Proyek Percontohan Uji AI untuk Mengatur Lalu Lintas Kota

En bref

• Proyek Percontohan di Surabaya menguji Sistem AI untuk Pengaturan Lalu Lintas berbasis data real-time dari sensor jalan, kamera, dan sinyal cuaca.
• Target yang realistis untuk fase awal: memangkas waktu tundaan di simpang padat dan meningkatkan kepatuhan, sebelum mengejar pengurangan kemacetan skala kota.
• Kecerdasan Buatan dipakai untuk memprediksi kepadatan, mendeteksi insiden lebih cepat, serta mengubah siklus lampu secara adaptif agar arus lebih seimbang.
• Keberhasilan ditentukan oleh tata kelola: privasi, keamanan siber, kualitas data, dan pelibatan warga—bukan hanya kecanggihan algoritma.
• Pelajaran dari kota lain: pakai uji coba terbatas, simulasi, dan indikator kinerja yang transparan agar kebijakan bisa dipertanggungjawabkan.

Surabaya bergerak dari sekadar menambah rambu dan memperlebar jalan menuju pendekatan yang lebih halus: Manajemen Trafik yang dipandu data. Di banyak koridor, kemacetan tidak selalu terjadi karena volume kendaraan semata, melainkan karena “ketidaksinkronan” di simpang, insiden kecil yang terlambat diketahui, dan perilaku pengemudi yang berubah cepat saat hujan atau saat ada kegiatan besar. Karena itu, kota ini menyiapkan Proyek Percontohan Uji AI untuk menata Lalu Lintas secara lebih adaptif—menggabungkan sensor, analitik, dan pengendalian lampu berbasis rekomendasi mesin.

Taruhannya bukan hanya waktu tempuh. Layanan darurat butuh jalur yang lebih dapat diprediksi, pedagang butuh logistik yang tepat waktu, dan warga butuh kota yang bernapas lebih lega dari emisi. Dalam kerangka Smart City, data yang tadinya tercerai di kamera, catatan petugas, dan keluhan warga, kini diolah menjadi keputusan operasional: kapan menambah fase belok kanan, kapan menahan arus dari akses tol, atau kapan memberi prioritas bagi bus. Pertanyaannya: bagaimana memastikan teknologi ini benar-benar menolong, bukan sekadar proyek “keren” yang sulit dirawat?

Proyek Percontohan Uji AI di Surabaya: dari Masalah Kemacetan ke Desain Sistem Pengaturan Lalu Lintas

Gambaran yang sering muncul di jam pulang kerja Surabaya adalah “kemacetan bergelombang”: satu simpang macet, simpang berikutnya tersumbat karena antrean menutup kotak kuning, lalu efeknya merambat sampai beberapa ruas. Dalam desain Pengaturan Lalu Lintas klasik, lampu bekerja dengan jadwal tetap, sementara kenyataan jalan berubah setiap menit. Karena itu, Proyek Percontohan ini memulai dari diagnosis yang sederhana: titik mana yang paling sering menjadi sumber keterlambatan, kapan puncak terjadi, dan faktor pemicunya—hujan, parkir liar, proyek galian, atau penumpukan di akses pusat belanja.

Agar keputusan tidak didasarkan pada asumsi, kota menempatkan kombinasi sensor: kamera dengan analitik kendaraan, radar/loop untuk volume dan kecepatan, serta integrasi data cuaca. Data itu masuk ke pusat kendali untuk dianalisis Sistem AI yang memetakan kepadatan per lajur dan memprediksi antrean. Di sini, Kecerdasan Buatan tidak menggantikan petugas, tetapi memberi “mata tambahan” yang konsisten—misalnya mendeteksi perlambatan mendadak yang mengindikasikan insiden kecil, lalu mengusulkan penyesuaian fase lampu.

Benang merahnya adalah operasi berbasis skenario. Saat model memprediksi antrean akan menutup simpang dalam 7 menit, sistem dapat menyarankan: memperpanjang hijau arah utama 10–15 detik, memendekkan fase yang sepi, atau mengaktifkan pola khusus saat hujan. Dalam bahasa Manajemen Trafik, ini menggeser pendekatan dari “time-based” menjadi “demand-responsive”. Agar lebih mudah dibayangkan, bayangkan tokoh fiktif: Raka, pengemudi ojek online. Dulu, ia mengandalkan intuisi—melipir ke gang, berharap lebih cepat. Sekarang, ketika simpang A terdeteksi padat, pola lampu bisa diubah agar pelepasan antrean lebih stabil. Raka mungkin masih memilih rute berbeda, tetapi peluang terjebak ‘stop-and-go’ berkurang karena simpang tidak bekerja membabi buta.

Di fase uji, yang dicari bukan kesempurnaan, melainkan bukti kerja. Indikatornya dibuat konkret: rata-rata tundaan per kendaraan di simpang target, panjang antrean maksimum, kecepatan rata-rata koridor, dan waktu respons terhadap insiden. Banyak studi transportasi menyebut AI mampu menurunkan kemacetan hingga sekitar 30% dalam lima tahun pada jaringan yang dikelola konsisten, serta memangkas emisi sekitar 15% lewat pengurangan idle dan pengaturan arus. Untuk Surabaya, angka ini perlu “dibumikan”: target awal yang lebih masuk akal adalah penurunan tundaan di simpang prioritas dan stabilisasi arus pada jam puncak, baru kemudian skalasi bertahap.

Karena proyek seperti ini membutuhkan legitimasi sosial, komunikasi publik harus jelas: sensor dipasang untuk mengukur pola, bukan mengintai individu. Isu literasi digital juga relevan—kita melihat bagaimana kebiasaan berteknologi mempengaruhi perilaku sehari-hari, termasuk di jalan. Diskusi publik tentang kedewasaan penggunaan perangkat dan dampaknya pada perhatian berkendara dapat dihubungkan dengan edukasi yang lebih luas, seperti refleksi dari kampanye literasi terkait kecanduan gawai yang menunjukkan pentingnya pendekatan sosial, bukan sekadar teknis. Pada akhirnya, desain sistem yang baik selalu dimulai dari masalah nyata dan ukuran keberhasilan yang bisa diuji.

Sensor AI, Data Real-Time, dan Sistem AI: Cara Kerja Pengaturan Lalu Lintas Berbasis Kecerdasan Buatan

Istilah “sensor AI” sering disalahpahami seolah sensornya yang berpikir. Praktiknya, sensor adalah pengumpul sinyal—video, radar, getaran, atau data cuaca—sementara kecerdasan berada pada perangkat lunak yang menafsirkan sinyal menjadi informasi operasional. Dalam Uji AI di konteks Lalu Lintas Kota, arsitekturnya umumnya tiga lapis: pengindraan di jalan, pemrosesan (edge atau pusat data), dan pengendalian (lampu, papan informasi, serta rekomendasi rute).

Pemrosesan “edge” berarti sebagian analitik dilakukan dekat kamera untuk mengurangi latensi. Misalnya, deteksi antrean dan klasifikasi jenis kendaraan bisa dilakukan di perangkat pinggir jalan, lalu yang dikirim ke pusat hanya ringkasan: hitungan kendaraan per menit, kecepatan rata-rata, anomali berhenti. Ini menghemat bandwidth dan memperkuat privasi karena video mentah tidak harus selalu disimpan. Sementara itu, pusat kendali menggabungkan data lintas sumber: jadwal acara, pola hujan, bahkan rekayasa lalu lintas sementara, sehingga rekomendasinya tidak buta konteks.

Ada beberapa teknik AI yang lazim dipakai. Pertama, prediksi kepadatan berbasis time series untuk memperkirakan kondisi 5–15 menit ke depan. Kedua, deteksi insiden menggunakan visi komputer: kendaraan berhenti di lajur, perilaku berbahaya, atau kepadatan yang tiba-tiba turun (indikasi hambatan). Ketiga, optimasi fase lampu berbasis pembelajaran penguatan (reinforcement learning) yang mencoba berbagai kebijakan dalam simulasi sebelum diterapkan terbatas di lapangan. Semua itu dibungkus dalam Sistem AI yang harus bisa diaudit: keputusan yang mengubah fase lampu perlu jejak alasan, bukan sekadar “kata model”.

Agar tidak terjebak jargon, bayangkan simpang empat dengan arus tidak seimbang. Pada jam sekolah, arah timur-barat membludak 2x lipat arah utara-selatan. Sistem konvensional akan memberi waktu hijau yang sama atau mengikuti jadwal musiman. Sistem berbasis data akan membaca volume aktual, memperhitungkan pejalan kaki, dan menyesuaikan split hijau secara dinamis. Jika hujan memperlambat laju kendaraan, algoritme dapat menambah waktu clearance agar tidak terjadi tabrakan karena pengereman mendadak. Di sini, Transportasi cerdas bukan sekadar cepat, tetapi lebih “halus” dan aman.

Namun, ada syarat penting: kualitas data. Kamera yang silau, marka yang pudar, atau kendaraan yang parkir menutupi pandangan dapat membuat model keliru. Karena itu, tim lapangan perlu rutinitas kalibrasi, pembersihan lensa, serta penataan ulang sudut pandang. Pelajaran ini mirip dengan implementasi sensor di ranah lain—misalnya pemantauan risiko lingkungan—yang menuntut disiplin perawatan. Referensi mengenai pemanfaatan sensor untuk monitoring kondisi fisik wilayah seperti sensor pergerakan tanah di Surakarta mengingatkan bahwa sensor bukan proyek sekali pasang, melainkan aset yang harus dikelola sepanjang umur pakai.

Di ujung sistem, keputusan harus tetap manusiawi. Jika lampu adaptif membuat pengendara motor “terasa” selalu kalah karena arus utama diprioritaskan, ketidakpuasan akan muncul dan memicu pelanggaran. Maka desain harus memasukkan fairness: batas maksimum tunggu, fase khusus penyeberang, dan pola darurat untuk ambulans. Ketika AI dipakai dengan kendali yang transparan, kota bisa mendapatkan efek nyata: arus lebih stabil, insiden lebih cepat tertangani, dan kepercayaan publik meningkat—sebuah fondasi yang diperlukan sebelum perluasan skala.

Untuk melihat gambaran praktiknya, banyak orang mencari demonstrasi sistem lampu adaptif dan pusat kendali terpadu di berbagai kota. Video penjelasan dan dokumentasi lapangan membantu warga memahami bahwa perubahan fase bukan “acak”, melainkan berdasar data.

Manfaat yang Diukur: Efisiensi, Keselamatan, Emisi, dan Data Perencanaan Smart City

Manfaat terbesar dari Proyek Percontohan bukan klaim besar, melainkan perubahan terukur dalam rutinitas harian. Efisiensi biasanya muncul lebih dulu: tundaan turun, arus lebih rata, dan perjalanan menjadi lebih dapat diprediksi. Dalam logistik perkotaan, prediktabilitas sering lebih berharga daripada “paling cepat”. Kurir yang tahu estimasi kedatangan lebih stabil bisa menyusun rute dan jeda istirahat dengan aman, sementara operator bus bisa mengurangi waktu tunggu yang tidak perlu.

Keselamatan juga menjadi area yang cepat menunjukkan dampak jika sistem dirancang tepat. Deteksi dini insiden, misalnya kendaraan mogok di lajur cepat atau sepeda motor melawan arus, dapat memicu peringatan ke petugas dan pengaturan ulang fase untuk mengurangi konflik. Sering kali, kecelakaan besar diawali “gesekan kecil”: pengereman mendadak karena antrean yang tak terlihat, atau pengemudi menerobos karena merasa lampu terlalu lama. Dengan pola fase yang lebih responsif dan papan informasi yang memberi sinyal kondisi di depan, perilaku itu bisa ditekan.

Dampak lingkungan biasanya lebih pelan, tetapi signifikan. Emisi kendaraan di kota banyak berasal dari idle dan akselerasi berulang. Jika pengaturan simpang mengurangi stop-and-go, kualitas udara membaik tanpa perlu melarang kendaraan secara ekstrem. Dalam konteks kebijakan energi dan lingkungan, diskusi transportasi cerdas juga sejalan dengan pembelajaran dari berbagai negara yang mengalami tekanan pasokan energi—menghemat energi lewat efisiensi sering lebih cepat daripada menambah kapasitas. Perspektif seperti yang dibahas dalam krisis energi di Pakistan relevan sebagai pengingat bahwa efisiensi operasional di perkotaan punya nilai strategis.

Manfaat yang sering dilupakan adalah data untuk perencanaan. Kota yang mengumpulkan data arus, kecepatan, dan insiden secara konsisten bisa merancang kebijakan berbasis bukti: penataan parkir, penentuan jalur sepeda yang aman, lokasi halte yang lebih efektif, atau rekayasa jam kerja fleksibel untuk mengurangi puncak serentak. Data juga membantu memeriksa asumsi: apakah bottleneck muncul karena kapasitas simpang, atau karena perilaku menutup persimpangan? Dengan demikian, investasi fisik menjadi lebih tepat sasaran.

Berikut contoh indikator yang dapat dipakai pemerintah kota dan publik untuk memantau manfaat secara transparan. Angka target di bawah bersifat contoh operasional untuk fase uji (bukan janji universal), agar setiap pihak memahami definisi “berhasil”.

Kunci dari semua manfaat tersebut adalah konsistensi. Tanpa SOP pemeliharaan sensor, tanpa evaluasi mingguan, dan tanpa penyesuaian kebijakan lapangan (misalnya penertiban parkir liar di dekat simpang), hasil AI akan tampak “tidak bekerja”. Saat indikator dipublikasikan dan dibahas rutin, proyek berubah dari eksperimen tertutup menjadi praktik Smart City yang akuntabel—sebuah pijakan untuk masuk ke topik berikutnya: tantangan, risiko, dan cara mengelolanya.

Tantangan Proyek Percontohan: Infrastruktur, Privasi, Keamanan Siber, dan Penerimaan Warga Kota

Setiap Proyek Percontohan teknologi publik menghadapi empat hambatan klasik: kesiapan infrastruktur, tata kelola data, keamanan, dan penerimaan sosial. Untuk Uji AI di Pengaturan Lalu Lintas, infrastruktur bukan cuma soal memasang kamera. Konektivitas harus stabil, pasokan listrik cadangan perlu ada, dan perangkat di tepi jalan harus tahan cuaca serta vandalisme. Jika jaringan sering putus, model akan “buta” pada momen krusial dan membuat pengendalian kembali ke mode statis, sehingga warga menilai sistem tidak konsisten.

Privasi dan keamanan data menjadi isu yang makin sensitif di era kota terkoneksi. Walau data lalu lintas tampak “anonim”, video bisa mengandung plat nomor, wajah, atau pola perjalanan yang mengarah pada identitas. Karena itu, desain harus mengutamakan minimisasi: ambil data yang perlu saja, samarkan sedini mungkin, dan simpan seperlunya. Praktik seperti pemrosesan edge, retensi video terbatas, serta audit akses pengguna sistem menjadi standar yang masuk akal bagi pemerintahan modern.

Di sisi keamanan siber, pusat kendali lalu lintas adalah infrastruktur kritis. Gangguan kecil dapat memicu kekacauan di simpang, bahkan membahayakan pengguna jalan. Maka, proyek perlu menerapkan segmentasi jaringan, manajemen patch, dan latihan respons insiden. Pembelajaran dari negara yang serius membangun ketahanan digital bisa menjadi rujukan, misalnya praktik tata kelola yang diulas dalam strategi keamanan siber Swedia yang menekankan koordinasi lintas lembaga, standar, dan edukasi berkelanjutan. Intinya, “pintar” tanpa “aman” adalah resep masalah baru.

Tantangan berikutnya adalah penerimaan warga. Banyak pengemudi menilai kebijakan dari pengalaman paling menonjol: sekali menunggu terlalu lama, mereka menggeneralisasi “AI bikin macet”. Karena itu, komunikasi harus proaktif: jelaskan lokasi uji, durasi, indikator, dan kanal keluhan. Pemerintah juga bisa menyiapkan papan informasi “mode adaptif aktif” di koridor uji agar warga memahami perubahan fase memang bagian dari eksperimen terukur, bukan kerusakan lampu.

Ada pula isu bias operasional. Jika model dilatih dari data historis yang “bermasalah” (misalnya, dulu ada parkir liar permanen), sistem bisa menganggap kondisi itu normal dan mengoptimalkan di atas gangguan, bukan menghilangkannya. Ini membuat kebijakan menjadi setengah hati. Karena itu, uji lapangan perlu dibarengi penegakan aturan dasar: larangan berhenti di dekat simpang, penataan U-turn, dan disiplin marka. Teknologi mempercepat keputusan, tetapi fondasinya tetap tata tertib kota.

Untuk menguatkan legitimasi, Surabaya dapat merujuk prinsip-prinsip AI yang bertanggung jawab. Banyak negara dan organisasi pada pertengahan dekade ini merumuskan pedoman agar AI dapat diaudit, adil, dan tidak merugikan warga. Rangkuman dan diskusi kebijakan seperti pada rencana AI yang bertanggung jawab di berbagai negara bisa diterjemahkan ke konteks lokal: siapa pemilik data, bagaimana mekanisme sanggah, dan bagaimana mencegah vendor lock-in.

Terakhir, aspek rasa aman di jalan turut mempengaruhi penerimaan. Jika warga melihat penegakan dan pengaturan saling mendukung—misalnya pengaturan fase yang lebih rapi disertai pengawasan pelanggaran yang proporsional—kepercayaan meningkat. Diskursus publik tentang keamanan dan ketertiban, seperti yang sering muncul dalam pembahasan isu Indonesia sebagai negara aman dan peran kepolisian, relevan di sini: teknologi perlu hadir sebagai penguat tata kelola, bukan pengganti akuntabilitas. Insight akhirnya jelas: tantangan terbesar proyek AI lalu lintas bukan algoritme, melainkan keandalan, perlindungan data, dan kepercayaan sosial.

Roadmap Implementasi: dari Studi Kebutuhan, Uji Coba, hingga Replikasi untuk Smart City Transportasi

Roadmap yang baik membuat Proyek Percontohan tidak berhenti sebagai demo. Langkah pertama adalah pengkajian kebutuhan yang benar-benar spesifik: pilih 3–5 simpang dan 1–2 koridor yang mewakili variasi masalah (akses tol, kawasan sekolah, pusat bisnis, dan area wisata). Di tiap lokasi, definisikan hipotesis. Contoh: “Antrean panjang disebabkan split hijau tidak seimbang” atau “Insiden parkir sembarang menurunkan kapasitas efektif 20%”. Hipotesis ini penting agar evaluasi tidak kabur.

Langkah berikutnya adalah menyiapkan infrastruktur dan tata kelola. Infrastruktur mencakup jaringan yang tahan gangguan, perangkat yang mudah dirawat, serta pusat data yang memadai. Tata kelola mencakup SOP retensi data, kebijakan akses, dan peran tiap unit: dinas perhubungan, unit TI pemda, kepolisian, hingga operator transportasi umum. Di tahap ini, kontrak dengan penyedia teknologi harus memasukkan klausul portabilitas data dan dokumentasi model, agar kota tidak terkunci pada satu pihak.

Setelah itu, jalankan implementasi bertahap: (1) mode observasi (AI memberi rekomendasi tanpa mengubah lampu), (2) mode semi-otomatis (petugas menyetujui rekomendasi), (3) mode otomatis terbatas (pada jam dan simpang tertentu). Pendekatan ini menurunkan risiko dan membantu petugas memahami pola keputusan sistem. Pada saat yang sama, lakukan simulasi—menggunakan data aktual untuk mereplikasi koridor di lingkungan virtual—sebelum mengaktifkan kebijakan baru. Cara ini meniru praktik terbaik kota-kota maju yang memvalidasi strategi sebelum menyentuh jalan.

Agar roadmap tidak kehilangan aspek manusia, libatkan warga dan pelaku usaha. Misalnya, adakan forum bulanan dengan pengemudi angkutan, komunitas sepeda, dan pengelola pusat belanja di koridor uji. Tanyakan: apakah penyeberang merasa lebih aman? Apakah akses keluar-masuk gedung menjadi sulit? Umpan balik ini sering mengungkap variabel yang tidak tertangkap sensor, seperti perilaku penjemputan sekolah yang membentuk antrean di jam tertentu.

Berikut contoh urutan kerja yang dapat dipakai sebagai pegangan operasional:

1. Audit titik kemacetan: petakan 10 besar simpang/korridor berdasarkan tundaan dan insiden.
2. Desain data: tentukan sensor, frekuensi pengambilan, dan format integrasi.
3. Simulasi dan baseline: buat model sebelum intervensi untuk pembanding yang adil.
4. Uji lapangan bertahap: dari rekomendasi pasif hingga kontrol terbatas.
5. Evaluasi transparan: publikasikan indikator, metodologi, dan perbaikan yang dilakukan.
6. Skalasi dan replikasi: perluas ke koridor lain setelah standar operasi matang.

Inspirasi dari luar negeri bisa dipakai tanpa menelan mentah. Singapura, misalnya, dikenal mengandalkan data real-time untuk mengurangi kepadatan dan meningkatkan keselamatan, tetapi kunci suksesnya adalah disiplin operasional, regulasi, dan integrasi antarmoda. Surabaya dapat meniru prinsipnya: data yang rapi, keputusan cepat, dan evaluasi ketat—lalu menyesuaikan dengan karakter lokal seperti dominasi sepeda motor dan pola aktivitas kampung-kota yang unik.

Akhirnya, roadmap implementasi harus diselaraskan dengan agenda Smart City yang lebih luas: bukan hanya mengatur lampu, tetapi menghubungkan Transportasi umum, kebijakan parkir, dan informasi perjalanan. Ketika sistem sudah stabil, kota dapat menambah fitur seperti prioritas bus di koridor tertentu atau manajemen acara besar. Insight penutup bagian ini: Sistem AI yang berhasil adalah yang tumbuh dari uji kecil yang disiplin menjadi kebiasaan operasional kota yang konsisten.

Jika pembaca ingin menelusuri konteks yang lebih luas tentang tata kelola teknologi di ruang publik, termasuk risiko dan kebijakan, rujukan tambahan dapat membantu memperkaya diskusi dan standar implementasi lokal.

Misalnya, prinsip kebijakan AI yang akuntabel dapat dikaitkan dengan praktik pemerintahan digital yang baik, sementara isu keamanan siber dan budaya tertib lalu lintas harus berjalan beriringan agar manfaatnya bertahan lama.