diklatkerja | Penelitian Ini Mengungkap Rahasia di Balik Evaluasi Keselamatan Jalan Tol

Jalan Panjang Menuju Keselamatan: Krisis Waktu dan Biaya dalam Infrastruktur Cerdas

Dalam upaya global untuk meningkatkan efisiensi dan keselamatan di jalan raya, berbagai sistem manajemen lalu lintas aktif (Active Traffic Management/ATM) dan strategi operasi (Transportation Systems Management and Operations/TSMO), seperti ramp metering (pengaturan laju tanjakan), batas kecepatan variabel, dan sistem peringatan antrean, telah diimplementasikan secara luas.¹ Sistem-sistem ini bertujuan ganda: meningkatkan keselamatan di tingkat mikroskopis dan mengurangi kemacetan di tingkat makroskopis.¹

Namun, keberhasilan sistem-sistem canggih ini terancam oleh satu kendala mendasar: metode evaluasi yang sangat lambat. Secara tradisional, untuk mengukur peningkatan keselamatan, metodologi yang mapan mengharuskan peneliti mengumpulkan data kecelakaan selama 3 hingga 5 tahun sebelum intervensi dan 3 hingga 5 tahun setelahnya.¹ Ini berarti pemangku kepentingan, seperti Departemen Transportasi (DOT) atau pemerintah, harus menunggu jendela evaluasi total 6 hingga 10 tahun untuk menentukan apakah sistem ATM yang mereka biayai benar-benar efektif.¹

Jangka waktu yang sangat panjang ini memiliki kelemahan yang serius. Biaya pemantauan lalu lintas dan pemeliharaan infrastruktur sistem ATM sangat tinggi. Jika sebuah sistem ternyata tidak efektif setelah satu dekade proyek berjalan, dana yang dihabiskan untuk pengawasan dan pemeliharaan tersebut menjadi sia-sia, menimbulkan risiko fiskal yang signifikan.¹ Lebih jauh lagi, penundaan selama bertahun-tahun ini secara efektif menahan dana yang seharusnya dapat dialihkan untuk mengimplementasikan solusi lalu lintas yang lebih baik dan lebih cepat.

Makalah penting oleh Robbennolt dan Hourdos ini menyajikan sebuah terobosan. Penelitian ini memperkenalkan metodologi berbasis data yang canggih, yang bergeser dari paradigma reaktif (menghitung kecelakaan yang sudah terjadi) menjadi proaktif (mengukur risiko dinamis secara real-time). Dengan memanfaatkan data kecepatan dari sensor jalan yang sudah ada, metodologi ini memungkinkan evaluasi efisiensi dan keselamatan hanya dalam hitungan minggu atau bulan, merevolusi cara dunia mengukur keberhasilan infrastruktur cerdas.¹

Mengapa Studi Kecelakaan Jangka Panjang Justru Membahayakan Investasi Infrastruktur?

Metode evaluasi lalu lintas yang bergantung pada data kecelakaan jangka panjang (disebut studi keselamatan lalu lintas) dirancang untuk memberikan hasil yang signifikan secara statistik, karena insiden kecelakaan sering kali merupakan peristiwa langka.¹ Namun, ketergantungan ini menciptakan beberapa kelemahan sistemik yang menghambat kemajuan teknologi manajemen lalu lintas:

Fokus Evaluasi yang Terlalu Sempit

Studi yang secara eksklusif berfokus pada pengurangan kecelakaan gagal memberikan gambaran lengkap mengenai kinerja sistem ATM.¹ Banyak sistem yang dirancang untuk meningkatkan efisiensi, dan bukan hanya keselamatan. Studi tradisional seringkali tidak mengukur faktor-faktor penting lainnya, seperti waktu tempuh, tingkat atau luasan kemacetan, variabilitas kecepatan, atau dampak lingkungan (seperti konsumsi bahan bakar dan emisi).¹

Akibatnya, pembuat kebijakan mungkin menginvestasikan miliaran dalam sistem yang menunjukkan penurunan kecil dalam tingkat kecelakaan, tetapi gagal total dalam meningkatkan metrik operasional sehari-hari yang jauh lebih sering dirasakan publik, seperti waktu perjalanan dan efisiensi bahan bakar.

Kelumpuhan dalam Optimalisasi Sistem

Sistem ATM bersifat dinamis, kompleks, dan sangat sensitif terhadap kondisi jalan yang berbeda. Agar efektif, sistem-sistem ini memerlukan kalibrasi berkelanjutan, terutama saat diterapkan pada ruas jalan baru.¹

Jika dibutuhkan waktu bertahun-tahun untuk menentukan apakah perubahan kecil pada parameter operasional algoritma memengaruhi kondisi jalan, maka optimalisasi dan penyempurnaan sistem secara efisien menjadi mustahil (infeasible).¹ Institusi operasional lalu lintas dipaksa untuk menjalankan algoritma sub-optimal selama bertahun-tahun, yang secara langsung memengaruhi kualitas layanan dan keselamatan jalan raya.

Kegagalan Mengevaluasi Intervensi Jangka Pendek

Beberapa sistem ATM, seperti peringatan antrean (queue warning) di zona kerja (work zone management), hanya diimplementasikan untuk waktu yang singkat.¹ Secara inheren, sistem-sistem kritis ini tidak dapat dievaluasi menggunakan metodologi studi kecelakaan jangka panjang karena durasi penerapannya yang sementara.¹ Padahal, sistem peringatan antrean sangat penting untuk keselamatan di area transisi atau titik buta visual.

Metodologi baru ini mengatasi dilema "investasi yang terikat" (locked-in investment) ini. Dengan beralih ke analisis berbasis data dinamis jangka pendek, ia menjanjikan pengurangan risiko finansial yang signifikan, memastikan bahwa dana publik digunakan untuk sistem yang terbukti efisien secara real-time dan dapat dikalibrasi ulang dengan cepat.¹

Dari Sensor Statis Menjadi ‘DNA’ Pengemudi: Kisah di Balik Metodologi Trajektori Hipotesis

Inti dari inovasi ini adalah kemampuan untuk mengubah data sensor titik yang jarang (sparse) dan terbatas, yang biasanya hanya memberikan gambaran kasar, menjadi representasi keadaan lalu lintas beresolusi tinggi yang sangat detail.¹

Membangun Peta Kecepatan Dinamis (Speedmap)

Metodologi ini dimulai dari masalah umum: data yang dikumpulkan oleh detektor tetap (fixed detectors)—sensor induksi atau radar—hanya mencatat kecepatan, volume, dan okupansi pada lokasi dan interval waktu tertentu (misalnya, setiap 30 detik atau setiap kendaraan melintas).¹ Data ini jarang dan tidak dapat menjelaskan apa yang terjadi di antara detektor.¹

Untuk mengatasi gap informasi ini, penelitian ini mengandalkan Metode Generalized Adaptive Smoothing Method (GASM), yang dikembangkan oleh Treiber et al., untuk melakukan interpolasi spasiotemporal data kecepatan.¹ GASM dirancang untuk memperkirakan kecepatan di setiap titik ruang dan waktu di sepanjang jalan raya.¹

Proses ini secara efektif menciptakan speedmap (peta kecepatan) yang merupakan representasi matematis resolusi tinggi dari kondisi lalu lintas.¹ Bayangkan alih-alih hanya tahu kecepatan mobil di empat gerbang sensor, GASM menciptakan peta cuaca dinamis, menunjukkan kecepatan ideal yang diinterpolasi di setiap inci jalan raya, setiap detiknya. Ini mengubah data statis yang terbatas menjadi narasi pergerakan yang berkelanjutan, memungkinkan perkiraan keadaan lalu lintas yang jauh lebih tepat daripada metodologi sebelumnya.¹

Potensi Akselerasi: Membaca ‘Niat’ Lalu Lintas

Berdasarkan speedmap yang telah dibuat, peneliti dapat menghitung turunan (derivatif) dari kecepatan terhadap ruang dan waktu. Hasil perhitungan ini dikenal sebagai Potensi Akselerasi (Acceleration Potential).¹

Potensi akselerasi adalah perkiraan matematis mengenai seberapa besar potensi arus lalu lintas untuk mengubah kecepatannya (akselerasi atau deselerasi) pada suatu titik tertentu di jalan raya.¹ Potensi ini menjadi indikator kritis bagi peneliti karena ini adalah proxy dari perubahan kecepatan yang akan dialami kendaraan yang bergerak di titik tersebut. Ini seolah-olah Potensi Akselerasi adalah "kemampuan prediksi matematis" yang memungkinkan peneliti melihat 'niat' kolektif arus lalu lintas untuk mengerem atau berakselerasi di masa depan.

Penelitian ini juga mengungkapkan detail operasional penting yang digunakan dalam kalibrasi model GASM. Misalnya, kecepatan gelombang kemacetan (c_{cong}) ditetapkan sekitar 17 mph ke belakang, yang merupakan kisaran yang diharapkan untuk gelombang kejut lalu lintas di jalan tol.¹ Lebih menarik lagi, kecepatan propagasi arus bebas (c_{free}) ditetapkan pada 35 mph, angka yang lebih rendah dari kecepatan bebas biasanya. Kenyataan ini menunjukkan bahwa kendaraan cenderung sudah melambat saat kepadatan meningkat, bahkan sebelum terjadi kemacetan serius.¹ Temuan ini memvalidasi perlunya sistem peringatan dini yang beroperasi pada kecepatan menengah, bukan hanya saat kemacetan sudah parah.

Menciptakan Lintasan Hipotesis (Hypothetical Trajectories)

Dengan mengetahui kecepatan dan potensi akselerasi di setiap titik, peneliti kemudian dapat membangun lintasan kendaraan hipotesis setiap dua detik.¹ Interval dua detik dipilih berdasarkan aplikasi studi kasus, yang algoritmanya membuat keputusan setiap dua detik.

Lintasan yang diciptakan ini mewakili jalur yang akan diikuti oleh kendaraan hipotetis, mencakup posisi, kecepatan, dan—yang paling penting—tingkat akselerasi atau deselerasi di setiap lokasi dan waktu.¹ Setelah lintasan awal dibuat, fungsi spline kemudian diterapkan pada grafik kecepatan versus waktu untuk memuluskan data dan menghitung akselerasi atau deselerasi aktual kendaraan di setiap titik.¹

Metodologi ini menyediakan detail yang biasanya hanya tersedia melalui model simulasi mikro yang ekstensif, namun dengan keunggulan menggunakan data real-world dari detektor.¹ Dengan demikian, penelitian ini berhasil menciptakan "jembatan data," memanfaatkan infrastruktur sensor lama untuk meniru output data trajektori resolusi tinggi yang hanya dapat dihasilkan oleh teknologi masa depan seperti connected vehicles.

Menyingkap Zona Kritis: Ketika Deselerasi Mendadak Berbicara Lebih Keras dari Data Kecelakaan

Paradigma keselamatan yang diusung dalam penelitian ini adalah beralih dari pengukuran outcome (kecelakaan) ke pengukuran exposure (paparan risiko).¹ Tingkat deselerasi yang tinggi berfungsi sebagai ukuran pengganti keselamatan (surrogate safety measure) yang otomatis dan cepat, mengidentifikasi kondisi lalu lintas di mana pengemudi terpaksa mengerem mendadak, yang secara dramatis meningkatkan risiko tabrakan beruntun.¹

Ambang Batas Deselerasi yang Mengancam

Untuk mengidentifikasi lintasan yang benar-benar berbahaya, peneliti menetapkan ambang batas deselerasi yang dikalibrasi menggunakan observasi video dan data radar independen.¹ Suatu lintasan dianggap berbahaya jika memenuhi tiga kriteria utama:

Kecepatan Transisi: Kendaraan harus memasuki segmen jalan dengan kecepatan lebih tinggi dari 30 mph dan melambat sebagai respons terhadap kemacetan hingga kurang dari 20 mph. Ini memastikan bahwa kendaraan berada dalam situasi berisiko tinggi di mana pengereman mendadak sangat diperlukan.
Deselerasi Maksimum Tinggi: Deselerasi maksimum harus lebih besar dari $3 \text{ ft/s}^2$.¹ Perlambatan mendadak sebesar $3 \text{ ft/s}^2$ ini adalah pengereman yang cukup kuat hingga memaksa pengemudi inatensi harus bereaksi cepat untuk menghindari kecelakaan.
Deselerasi Rata-rata Signifikan: Deselerasi rata-rata antara kecepatan minimum dan maksimum harus lebih besar dari $1.3 \text{ ft/s}^2$.¹ Ini mengukur perlambatan berkelanjutan yang terjadi selama interaksi dengan antrean.

Skala Risiko yang Tidak Terlihat

Perbedaan antara risiko yang terdeteksi oleh metodologi ini dengan data tradisional sangat mencengangkan, dan ini adalah cerita terbesar di balik data tersebut.

Selama periode studi yang berlangsung dari September hingga April, hanya terdapat kurang dari 50 kecelakaan yang tercatat, dan banyak di antaranya tidak terkait dengan kemacetan (misalnya, mengemudi sambil mabuk atau tabrakan samping saat arus bebas).¹ Namun, dalam periode yang sama, model lintasan hipotesis ini mengidentifikasi lebih dari 60.000 lintasan kendaraan yang mengalami deselerasi berbahaya.¹

Angka $60.000$ lintasan berbahaya ini adalah lompatan kuantitatif dalam pemahaman risiko.¹ Ini setara dengan beralih dari memantau satu insiden serius per bulan (kecelakaan) menjadi mengidentifikasi potensi bahaya kritis yang terjadi rata-rata setiap 10 menit. Rasio ini menegaskan bahwa kecelakaan yang tercatat secara resmi hanyalah puncak gunung es dari bahaya yang sebenarnya dialami pengemudi setiap hari.¹ Data deselerasi bukan sekadar metrik teknis; ini adalah "suara" dari puluhan ribu pengereman darurat yang selama ini terabaikan dalam laporan keselamatan resmi.

Studi Kasus MN-QWARN: Kelemahan Algoritma Peringatan yang Sensitif

Metodologi lintasan hipotesis ini segera menunjukkan nilai praktisnya dengan digunakan untuk mengevaluasi kinerja sistem Peringatan Antrean Minnesota (MN-QWARN) di jalan tol I-94, Minneapolis.¹ Tujuannya adalah menentukan seberapa akurat sistem ini dalam mendeteksi dan memperingatkan pengemudi yang mendekati kemacetan di zona kritis, yang didefinisikan sebagai area dengan visibilitas terendah (antara 800 ft dan 1,400 ft).¹ Lintasan berbahaya yang terdeteksi oleh model berfungsi sebagai ground truth atau kebenaran lapangan.

Kesenjangan Kinerja yang Signifikan

Hasil evaluasi menunjukkan perbedaan kinerja yang signifikan antara lajur:

Lajur Kanan (Right-Hand Lane/RH Lane): Tingkat deteksi (detection rate) sistem MN-QWARN hanya 21.2%.¹ Artinya, sistem hanya berhasil mengenali sekitar satu dari lima peristiwa pengereman mendadak yang terdeteksi oleh model, membiarkan lebih dari 80% pengemudi di lajur ini memasuki zona deselerasi mendadak tanpa peringatan efektif.
Lajur Kiri (Left-Hand Lane/LH Lane): Tingkat deteksi jauh lebih baik, mencapai 60.6%.¹

Mengapa lajur kanan jauh lebih buruk? Lajur kanan sering mengalami turbulensi lalu lintas yang lebih besar karena interaksi dengan lalu lintas masuk dan keluar, serta pergerakan truk.¹ Turbulensi ini menciptakan pola kecepatan yang lebih bervariasi dan sulit diprediksi, menunjukkan bahwa algoritma QWARN mungkin terlalu sederhana atau dikalibrasi berdasarkan asumsi pola lalu lintas yang lebih seragam (seperti lajur kiri), sehingga gagal menangani kompleksitas lajur kanan.

Kegagalan Saat Kemacetan Baru Terbentuk

Analisis yang lebih mendalam berfokus pada peristiwa (event) kemacetan pertama hari itu, yaitu saat gelombang kejut (shockwave) kemacetan baru mulai terbentuk—situasi yang paling berbahaya karena kendaraan masih bergerak dengan kecepatan tinggi.¹

Pada lajur kanan, tingkat deteksi pada event pertama hari itu hanya 17.6%, dan alarm datang terlambat (raised late) pada 59.2% kejadian.¹
Pada lajur kiri, tingkat deteksi hanya 24.3%, dengan alarm datang terlambat pada 67.4% kejadian.¹

Data ini sangat krusial. Ini membuktikan bahwa algoritma sistem peringatan antrean yang ada tidak cukup sensitif dan terlalu lambat, terutama pada saat kritis inisiasi kemacetan. Metodologi Robbennolt dan Hourdos membuktikan secara empiris bahwa algoritma sistem memerlukan penyesuaian parameter yang agresif untuk dapat "melihat ke masa depan" menggunakan prediksi trajektori, alih-alih hanya bereaksi terhadap kondisi yang sudah terjadi pada detektor terdekat.¹

Dengan lebih dari 60.000 lintasan berbahaya yang terdeteksi, para peneliti dapat menarik kesimpulan yang realistis mengenai inefisiensi sistem dalam waktu singkat, dibandingkan dengan kesimpulan statistik yang mustahil ditarik dari kurang dari 50 kasus kecelakaan.¹

Kritik Realistis dan Tantangan Adopsi: Batasan Data Sparse dan Akurasi

Meskipun metodologi ini menawarkan peningkatan substansial, para peneliti mengakui adanya batasan yang harus diatasi dalam penelitian di masa depan, terutama terkait dengan akurasi model data sparse.

Tantangan Flow dan Density

Keterbatasan utama saat ini adalah bahwa metodologi ini berfokus hampir secara eksklusif pada kecepatan dan tidak secara bermakna menggabungkan informasi tentang arus (flow) atau kepadatan (density) lalu lintas.¹

Tanpa data arus dan kepadatan yang akurat, lintasan kendaraan harus dibuat pada interval waktu yang konstan (setiap 2 detik). Ini berarti jarak dan waktu antar kendaraan (headways) yang dihasilkan mungkin tidak sepenuhnya realistis, membatasi kemampuan untuk menganalisis metrik yang bergantung pada interaksi kendaraan ke kendaraan.¹ Menggabungkan data arus dan kepadatan adalah bidang kerja masa depan yang diakui dapat meningkatkan akurasi propagasi kemacetan pada speedmap.¹

Akumulasi Kesalahan Jarak Jauh

Metodologi ini bekerja paling baik pada koridor pendek. Untuk koridor yang lebih panjang, kesalahan posisi kendaraan yang dihitung dalam lintasan hipotesis akan terakumulasi seiring jarak.¹ Ini adalah kekhawatiran yang wajar karena model hanya menggunakan data dari detektor titik.

Untuk mengatasi ini, peneliti menyarankan solusi numerik yang cerdas: membagi ruas jalan yang panjang dan membuat lintasan mulai dari setiap detektor ke titik tengah di antara detektor, lalu "menjahitnya" bersama-sama untuk mengurangi kesalahan kumulatif di seluruh area studi.¹

Kerentanan Terhadap Sensor Hulu

Studi sensitivitas dilakukan untuk memahami dampak hilangnya salah satu detektor. Hasilnya sangat dramatis, menyoroti betapa pentingnya kualitas data hulu (sensor paling jauh di depan).¹

Ketika Detektor 2 (yang membatasi zona kritis) dihilangkan dari analisis, estimasi kecepatan menunjukkan peningkatan hampir 300% dalam jumlah deselerasi tinggi yang terdeteksi oleh model.¹ Sebaliknya, jika detektor paling hulu (Detektor 1) dihilangkan, terjadi penurunan $41\%$ dalam jumlah deselerasi tinggi, yang menunjukkan bahwa algoritma tidak dapat mengidentifikasi seberapa jauh kemacetan menyebar dari hulu.¹

Analisis ini memberikan cetak biru bagi pemerintah daerah untuk memprioritaskan anggaran pemeliharaan sensor—bahwa kesalahan atau hilangnya data di detektor yang "mengikat" batas studi akan merusak semua prediksi di hilir. Oleh karena itu, untuk adopsi praktis, lembaga transportasi disarankan untuk meningkatkan kepadatan detektor selama periode evaluasi singkat menggunakan trailer dengan detektor portabel.¹

Kesimpulan: Dampak Nyata dan Efisiensi Lima Tahun ke Depan

Metodologi evaluasi berbasis data lintasan hipotesis yang dikembangkan oleh Robbennolt dan Hourdos telah menetapkan standar baru untuk evaluasi manajemen lalu lintas aktif. Metodologi ini berhasil mengatasi kelemahan utama studi keselamatan tradisional yang memakan waktu (6–10 tahun) dan studi simulasi (yang rentan terhadap perilaku pengemudi yang tidak realistis) dengan menghasilkan lintasan beresolusi tinggi dari data sensor dunia nyata yang tersedia.¹

Kemampuan untuk secara otomatis mengidentifikasi puluhan ribu lintasan berbahaya, yang diukur dengan ambang deselerasi yang spesifik, memberikan pembuat kebijakan wawasan kredibel mengenai paparan risiko—jauh sebelum statistik kecelakaan jangka panjang dapat diandalkan.¹

Jika metodologi ini diterapkan secara nasional dalam kerangka evaluasi sistem ATM (termasuk ramp metering, batas kecepatan variabel, dan peringatan antrean), temuan ini bisa mengurangi waktu yang dibutuhkan untuk kalibrasi dan optimalisasi sistem dari 6-10 tahun menjadi hitungan bulan.¹

Percepatan ini akan membebaskan ratusan juta dolar biaya operasional yang biasanya terikat dalam pemantauan jangka panjang yang tidak efisien, memotong risiko investasi infrastruktur yang gagal secara signifikan.¹ Melalui optimalisasi algoritma yang cepat dan berkelanjutan, estimasi yang lebih baik dari status lalu lintas juga memungkinkan perhitungan metrik lingkungan.¹ Dalam waktu lima tahun, perbaikan sistematis berdasarkan data ini diperkirakan dapat mengurangi kemacetan, yang pada gilirannya mengurangi konsumsi bahan bakar dan emisi di koridor padat hingga 15%, sekaligus meningkatkan waktu tempuh rata-rata secara signifikan.¹ Metodologi ini bukan hanya tentang keselamatan; ini adalah tentang efisiensi infrastruktur yang cerdas dan berkelanjutan.

Sumber Artikel:

Robbennolt, J., & Hourdos, J. (2024). Data-Driven Evaluation Methodology for Active Traffic Management Systems Utilizing Sparse Speed Data. Transportation Research Record, 2678(4), 90–105. https://doi.org/10.1177/03611981231183717

Penelitian Ini Mengungkap Rahasia di Balik Evaluasi Keselamatan Jalan Tol – dan Ini yang Harus Anda Ketahui!