada 2019 untuk mengembangkan RPIDS guna mengurangi ketidakpastian waktu tunggu dan mendorong penggunaan transportasi umum.   

Metodologi dan Teknologi

Studi SAAR ini mengadopsi pendekatan studi kasus teknis dan evaluatif. Tim peneliti meninjau laporan teknis, melakukan survei pengintaian (reconnaissance survey) di halte bus, dan mengumpulkan data sekunder dari NKDA.   

Sistem RPIDS yang diimplementasikan memiliki fitur teknologi canggih:

• Tampilan LED & Audio: Layar LED yang kuat dipasang di 30 halte bus di seluruh New Town, dilengkapi dengan sistem audio untuk pengumuman.   

• Algoritma Cerdas: Sistem menggunakan algoritma pengambilan keputusan cerdas untuk menampilkan 5 baris informasi dengan fitur auto-overwrite.   

• Fitur Keamanan & Pemeliharaan: Inovasi utama termasuk sistem deteksi vandalisme otomatis, geo-fencing berbasis lokasi otomatis, dan deteksi pemadaman listrik otomatis, yang memastikan ketahanan infrastruktur.   

• Analitik Data: Sistem mencakup analisis data harian, laporan per-halte bus, dan mekanisme peringatan otomatis.   

Temuan Utama dengan Kontekstualisasi

Analisis implementasi proyek menghasilkan temuan positif mengenai kualitas eksekusi dan fungsi:

1. Pengurangan Ketidakpastian: Tujuan utama proyek tercapai. Dengan menyediakan informasi kedatangan dan keberangkatan real-time, sistem ini memungkinkan penumpang untuk "melakukan perjalanan dengan percaya diri" dan mengambil langkah yang diperlukan jika terjadi penundaan.   

2. Kualitas Implementasi: Survei pengintaian mengonfirmasi bahwa implementasi proyek di sebagian besar halte bus dilakukan dengan tepat sesuai anggaran. Halte bus seperti di Nazrul Tirtha, Novotel, dan DLF-I (total 29 halte yang terdaftar dalam studi) telah dilengkapi dengan papan PIS yang berfungsi.   

3. Integrasi Fasilitas Tambahan: NKDA mengambil pendekatan "lebih cerdas" dengan tidak hanya memasang layar, tetapi juga menyediakan fasilitas layanan lain di beberapa halte bus, meningkatkan kenyamanan pengguna secara keseluruhan.   

Keterbatasan dan Refleksi Kritis

Meskipun sukses secara teknis, studi ini menyoroti tantangan inheren dalam sistem PIS, yaitu ketersediaan dan akurasi data. Efektivitas RPIDS sangat bergantung pada data GPS real-time dari bus itu sendiri. Jika bus tidak dilengkapi pelacak atau jika transmisi data gagal, informasi yang ditampilkan menjadi tidak akurat, yang dapat mengikis kepercayaan pengguna.   

Selain itu, meskipun studi menyebutkan sistem deteksi vandalisme, detail mengenai efektivitas respons terhadap insiden vandalisme di lapangan tidak dijabarkan secara mendalam dalam ringkasan yang tersedia.

Implikasi Ilmiah di Masa Depan

Secara praktis, proyek ini menunjukkan bahwa digitalisasi halte bus adalah langkah penting menuju modernisasi angkutan umum di kota-kota India. Fitur deteksi vandalisme otomatis adalah inovasi yang patut ditiru untuk melindungi aset publik.

Rekomendasi tersirat dari studi ini adalah perlunya pemeliharaan berkelanjutan terhadap perangkat keras (layar LED) dan perangkat lunak (aliran data) untuk memastikan keandalan jangka panjang. Ekspansi sistem ke lebih banyak rute dan integrasi dengan aplikasi seluler pengguna akan semakin meningkatkan nilai RPIDS bagi warga.   

Sumber

Studi Kasus C11: A critical appraisal of Real-Time Passenger Information Display System (RPIDS) for public bus stops in New Town Area. (2023). Dalam SAAR: Smart cities and Academia towards Action and Research (Part C: Urban Infrastructure) (hlm. 98-101). National Institute of Urban Affairs (NIUA).   

Latar Belakang Teoretis

Penelitian ini berakar pada visi Bhubaneswar untuk menjadi "Transit-Oriented City" dan "Eco-City." Latar belakang masalahnya adalah dominasi kendaraan pribadi yang tidak berkelanjutan dan rendahnya pangsa angkutan umum (hanya 24% perjalanan menggunakan auto-rickshaw sebelum reformasi).   

Kerangka teoretis proyek ini menggabungkan dua pilar utama: Smart Transit (angkutan umum cerdas) dan Smart Traffic (manajemen lalu lintas cerdas). Tujuannya adalah untuk menyediakan fasilitas transportasi yang terpusat, meningkatkan keselamatan melalui penegakan hukum otomatis, dan mengurangi jejak karbon. Pembentukan Capital Region Urban Transport (CRUT) dan peluncuran layanan "Mo Bus" pada 2018 menjadi tulang punggung intervensi ini.   

Metodologi dan Kebaruan

Studi SAAR ini mengadopsi metodologi studi kasus kualitatif dan observasional. Tim peneliti melakukan kunjungan lapangan ke depo bus (Patrapada dan Patia) untuk mengamati proses operasional (pra, selama, dan pasca-operasi). Data primer dikumpulkan melalui wawancara mendalam dengan pejabat kunci (CEO BSCL, GM CRUT, Polisi Lalu Lintas) dan survei opini terhadap 32 warga/pemilik kendaraan untuk mengukur dampak multidimensi.   

Kebaruan dari proyek ini terletak pada pendekatan holistiknya yang tidak hanya mengandalkan perangkat keras (hardware) IoT, tetapi juga rekayasa sosial. Proyek ini mengintegrasikan kelompok terpinggirkan ke dalam tenaga kerja formal transportasi, sebuah langkah progresif yang jarang ditemukan dalam proyek smart city murni teknis.   

Temuan Utama dengan Kontekstualisasi

Analisis studi kasus mengungkap keberhasilan signifikan dalam efisiensi operasional dan dampak sosial:

1. Ekosistem Transportasi Cerdas (Mo Bus): Layanan "Mo Bus" berhasil mengoperasikan 225 bus dengan fitur cerdas seperti pelacakan lokasi otomatis (AVLS), sistem informasi penumpang (PIS), dan pembayaran non-tunai. Hasilnya, rata-rata penumpang harian mencapai 1,5 lakh, dengan 57% penumpang beralih dari moda transportasi lain, menandakan keberhasilan modal shift.   

2. Manajemen Lalu Lintas Adaptif: Implementasi Adaptive Traffic Signal Control (ATSC) di 50 persimpangan memungkinkan penyesuaian waktu sinyal secara real-time berdasarkan kepadatan lalu lintas. Sistem Deteksi Pelanggaran Lalu Lintas (TVDS) membantu polisi mendeteksi pelanggaran lampu merah dan kecepatan, terutama pada malam hari saat pengawasan manual minim.   

3. Inklusi Sosial sebagai Pilar Cerdas: Temuan paling unik adalah integrasi sosial. Proyek ini mempekerjakan kaum transgender untuk mengelola lahan parkir dan melatih 100% wanita serta transgender sebagai pengemudi untuk layanan feeder "Mo E-Ride," secara langsung berkontribusi pada SDG 5 (Kesetaraan Gender). Staf bus diberi gelar "Kapten" dan "Pemandu" untuk menanamkan rasa harga diri.   

4. Keselamatan dan Respons Darurat: Integrasi 450 CCTV dan tombol darurat di kios-kios pintar meningkatkan persepsi keselamatan warga. Sistem penyeberangan pelican dipasang untuk memprioritaskan pejalan kaki di koridor sibuk.   

Keterbatasan dan Refleksi Kritis

Meskipun sukses, studi ini menyoroti kesenjangan kritis dalam desain inklusif. Audit menemukan bahwa pertimbangan untuk aksesibilitas universal (bagi penyandang disabilitas dan lansia) di fasilitas angkutan umum (bus, halte, depo) masih kurang memadai. Ini merupakan hambatan signifikan bagi visi kota yang benar-benar inklusif.   

Implikasi Ilmiah di Masa Depan

Secara praktis, model Bhubaneswar menunjukkan bahwa "kota cerdas" bukan hanya tentang sensor, tetapi tentang bagaimana teknologi dapat memberdayakan manusia. Integrasi Gender-Sensitive Design dalam operasional transportasi adalah praktik terbaik yang patut ditiru.   

Rekomendasi utama untuk masa depan adalah perlunya pendekatan komprehensif untuk memastikan akses bebas hambatan di seluruh jaringan transportasi dan perancangan antarmuka warga yang lebih sensitif terhadap pengguna rentan. Penelitian selanjutnya harus mengevaluasi dampak jangka panjang dari model ketenagakerjaan inklusif ini terhadap kesejahteraan ekonomi kelompok marginal yang terlibat.   

Sumber

Studi Kasus C8: Smart Bus and Traffic Infrastructure, Bhubaneswar. (2023). Dalam SAAR: Smart cities and Academia towards Action and Research (Part C: Urban Infrastructure) (hlm. 72-83). National Institute of Urban Affairs (NIUA).   

Setiap pagi antara pukul 06.00 hingga 09.00, dan setiap sore pukul 15.00 hingga 18.00, arteri utama Kota Surabaya berubah menjadi lautan logam yang nyaris tak bergerak. Ini bukan sekadar persepsi; ini adalah realitas terukur bagi kota dengan populasi yang pada tahun 2015 saja telah menembus 2,8 juta jiwa, angka yang bahkan belum menghitung puluhan ribu komuter harian dari kota-kota penyangga seperti Sidoarjo dan Gresik.¹

Bagi jutaan warga kota, kemacetan adalah pajak harian yang dibayar dengan waktu, bahan bakar, dan kewarasan. Namun, sebuah penelitian mendalam dari Institut Teknologi Sepuluh Nopember (ITS) Surabaya mengungkap sebuah kebenaran yang jauh lebih mengkhawatirkan: kemacetan ini bukanlah masalah musiman, melainkan sebuah "bom waktu" struktural yang didasari oleh krisis matematis.¹

Penelitian yang dipublikasikan pada tahun 2018 ini membedah akar masalah yang sering diabaikan oleh pembuat kebijakan. Data menunjukkan adanya ketidakseimbangan yang fatal. Di satu sisi, pertumbuhan jumlah kendaraan—baik mobil pribadi maupun sepeda motor—tumbuh eksplosif di angka rata-rata di atas 3% per tahun.¹ Di sisi lain, kemampuan kota untuk menampungnya nyaris stagnan. Pembangunan infrastruktur, baik dalam bentuk penambahan jalan baru maupun pelebaran jalan lama, tumbuh sangat kecil, kurang dari 1% per tahun.¹

Kesenjangan 3 banding 1 antara pertumbuhan kendaraan dan jalan ini berarti kelumpuhan total hanyalah soal waktu. Setiap tahun, ribuan kendaraan baru tumpah ke jaringan jalan yang sama, bersaing untuk ruang yang tidak bertambah. Analisis ini menggeser narasi dari sekadar "menyalahkan pengendara yang tidak disiplin" menjadi urgensi untuk "memperbaiki sistem yang secara matematis sudah rusak".

 

Menggunakan 'Mesin Waktu' Digital untuk Membedah Kekacauan

Menghadapi masalah sekompleks ini, Dinas Perhubungan Kota Surabaya tidak bisa sekadar mengandalkan survei lalu lintas tradisional atau intuisi. Diperlukan alat yang lebih canggih untuk memprediksi masa depan. Inilah yang dilakukan oleh peneliti Pamudi (2018) dari ITS. Alih-alih melakukan uji coba mahal di dunia nyata, penelitian ini membangun sebuah "laboratorium digital".¹

Metodologi yang digunakan adalah Sistem Dinamik (System Dynamics). Ini bukan sekadar spreadsheet atau kalkulator biasa. Sistem Dinamik adalah metodologi pemodelan canggih yang memetakan ratusan hubungan sebab-akibat dan feedback loop (umpan balik) yang rumit yang membentuk sistem transportasi kota.¹

Bayangkan ini sebagai "mesin waktu" digital. Peneliti membangun sebuah model "Surabaya virtual" yang sangat detail, yang meniru perilaku lalu lintas, pertumbuhan penduduk, hingga tingkat polusi. Dengan model ini, mereka dapat mengajukan pertanyaan "bagaimana jika?". Apa yang terjadi jika kita menambah 50 bus baru di koridor utama? Apa yang terjadi jika durasi lampu merah di persimpangan X diubah? Model ini dapat memprediksi dampaknya selama bertahun-tahun ke depan tanpa harus mengeluarkan biaya miliaran rupiah atau menciptakan kekacauan baru di dunia nyata.¹

Fokus penelitian ini tajam: menganalisis tiga dampak utama dari kekacauan transportasi, yaitu tingkat Kemacetan (diukur dengan rasio volume kendaraan terhadap kapasitas jalan), tingkat Polusi (emisi CO dan debu), serta tingkat Keselamatan (angka kecelakaan).¹

 

Medan Perang Sebenarnya: Wonokromo di Ambang Kolaps, Kertajaya Menyusul

Sebelum menguji solusi apa pun, peneliti harus terlebih dahulu memotret kondisi "dasar" atau baseline dari kekacauan yang ada. Dua arteri vital kota dipilih sebagai medan perang utama untuk dianalisis: Jalan Kertajaya dan Jalan Wonokromo.¹ Temuannya sangat mengejutkan dan menunjukkan perbedaan level krisis yang signifikan.

Data baseline menunjukkan Jalan Kertajaya berada dalam kondisi "sangat padat". Secara teknis, Rasio Volume terhadap Kapasitas (V/C Ratio) jalan ini mencapai 0.865.¹ Ini adalah kondisi di mana jalan sudah terasa sesak, arus lalu lintas padat merayap, namun kendaraan masih bergerak.

Kondisi di Jalan Wonokromo jauh lebih parah. Penelitian ini menggambarkannya sebagai "ambang kolaps". V/C Ratio-nya tercatat di angka 0.999.¹ Angka 0.999 secara teknis berarti kegagalan sistem total. Ini adalah kondisi di mana jalan sudah jenuh sempurna, antrean kendaraan nyaris tak terputus, dan arus lalu lintas berhenti total. Pada jam sibuk, Wonokromo secara efektif telah berubah menjadi parkiran raksasa.

Namun, wawasan tersembunyi ditemukan ketika membandingkan data kemacetan dengan data polusi. Secara matematis, Wonokromo (0.999 V/C) hanya sekitar 15% lebih padat daripada Kertajaya (0.865 V/C). Logika sederhana akan berasumsi tingkat polusinya juga akan 15% lebih tinggi.

Kenyataannya tidak demikian. Data baseline menunjukkan Jalan Wonokromo menghasilkan 1.969.645 ton polusi CO, sementara Kertajaya "hanya" 1.009.836 ton.¹

Polusi di Wonokromo hampir dua kali lipat (100% lebih tinggi) dari Kertajaya. Ini adalah wawasan kunci bagi pembuat kebijakan: ketika kemacetan melewati ambang batas kritis (misalnya, di atas V/C ratio 0.9), polusi tidak lagi naik secara linear, tapi meledak secara eksponensial. Kendaraan yang terjebak dalam mode stop-and-go (berhenti-jalan) total menghasilkan emisi yang jauh lebih kotor dan beracun daripada kendaraan yang sekadar padat merayap. Ini menciptakan urgensi baru untuk menjaga V/C ratio agar tidak menyentuh titik jenuh, demi kesehatan publik.

 

Paradoks Keselamatan: Mengapa Jalan Lancar Justru Lebih Berbahaya?

Salah satu temuan paling mengejutkan dalam penelitian ini adalah sesuatu yang berlawanan dengan intuisi publik: jalan yang sangat lancar ternyata tidak selalu lebih aman. Penelitian ini mengungkap adanya kurva berbentuk 'U' (U-shaped curve) dalam hubungan antara tingkat kemacetan (Derajat Kejenuhan atau V/C Ratio) dengan angka kecelakaan.¹

Temuan ini membagi kondisi lalu lintas menjadi tiga skenario keselamatan:

1. Kondisi 1: Lancar (V/C Ratio di bawah 0.7)
   Saat jalanan lengang dan arus bebas, pengemudi cenderung melaju kencang. Justru di sinilah angka kecelakaan fatalitas meningkat akibat kecepatan tinggi.1
2. Kondisi 2: Padat Terkendali (V/C Ratio 0.8 - 0.9)
   Ini adalah "sweet spot" transportasi. Jalanan padat, namun arus masih bergerak konstan. Kecepatan rata-rata sedang, dan pengemudi berada dalam tingkat kewaspadaan tertinggi. Dalam kondisi ini, tingkat kecelakaan justru berada di titik paling kecil.1
3. Kondisi 3: Macet Parah (V/C Ratio di atas 0.9)
   Ketika arus lalu lintas terkunci dan jenuh total, angka kecelakaan meningkat lagi. Penyebabnya bukan tabrakan kecepatan tinggi, melainkan "kejenuhan" pengemudi. Frustrasi memicu perilaku agresif seperti menyerobot, mengganti lajur secara paksa, dan meningkatnya gesekan antar kendaraan di ruang sempit.1

Temuan ini membawa implikasi kebijakan yang radikal. Target Dinas Perhubungan seharusnya bukan menciptakan jalan yang "selancar mungkin" (V/C < 0.7), karena itu akan meningkatkan fatalitas. Target optimal untuk kota padat seperti Surabaya adalah kondisi "padat terkendali" (V/C 0.8-0.9).

Ini juga menjelaskan mengapa kondisi di Wonokromo (V/C 0.999) sangat berbahaya, dan mengapa skenario intervensi yang akan kita bahas—yang berhasil menurunkan V/C ratio kembali ke "sweet spot" 0.8-an—secara simultan sangat efektif menurunkan angka kecelakaan.

 

Skenario Pertama: Bisakah Lampu Cerdas (ITS) Mengurai Kemacetan

Setelah memetakan masalah, "Surabaya virtual" digunakan untuk menguji solusi. Skenario pertama adalah intervensi "lunak" berbasis teknologi: implementasi penuh Intelligent Transportation System (ITS), atau Sistem Transportasi Cerdas.¹

Secara spesifik, model ini mensimulasikan penerapan Adaptive Traffic Control System (ATCS).¹ Mekanismenya cerdas: sensor di persimpangan akan mendeteksi antrean kendaraan yang semakin panjang di traffic light. Alih-alih menggunakan durasi lampu hijau yang kaku, sistem secara otomatis dan adaptif memperpanjang durasi lampu hijau untuk jalur yang padat tersebut, hingga antrean terurai.¹ Ini adalah upaya mengubah kemacetan stop-and-go yang kotor menjadi arus padat-merayap yang lebih efisien.

Hasilnya sangat signifikan. Simulasi model Sistem Dinamik ini memprediksi bahwa penerapan skenario ATCS secara optimal akan menghasilkan:

• Kemacetan dan Kecelakaan: Terjadi penurunan signifikan pada tingkat kemacetan dan, yang terpenting, angka kecelakaan, sebesar 15%.¹
• Polusi: Emisi polusi udara juga menunjukkan penurunan drastis sebesar 15%.¹

Untuk memberikan gambaran yang lebih hidup, penurunan polusi 15% ini tidak main-main. Dalam angka nyata, skenario ini mampu memangkas total emisi polusi dari 2.979.481 ton menjadi 2.533.403 ton.¹ Ini setara dengan "menghilangkan" lebih dari 446.000 ton gas beracun dari udara yang dihirup warga Surabaya setiap tahunnya—sebuah pencapaian masif yang diraih hanya dengan mengatur ulang timing lampu lalu lintas.

 

Skenario Kedua: 'Memaksa' Warga Pindah ke Bus Rapid Transport (BRT)

Jika skenario pertama adalah intervensi teknologi, skenario kedua adalah intervensi "keras" berbasis kebijakan dan infrastruktur. Skenario ini menguji salah satu solusi paling populer di dunia untuk kota besar: pengalihan paksa pengguna kendaraan pribadi ke transportasi publik terintegrasi.¹

Model ini mensimulasikan penambahan armada Bus Rapid Transport (BRT) baru secara masif di koridor-koridor utama yang paling padat. Data yang digunakan dalam simulasi ini sangat spesifik ¹:

• 15 unit BRT baru dikerahkan di koridor Jalan Kertajaya.
• 20 unit BRT baru dikerahkan di koridor Jalan Wonokromo.
• 25 unit BRT baru dikerahkan di koridor Jalan Urip Sumoharjo.

Secara total, 60 unit bus baru berkapasitas tinggi disimulasikan beroperasi. Setiap unit bus diasumsikan mampu mengangkut 650 penumpang per hari.¹ Ini adalah upaya radikal untuk menghilangkan kendaraan dari jalan, bukan sekadar mengaturnya.

Hasilnya? Ketika diukur dari sisi kemacetan dan keselamatan, hasilnya secara mengejutkan identik dengan skenario pertama. Model memprediksi bahwa intervensi BRT ini akan menurunkan kemacetan dan kecelakaan sebesar 15%.¹

 

Temuan Kunci yang Tersembunyi: Perang Melawan Polusi (15% vs 20%)

Di sinilah letak temuan paling brilian dan bernuansa dari seluruh penelitian ini, sebuah "kontradiksi" data yang justru memberikan pencerahan terbesar bagi pembuat kebijakan.

Sekilas, kedua skenario tampak setara. Skenario 1 (Lampu Cerdas ATCS) dan Skenario 2 (Bus BRT) sama-sama mengurangi kemacetan sebesar 15%. Jika hanya melihat data kemacetan, Pemkot bisa saja memilih opsi ATCS yang jelas lebih murah daripada membeli 60 bus baru dan membangun infrastruktur jalurnya.

Namun, ketika peneliti melihat data polusi, ceritanya berubah total.

• Skenario 1 (Lampu Cerdas ATCS): Terbukti mengurangi polusi sebesar 15%.¹
• Skenario 2 (Pengalihan ke BRT): Terbukti mengurangi polusi sebesar 20%.¹

Mengapa ada perbedaan 5% yang signifikan ini? Jawabannya terletak pada mekanisme fundamental kedua solusi.

Skenario ATCS (Lampu Cerdas) hanya mengatur ulang arus lalu lintas. Ia membuat kemacetan stop-and-go (yang polusinya meledak) menjadi padat-merayap (yang lebih efisien). Jumlah total mesin kendaraan yang menyala di jalan raya tetap sama, hanya perilakunya yang diubah menjadi lebih efisien.

Di sisi lain, skenario BRT secara fundamental menghilangkan ribuan mesin dari jalan. Dengan kapasitas 650 penumpang per bus, 60 unit BRT baru berpotensi menghilangkan puluhan ribu perjalanan mobil pribadi dan sepeda motor dari jalanan Surabaya setiap harinya. Lebih sedikit mesin berarti lebih sedikit emisi.

Ini adalah pilihan strategis yang harus diambil oleh Pemerintah Kota. Jika tujuannya hanya mengurangi waktu tempuh dan kemacetan, intervensi teknologi (ATCS) yang lebih murah sudah memberikan hasil 15%. TETAPI, jika tujuannya adalah memperbaiki kualitas udara dan kesehatan publik, intervensi kebijakan (BRT) yang lebih mahal adalah solusi yang secara terukur 5% lebih superior.

 

Kritik Realistis: Mengapa 15% (atau 20%) Belum Cukup?

Penurunan 15% hingga 20% adalah sebuah kemenangan besar. Namun, penelitian ini juga realistis. Ini bukanlah akhir dari perang melawan kemacetan, melainkan hanya memenangkan satu pertempuran vital.

Ingat "bom waktu" di awal analisis ini? Pertumbuhan kendaraan baru yang tak terkendali sebesar 3% per tahun itu masih terus terjadi.¹ Solusi 15% yang brilian ini, jika tidak didukung langkah lanjutan, hanya akan "terkikis" habis dalam waktu sekitar lima tahun oleh gelombang kendaraan-kendaraan baru yang terus membanjiri jalan.

Peneliti (Pamudi, 2018) sendiri menyadari keterbatasan ini. Dalam Bab 5.2 (Saran), penelitian ini secara eksplisit merekomendasikan agenda riset berikutnya: "pengembangan skenario untuk memperkecil pengurangan alat transportasi yang mencapai 30%".¹

Ini adalah pengakuan penting. Peneliti tahu bahwa target 15-20% ini belum cukup untuk menyelamatkan kota dalam jangka panjang. Target yang lebih agresif, yaitu 30%, harus menjadi tujuan berikutnya.

Selain itu, kritik realistis lainnya adalah perbedaan antara model dan realitas. Menambahkan 60 bus dalam simulasi komputer hanya membutuhkan beberapa ketukan keyboard. Menerapkannya di dunia nyata melibatkan perjuangan politik, pembebasan lahan untuk jalur khusus, biaya investasi triliunan rupiah, dan potensi penolakan sosial dari pengguna kendaraan pribadi.

 

Pilihan Kebijakan: Dampak Nyata Jika Skenario Ini Diterapkan Besok

Penelitian ITS ini telah menyediakan sebuah peta jalan yang jernih dan berbasis data bagi Dinas Perhubungan Kota Surabaya. Ia membuktikan bahwa solusi ada, dan dampaknya terukur. Pilihan kini ada di tangan para pembuat kebijakan.

Berdasarkan temuan ini, ada dua opsi jelas yang bisa diambil:

1. Opsi 1: Solusi Cepat (Low-Hanging Fruit)
   Jika Pemkot hari ini memutuskan untuk menginvestasikan dana pada upgrade sistem Adaptive Traffic Control System (ATCS) di seluruh persimpangan kritis kota (Skenario 1), model ini memprediksi kita bisa segera mengurangi kemacetan dan kecelakaan sebesar 15%, sekaligus memangkas 446.000 ton polusi CO dari udara kota setiap tahunnya.1
2. Opsi 2: Solusi Jangka Panjang (Solusi Superior)
   Jika Pemkot berani mengambil langkah yang lebih agresif dengan investasi besar-besaran pada 60+ unit BRT baru di koridor utama (Skenario 2), dampaknya pada kemacetan akan sama (15%). Namun, langkah ini memberikan bonus kualitas udara yang jauh lebih bersih bagi warga, dengan pemangkasan polusi yang lebih superior hingga 20%.1

Penelitian ini telah mengubah perdebatan dari "apa yang harus dilakukan?" menjadi "mana yang akan kita pilih?". Data telah tersedia; yang dibutuhkan sekarang adalah kemauan politik untuk mengeksekusinya.

 

Sumber Artikel:

https://repository.its.ac.id/id/eprint/52431