Apakah Anda ingin tahu bagaimana "AI memprediksi kemacetan saat jam sibuk"? Mari kita telusuri lebih dalam artikel ini bersama INVIAI untuk menemukan jawabannya!

Di kota-kota yang padat, jalan tol dan jalan raya sering berubah menjadi tempat parkir saat jam sibuk – masalah yang membuat frustrasi dan mahal. Studi memperkirakan bahwa kemacetan lalu lintas menyebabkan kerugian sekitar 2% dari PDB di banyak negara. Di AS, misalnya, pengemudi rata-rata kehilangan sekitar 43 jam per tahun terjebak dalam kemacetan.

Waktu yang terbuang ini juga berarti miliaran dolar hilang akibat produktivitas yang menurun, bahan bakar yang terbakar lebih banyak, serta peningkatan polusi dan stres bagi kesehatan masyarakat.

Untuk mengatasi hal ini, perencana transportasi mulai mengandalkan kecerdasan buatan. Dengan meramalkan kapan dan di mana kemacetan akan terjadi, sistem AI bertujuan untuk melancarkan arus lalu lintas sebelum perlambatan mulai terjadi.

Perkiraan lalu lintas modern berbasis AI mengandalkan big data. Mereka mengumpulkan aliran informasi besar tentang jalan: jumlah kendaraan dan kecepatan dari sensor dan kamera, jejak GPS dari ponsel pintar dan kendaraan, serta faktor eksternal seperti cuaca atau acara khusus.

Misalnya, kamera lalu lintas dan perangkat GPS mengirim data langsung yang dianalisis AI bersama dengan pola historis dari jalan yang sama.

Ini memungkinkan model “mengetahui” bahwa segmen jalan tol biasanya melambat pada pagi hari kerja, atau bahwa konser di pusat kota akan menambah kendaraan di beberapa jalan tertentu. Dalam praktiknya, sistem seperti Google Maps menggabungkan data lalu lintas waktu nyata dengan tren bertahun-tahun untuk memprediksi kondisi 10–50 menit ke depan.

Secara efektif, AI bertanya: “Dengan kondisi saat ini dan apa yang biasanya terjadi pada waktu ini, bagaimana kondisi lalu lintas dalam waktu dekat?”

Sumber data utama untuk model lalu lintas AI meliputi:

• Data lalu lintas historis: Kecepatan dan volume kendaraan di setiap jalan berdasarkan waktu hari/minggu.
• Data langsung: Hitungan dan kecepatan kendaraan secara real-time dari sensor jalan, kamera lalu lintas, dan perangkat ber-GPS.
• Informasi eksternal: Laporan cuaca, peringatan kecelakaan atau konstruksi, dan jadwal acara khusus.
• Algoritma pembelajaran mesin: Model (seperti jaringan saraf) yang mempelajari pola kompleks dari semua input di atas.

Model AI memproses input ini dengan teknik canggih. Metode statistik tradisional kesulitan menangani skala dan variabilitas lalu lintas perkotaan, sehingga peneliti kini menggunakan deep learning.

Misalnya, jaringan saraf berulang (RNN) atau jaringan konvolusional dapat menangkap perubahan lalu lintas dari waktu ke waktu, dan jaringan saraf graf (GNN) secara eksplisit menggunakan struktur jaringan jalan.

Dalam sistem Google, segmen jalan terdekat dikelompokkan menjadi “supersegment” dan GNN dilatih dengan data lalu lintas untuk memprediksi waktu tempuh masing-masing. Waktu tempuh yang diprediksi (ETA) kemudian digunakan untuk mengurutkan rute yang mungkin. Diagram di bawah ini menggambarkan alur ini:

Alur prediksi lalu lintas Google: data rute dan kecepatan yang dianonimkan dikelompokkan ke dalam supersegment, diproses oleh Graph Neural Network untuk memprediksi waktu tempuh, lalu digunakan untuk mengurutkan rute berdasarkan ETA.

Aplikasi di Dunia Nyata

Prediksi lalu lintas berbasis AI sudah digunakan oleh perusahaan teknologi dan kota-kota di seluruh dunia. Misalnya, Google Maps mengintegrasikan data pengguna langsung dan model AI untuk meramalkan kemacetan.

Sistem ini “mengingat” bahwa jalan tol tertentu biasanya melambat antara pukul 6–7 pagi, lalu menggabungkan data historis tersebut dengan kecepatan langsung untuk memprediksi kondisi di masa depan.

DeepMind (laboratorium AI Google) melaporkan bahwa model ML yang ditingkatkan (menggunakan GNN) telah meningkatkan akurasi ETA hingga 50% di kota-kota seperti Taichung dan Sydney. Setelah peningkatan ini, lebih dari 97% ETA perjalanan sangat akurat.

Dengan kata lain, jika AI memprediksi rute Anda memakan waktu 30 menit, hampir selalu benar.

Platform komersial lain menggunakan ide serupa. Perusahaan analitik lalu lintas INRIX mengatakan AI-nya dapat “memprediksi kecepatan lalu lintas real-time di semua jalan” dengan mengolah data selama puluhan tahun.

Inrix memanfaatkan kemajuan AI dan komputasi awan untuk mencakup jalan-jalan kecil yang sering terlewat oleh sensor tradisional.

Aplikasi navigasi seperti Waze (milik Google) dan Apple Maps juga menggunakan GPS hasil crowdsourcing dan AI untuk memberi peringatan kepada pengemudi tentang perlambatan yang akan datang, kadang menyarankan rute alternatif sebelum kemacetan terbentuk.

Kota dan lembaga transportasi juga menerapkan AI. Di Bellevue, Washington, misalnya, kamera di 40 persimpangan mengirim video langsung ke AI yang mendeteksi titik kemacetan secara real time.

Di Denmark, sistem kota menggunakan AI untuk memproses volume lalu lintas dan secara otomatis menyesuaikan waktu lampu lalu lintas (lampu hijau) berdasarkan arus saat ini.

Lampu lalu lintas klasik pun semakin pintar: Pittsburgh dan Los Angeles kini memiliki sinyal adaptif AI yang menyesuaikan secara otomatis, mengurangi waktu berhenti dan menjaga kendaraan tetap bergerak. Proyek penelitian juga sedang berlangsung secara global.

Kolaborasi Eropa–Jepang sedang menguji sistem deep-learning bernama TRALICO yang meramalkan kemacetan sekaligus mengendalikan lampu lalu lintas di Istanbul.

Semua penerapan nyata ini bertujuan untuk memprediksi kemacetan lebih awal agar perencana dapat bertindak sebelum kemacetan terjadi.

Manfaat bagi Pengemudi dan Kota

Manfaat dari prediksi lalu lintas yang akurat sangat besar. Bagi para komuter, AI berarti waktu perjalanan yang lebih dapat diandalkan dan lebih sedikit waktu terbuang di kemacetan.

Aplikasi dapat memberi peringatan sebelum Anda berangkat jika jalan akan segera macet, atau mengarahkan Anda ke rute alternatif untuk menghindari perlambatan.

Studi menunjukkan ini dapat menghemat waktu pengemudi berjam-jam setiap minggu. Panduan AI juga mengurangi penggunaan bahan bakar – tidak ada lagi kendaraan yang berhenti lama di lampu merah atau merayap di jalan tol macet berarti bahan bakar lebih hemat.

Faktanya, satu proyek AI Google melaporkan pengurangan pemberhentian kendaraan sebesar 30% dan emisi bahan bakar sebesar 10% di persimpangan yang sibuk.

Di tingkat kota, arus lalu lintas yang lebih lancar berarti polusi lebih rendah dan keuntungan ekonomi. Waktu yang lebih sedikit di jalan berarti produktivitas lebih tinggi, stres perjalanan berkurang, dan udara lebih bersih.

Singkatnya, prediksi berbasis AI membantu orang membuat keputusan rute yang lebih baik dan membantu kota merancang jaringan jalan yang lebih efisien.

Tantangan dan Prospek Masa Depan

Membangun prediksi lalu lintas berbasis AI tidak tanpa tantangan. Mendapatkan dan memproses data dalam jumlah besar bisa mahal – kota mungkin perlu berinvestasi pada sensor, kamera, dan infrastruktur komputasi.

Mengintegrasikan AI ke dalam sistem lalu lintas lama juga kompleks, dan staf harus dilatih menggunakan alat baru ini.

Ada juga kekhawatiran tentang privasi data dan bias. Dataset lokasi yang besar harus dikelola dengan aman, dan model bisa salah jika data latihannya memiliki kekurangan (misalnya, data jalan pedesaan yang minim adalah celah yang diketahui).

Keamanan siber juga menjadi isu: sistem lalu lintas yang terhubung bisa menjadi target peretasan, sehingga perlindungan yang kuat sangat diperlukan.

Meski demikian, para ahli optimis. AI dalam manajemen lalu lintas masih dalam tahap awal dengan banyak ruang untuk berkembang. Peneliti melihat jalur jelas ke depan – seperti membuat model yang dapat beradaptasi secara real time terhadap kejadian mendadak (misalnya, acara olahraga yang baru selesai) dan memperluas solusi ke daerah pedesaan.

Ide mutakhir adalah menggunakan model bahasa besar (seperti yang mendasari ChatGPT) untuk menambahkan konteks pada prediksi. Misalnya, metode baru memungkinkan AI “memahami” informasi tertulis tentang penutupan jalan atau acara dan memasukkannya ke dalam ramalannya.

Dalam waktu dekat, sistem AI mungkin mengintegrasikan laporan lalu lintas dari media sosial atau siaran berita langsung, membuat prediksi semakin cerdas.

>>> Klik untuk mengetahui caranya: AI Mengoptimalkan Rute Bus untuk Mengurangi Waktu Tunggu 

Singkatnya, kecerdasan buatan mengubah cara kita menghadapi kemacetan saat jam sibuk. Dengan belajar dari tren historis yang luas dan kondisi jalan langsung, sistem AI dapat melihat ke depan dan memperkirakan di mana kemacetan akan terjadi.

Ini memberi pengemudi dan kota keunggulan berharga: menyesuaikan sinyal, mengalihkan kendaraan, atau mengubah jadwal sebelum kemacetan terbentuk.

Dengan kemajuan berkelanjutan dan penerapan yang hati-hati, prediksi lalu lintas berbasis AI menjanjikan perjalanan yang lebih singkat, bersih, dan bebas stres.