Menunggu lama di halte bus membuat penumpang enggan dan menurunkan daya tarik transportasi umum. Di banyak kota, waktu tunggu dan keterlambatan saat pindah kendaraan menyumbang sebagian besar waktu perjalanan – sebuah studi menemukan bahwa waktu tunggu di luar kendaraan bisa mencapai sekitar 17–40% dari total waktu perjalanan. Bahkan keterlambatan kecil pun menurunkan jumlah penumpang: di London, peningkatan waktu perjalanan sebesar 1% menyebabkan penurunan penggunaan transportasi umum sekitar 0,61%.
Untuk mengatasi hal ini, alat penjadwalan modern berbasis AI menganalisis data waktu nyata dan historis (pola penumpang, lalu lintas, cuaca, dll.) untuk menghasilkan jadwal dan rute bus yang lebih cerdas. Sistem ini dirancang untuk “menciptakan jadwal yang lebih akurat dan dapat diandalkan” serta menjanjikan “mengurangi waktu tunggu dan meningkatkan ketepatan waktu” bagi penumpang.
Solusi AI untuk Penjadwalan dan Perutean Bus Umum
AI mendukung perencana transportasi dalam beberapa cara untuk mengurangi waktu tunggu dan keterlambatan:
-
Peramalan Permintaan: Algoritma AI menganalisis data penumpang sebelumnya, cuaca, acara, dan waktu dalam sehari untuk memprediksi kapan dan di mana bus akan dibutuhkan.
Dengan menyesuaikan penempatan bus sesuai permintaan, operator dapat menghindari kepadatan berlebih atau kekurangan pemanfaatan. Misalnya, lembaga transportasi kini menggunakan peramalan berbasis AI untuk mengoptimalkan penempatan kendaraan dan mencegah kepadatan berlebih pada jam sibuk. -
Penjadwalan dan Pengendalian Prediktif: Pembelajaran mesin dapat mempelajari faktor-faktor (lalu lintas, keterlambatan naik penumpang, dll.) yang memengaruhi ketepatan waktu, dan menyesuaikan jadwal atau instruksi pengiriman sesuai kebutuhan.
Misalnya, alat seperti FlowOS mensimulasikan pergerakan kendaraan dan merekomendasikan intervensi waktu nyata (menahan atau melewati halte, menyesuaikan kecepatan) untuk menjaga bus tetap sesuai jadwal.
Dalam praktiknya, ini berarti jadwal terus disempurnakan untuk meminimalkan keterlambatan dan penggumpalan sebelum terjadi. -
Prioritas Sinyal Transit & Perutean: AI dapat terintegrasi dengan manajemen lalu lintas untuk memberikan prioritas bus di lampu lalu lintas atau menyarankan rute alternatif.
Sebuah uji coba di Portland, OR menggunakan sistem prioritas lalu lintas berbasis AI berhasil mengurangi waktu tunggu lampu merah bus sekitar 80% selama 15 mil, secara signifikan mempercepat perjalanan.
Demikian pula, algoritma optimasi canggih dapat mengubah rute atau waktu bus untuk mencegah “penggumpalan” dan meratakan interval kedatangan. -
Informasi Penumpang Waktu Nyata: Sistem cerdas mendukung tampilan digital dan aplikasi penumpang yang memprediksi waktu kedatangan bus.
Dengan menyebarkan jadwal yang akurat dan terkini, sistem ini membuat waktu tunggu terasa lebih singkat.
Lembaga melaporkan bahwa informasi kedatangan waktu nyata yang cepat dan andal serta perencanaan transfer dengan waktu tunggu rendah – yang sering dihasilkan AI – secara signifikan meningkatkan pengalaman pelanggan.
Teknologi ini bekerja bersama untuk menjaga bus tetap bergerak dan penumpang tetap mendapat informasi.
Misalnya, halte bus pintar dan aplikasi kini menampilkan perkiraan kedatangan yang ditingkatkan oleh AI sehingga penumpang tahu persis berapa lama mereka harus menunggu.
Contoh Nyata Penggunaan AI dalam Transportasi
Kasus-kasus ini menggambarkan dampak AI: penjadwalan lebih cerdas, keandalan meningkat, dan waktu tunggu lebih singkat.
Lembaga transportasi di banyak negara (dari AS hingga Eropa dan Asia) mulai mengadopsi alat ini. Misalnya, lembaga di AS menggunakan AI untuk memprediksi jumlah penumpang dan mengoordinasikan transfer, sementara kota seperti Boston dan Seattle bereksperimen dengan prioritas sinyal berbasis AI untuk mengurangi waktu tunggu kendaraan.
Semua upaya ini memiliki satu tujuan: meminimalkan waktu tunggu dan keterlambatan penumpang.
Manfaat dan Prospek Masa Depan
Transportasi yang dioptimalkan AI menawarkan banyak manfaat. Dengan menjaga interval kedatangan yang lebih konsisten dan mengurangi penggumpalan, sistem AI memastikan bus tiba secara teratur, sehingga penumpang tidak menghadapi jeda panjang yang tidak terduga. Penelitian transportasi menunjukkan bahwa “penjadwalan dinamis” seperti ini menghasilkan waktu perjalanan lebih singkat dan kenyamanan penumpang yang lebih baik.
Operator juga menghemat biaya: lebih sedikit bus menganggur dan layanan yang lebih lancar berarti pengeluaran bahan bakar dan tenaga kerja lebih rendah, sehingga sumber daya dapat dialokasikan untuk memperluas layanan.
Bahkan, analisis menunjukkan bahwa penurunan penggunaan bahan bakar sebesar 10% (dari penjadwalan yang lebih baik) memberikan keuntungan finansial dan lingkungan yang signifikan.
Ke depan, penggunaan AI dalam transportasi akan terus berkembang. Model canggih dapat terus belajar dari data langsung (GPS, hitungan penumpang, dll.) untuk menyesuaikan dengan perubahan lalu lintas dan permintaan.
Sistem “kota pintar” di masa depan mungkin akan mengintegrasikan AI dengan sensor IoT dan jaringan 5G sehingga rute bus dan sinyal lalu lintas dapat dioptimalkan secara real time.
Proyek awal melaporkan bahwa teknologi digital ini membuat transportasi umum “lebih berkelanjutan dan menarik,” terutama di jaringan dengan permintaan rendah atau kompleks.
Dengan mengadopsi AI, kota-kota bertujuan menyediakan layanan bus yang lebih cepat, andal, dan berkapasitas lebih besar, akhirnya mengurangi waktu tunggu yang selama ini menjadi kendala.
