Mengapa Prediksi Lalu Lintas Urban Begitu Sulit?
Memprediksi kondisi lalu lintas di jaringan perkotaan merupakan prioritas utama bagi semua pusat manajemen lalu lintas (Traffic Management Centre atau TMC) di seluruh dunia.1 Namun, tantangan yang dihadapi pusat-pusat ini berlipat ganda, terutama ketika jaringan jalan terpengaruh oleh insiden lalu lintas tak terduga (non-recurrent) seperti kecelakaan mendadak, kendaraan mogok, atau gangguan cuaca ekstrem.1
Masalah fundamentalnya terletak pada variabilitas insiden itu sendiri. Insiden bervariasi secara luas dalam waktu, lokasi, dan tingkat keparahan. Sebuah kecelakaan kecil di jam sibuk pagi hari dapat memiliki dampak yang sama parahnya dengan penutupan lajur jangka panjang di sore hari. Karena insiden-insiden ini jarang sekali terulang dengan karakteristik yang sama persis, data historis yang tersedia untuk kondisi insiden tertentu sangat terbatas. Kondisi ini membuat model prediksi lalu lintas berbasis data (data-driven) konvensional, meskipun ideal untuk peramalan jangka pendek dalam kondisi normal, mengalami penurunan kinerja yang parah.1
Para ahli menyoroti dua keterbatasan utama model berbasis data tradisional. Pertama, sebagian besar model tersebut diterapkan pada jalan bebas hambatan atau koridor arteri, di mana dinamika lalu lintas relatif lebih sederhana dan linier. Sebaliknya, jaringan perkotaan, seperti yang diteliti dalam studi ini di sub-jaringan Sydney, memiliki konfigurasi spasial yang sangat kompleks dan dinamika permintaan perjalanan yang terus berubah, menjadikannya sangat sulit untuk diramalkan.1 Kedua, spektrum insiden lalu lintas yang luas—mulai dari penutupan lajur sementara, perubahan cuaca mendadak, hingga gangguan sistem kereta—meningkatkan kerumitan peramalan, sehingga hampir mustahil untuk menemukan pola yang serupa dalam data historis untuk setiap jenis gangguan.1
Keterbatasan data insiden historis ini secara kausal membatasi kemampuan TMC. Model yang hanya merespons rata-rata atau kondisi normal tidak dapat memberikan prediksi proaktif yang cepat saat chaos terjadi. Sebuah solusi terobosan diperlukan untuk mengubah peran TMC dari sekadar manajemen reaktif (menanggapi kemacetan yang sudah terjadi) menjadi prediksi proaktif (memperkirakan kemacetan yang akan terjadi dalam 15 hingga 60 menit ke depan), memberikan waktu kritis bagi pengelola untuk menyesuaikan infrastruktur dan memberi peringatan kepada pengguna jalan.1
Solusi Terobosan: Integrasi Sinergis Kecerdasan Buatan dan Simulasi
Penelitian ini mengusulkan sebuah kerangka kerja manajemen insiden operasional inovatif yang secara langsung mengatasi keterbatasan data historis dengan mengintegrasikan dua pendekatan yang kuat: model berbasis data (kecerdasan buatan) dan model simulasi mikro lalu lintas dinamis.1
Alih-alih mencoba memprediksi kondisi lalu lintas hanya dari data historis insiden yang langka, kerangka kerja ini memanfaatkan simulasi lalu lintas yang diperkuat oleh model berbasis data. Simulasi lalu lintas digunakan untuk menangkap interaksi kompleks antara pengemudi dan jaringan jalan, memprediksi kondisi lalu lintas di bawah kondisi ekstrem insiden.1 Namun, simulasi ini memerlukan input penting, yaitu estimasi alur permintaan Origin-Destination (OD) secara real-time, yang tidak dapat diukur secara langsung di area skala besar.1
Di sinilah peran kecerdasan buatan masuk. Model berbasis data berfungsi untuk menyediakan prediksi alur permintaan OD jangka pendek yang akurat, yang kemudian dimasukkan sebagai bahan bakar ke dalam mesin simulasi. Dengan pengetahuan tentang lokasi insiden yang baru dilaporkan dan alur permintaan OD yang diprediksi, simulasi dapat menerapkan prinsip-prinsip alur lalu lintas untuk memprediksi keadaan jaringan di bawah kondisi non-berulang secara kredibel.1
Anatomi Platform Cerdas: Mesin Prediksi TMC Sydney
Platform manajemen insiden yang diusulkan ini dirancang khusus untuk memenuhi kebutuhan operasional Traffic Management Centre (TMC) Sydney, Australia. Arsitektur kerangka kerja ini secara metodologis membedakan kasus lalu lintas berulang (recurrent) dan tidak berulang (non-recurrent) melalui serangkaian modul cerdas.1
Fungsi Operasional Kunci
Platform ini bergantung pada data yang beragam, termasuk hitungan lalu lintas tautan yang diukur, data dasar jaringan dan permintaan perjalanan, serta log insiden terperinci (koordinat lokasi, lajur yang terpengaruh, durasi, dan keparahan).1
- Klasifikasi Keparahan Insiden: Modul awal menggunakan teknik machine learning untuk memproses data insiden mentah dan mengklasifikasikannya sebagai parah (severe) atau tidak parah (non-severe). Hanya insiden yang dikategorikan parah yang akan memicu model simulasi lalu lintas yang kompleks untuk analisis dampak mendalam.1
- Prediksi Lalu Lintas Berbasis Data: Untuk kondisi lalu lintas normal (non-insiden parah), model berbasis data murni digunakan untuk prediksi kecepatan perjalanan jangka pendek.1
- Estimasi dan Prediksi Permintaan OD: Ini adalah jantung dari platform. Modul ini bertujuan menyesuaikan data permintaan awal (a priori) dengan observasi lalu lintas terbaru yang diukur dari detektor di jaringan.1
Detail Kritis: Menghidupkan Realitas Sinyal SCATS (SCATSIM)
Kredibilitas platform ini terletak pada kemampuannya mereplikasi kondisi lalu lintas dunia nyata seakurat mungkin. Dalam kasus Sydney, ini berarti harus menyertakan Sistem Kontrol Lalu Lintas Adaptif Sydney (SCATS).
Model simulasi mikro (menggunakan perangkat lunak AIMSUN) diintegrasikan dengan plug-in arsitektur kontrol yang disebut SCATSIM.1 SCATSIM berfungsi sebagai arsitektur kontrol simulasi yang merespons secara dinamis terhadap kondisi lalu lintas yang disimulasikan. Ketika mobil tiba di dekat detektor virtual dalam simulasi, SCATSIM menerima informasi okupansi lajur dan kemudian menyesuaikan: a) total waktu siklus di persimpangan yang dikontrol SCATS, b) rasio waktu siklus yang ditetapkan untuk setiap fase, dan c) offset antara kontrol sinyal yang berdekatan.1
Integrasi SCATSIM ini memastikan bahwa prediksi keterlambatan tidak hanya mencerminkan perilaku pengemudi tetapi juga respons infrastruktur itu sendiri. Lalu lintas di Sydney dikendalikan oleh sistem adaptif yang mencoba bereaksi terhadap kemacetan, yang terkadang dapat memperburuk situasi di persimpangan yang berdekatan. Dengan mereplikasi logika kontrol SCATS secara terus-menerus, simulasi ini memberikan "kaca spion" yang sangat akurat, meningkatkan akurasi operasional secara drastis dibandingkan model yang mengasumsikan sinyal statis.1
Jantung Simulasi: Menambal Data OD yang Hilang
Keberhasilan prediksi lalu lintas insiden sangat bergantung pada kualitas input alur permintaan Origin-Destination (OD), yang menjelaskan secara akurat siapa pergi ke mana dan perubahannya dari satu interval waktu ke interval waktu berikutnya.1
Strategi Optimasi Rolling-Horizon
Karena alur OD tidak dapat diukur langsung, para peneliti menggunakan masalah optimasi bi-level tradisional yang disempurnakan dengan prosedur optimasi bi-level rolling-horizon.1 Strategi ini dirancang untuk menjaga model simulasi lalu lintas tetap terkalibrasi berdasarkan data lalu lintas terukur terbaru, memungkinkan model memperbarui alur OD secara aktif berdasarkan data real-time.1
Proses estimasi ini dilakukan dalam dua tahap krusial:
- Tahap Offline: Estimasi matriks permintaan OD berbasis waktu untuk hari kerja biasa (16 matriks 15-menit selama 4 jam periode puncak pagi).
- Tahap Rolling-Horizon (Real-Time): Matriks OD yang sudah dikalibrasi dari tahap pertama disesuaikan setiap 15 menit berdasarkan hitungan lalu lintas terbaru.1
Kemenangan Akurasi: Lonjakan Kualitas Model
Penerapan optimasi OD rolling-horizon ini menghasilkan lonjakan kualitas model yang dramatis, divalidasi menggunakan metrik kecocokan global (goodness of fit).
Koefisien determinasi ($R^2$), metrik yang mengukur seberapa baik data simulasi cocok dengan realitas (di mana 1.0 adalah kesempurnaan), meningkat dari 0.97 (kondisi awal) menjadi 0.99 setelah kalibrasi dua tahap.1 Angka ini menandakan bahwa model mencapai keselarasan 99% yang nyaris sempurna dengan realitas lalu lintas jalanan.
Peningkatan akurasi juga tercermin dalam pengurangan Mean Absolute Error (MAE) atau Error Mutlak Rata-Rata. Dari kondisi awal di mana error rata-rata mencapai 97 kendaraan per jam, kalibrasi dua tahap berhasil menurunkannya hingga hanya 41 kendaraan per jam.1 Perbaikan ini setara dengan pengurangan error sebesar hampir 58%—seperti meningkatkan resolusi gambar prediksi dari buram menjadi sangat tajam.
Selain itu, metrik GEH, standar emas yang digunakan dalam pemodelan lalu lintas untuk mengevaluasi kecocokan data, menunjukkan bahwa jumlah tautan yang memiliki kecocokan data yang baik (GEH kurang dari 5) meningkat signifikan. Dari 252 tautan yang diamati, jumlah tautan dengan kecocokan baik melonjak dari 189 menjadi 231.1 Artinya, lebih dari 91% titik ukur di jaringan mencerminkan kondisi lalu lintas nyata dengan akurasi tinggi setelah proses kalibrasi yang diperkuat oleh data. Keberhasilan ini mengonfirmasi validitas dan akurasi model simulasi sebagai fondasi prediksi insiden.
Duel Kecerdasan Buatan: Siapa Pemenang Prediksi Jangka Pendek?
Setelah permintaan OD diestimasi secara akurat dan dikalibrasi, modul prediksi menggunakan data ini untuk meramalkan alur permintaan untuk interval waktu berikutnya (15, 30, 45, hingga 60 menit ke depan).1 Akurasi ramalan ini menentukan seberapa cepat dan efektif simulasi dapat merespons insiden yang baru terjadi.
Para peneliti menguji kinerja beberapa algoritma machine learning dan model time series tradisional, termasuk Support Vector Regression (SVR), Decision Trees (DT), Autoregressive Moving Average (ARMA), dan Extreme Gradient Boosting (XGBoost).1 Sebagai perbandingan, digunakan model baseline sederhana, yang mengasumsikan bahwa permintaan di periode berikutnya akan sama persis dengan permintaan terakhir yang diamati, menghasilkan MAE awal sebesar 1.37 untuk prediksi 15 menit ke depan.1
Triumph Pohon Keputusan: Kekuatan XGBoost
Perbandingan yang cermat mengungkapkan bahwa XGBoost (dengan tree booster) terbukti mengungguli semua pendekatan lainnya. Keunggulan model ini terutama didorong oleh kemampuannya untuk memproses hubungan non-linear yang kompleks dalam data permintaan perjalanan, yang sangat penting mengingat adanya 1,262 pasang OD yang profilnya bervariasi di jaringan.1
Untuk prediksi 15 menit, yang paling krusial untuk respons insiden cepat, MAE XGBoost (Tree) hanya 0.59. Angka ini menunjukkan peningkatan akurasi dramatis dibandingkan model baseline (1.37), ARMA (0.93), dan bahkan model Decision Tree (0.65) dan SVR Linear (0.89).1
Apabila MAE merepresentasikan tingkat ketidakpastian dalam prediksi, penggunaan XGBoost berhasil memotong ketidakpastian ini hingga lebih dari 57% dibandingkan hanya mengandalkan data historis terdekat. Kinerja superior XGBoost menunjukkan bahwa untuk meramalkan pergerakan kompleks pelancong, dibutuhkan kemampuan ensemble learning yang kuat, bukan sekadar hubungan linier atau model kernel dasar.1
Investigasi Victoria Road: Insiden 13 Menit yang Mengubah Hari
Untuk menunjukkan potensi operasional penuh dari kerangka kerja terintegrasi ini, para peneliti menerapkan platform pada sebuah insiden nyata di Sydney.
Rekonstruksi Kecelakaan Pagi Hari
Studi kasus berfokus pada sebuah kecelakaan yang terjadi di Victoria Road, Drummoyne, pada tanggal 11 Oktober 2017, pukul 7:58 pagi—tepat di puncak jam sibuk. Insiden tersebut berlangsung sekitar 25 menit dan memengaruhi lajur di kedua arah. Berdasarkan laporan, para peneliti memodelkan skenario yang realistis di mana minimal dua lajur di koridor utama diblokir.1
Begitu insiden dilaporkan, modul prediksi XGBoost diaktifkan secara otomatis untuk meramalkan permintaan perjalanan selama satu jam ke depan, dan simulasi dijalankan untuk menghitung dampak detail pada kecepatan dan waktu tempuh. Hasil simulasi menunjukkan penurunan kecepatan yang parah terjadi tepat di dekat lokasi insiden dan merambat hingga 1,500 meter ke belakang.1
Kuantifikasi Dampak yang Dramatis
Analisis waktu tempuh di sepanjang koridor arah Timur (Eastbound) mengungkapkan penambahan penundaan yang signifikan akibat insiden 25 menit tersebut. Waktu tempuh di koridor yang biasanya memakan waktu sekitar 31 menit selama jam puncak normal, melonjak menjadi 44 menit dalam simulasi insiden.1
Kenaikan dari 31 menjadi 44 menit ini berarti insiden 25 menit tersebut mengakibatkan keterlambatan tambahan 13 menit bagi komuter. Dampak ini hampir menggandakan waktu perjalanan normal di luar jam sibuk.1 Kemampuan untuk mengukur dan memprediksi penundaan sebesar ini secara akurat memberikan informasi yang sangat berharga bagi TMC untuk membuat keputusan mitigasi seperti penyesuaian sinyal darurat atau pengalihan rute.
Bukti Kredibilitas: Sinkronisasi dengan Google Map
Salah satu validasi terkuat dari kredibilitas platform ini adalah kemampuannya untuk mereplikasi realitas yang diamati secara publik. Para peneliti membandingkan Waktu Tempuh Simulasi (Simulated Travel Time atau STT) dengan Waktu Tempuh Google (Google Travel Time atau GTT) yang direkam pada hari insiden.1
Hasilnya menunjukkan bahwa pola perubahan STT model mengikuti dengan sangat dekat penundaan yang tercermin oleh GTT. Kemampuan model untuk mencocokkan prediksi keterlambatan, seperti lonjakan 13 menit, dengan data tolok ukur publik terpercaya seperti Google Travel Time, membuktikan bahwa kerangka kerja terintegrasi ini mampu memberikan wawasan yang andal mengenai dampak insiden di masa depan terhadap kondisi lalu lintas keseluruhan.1
Kritik Realistis dan Proyeksi: Roadmap Menuju Masa Depan
Meskipun kerangka kerja terintegrasi ini mewakili langkah maju yang signifikan, terutama dalam kalibrasi model dan akurasi prediksi, studi ini juga memiliki batasan yang harus diatasi dalam implementasi operasional di masa depan.
Batasan Perilaku Manusia dan Jaringan
Kritik utama yang dihadapi adalah mengenai asumsi perilaku komuter. Studi ini mengasumsikan bahwa, di jam sibuk pagi hari, pelancong hampir tidak membatalkan perjalanan jangka pendek mereka—mereka cenderung hanya mengubah rute sebagai respons terhadap kondisi jaringan yang buruk.1 Namun, dalam gangguan lalu lintas yang sangat parah, perubahan perilaku yang lebih kompleks, seperti pergeseran moda (mode shifting—misalnya beralih dari mobil ke transportasi umum) dan pembatalan perjalanan, menjadi sangat mungkin. Model saat ini belum sepenuhnya mempertimbangkan fenomena ini, yang dapat mengurangi akurasi prediksi dalam kasus insiden bencana.1
Selain itu, para peneliti mencatat bahwa sub-jaringan Victoria Road yang dijadikan studi kasus memiliki rute paralel strategis yang terbatas. Kondisi ini dapat meremehkan dampak re-route strategis yang lebih luas yang mungkin dilakukan oleh pengemudi di jaringan urban yang lebih besar dengan banyak opsi alternatif.1
Tantangan Operasional Data Real-Time
Untuk digunakan sepenuhnya dalam operasi manajemen lalu lintas, platform ini masih menghadapi beberapa tantangan terkait data operasional:
- Prediksi Durasi Insiden: Saat ini, durasi insiden harus diasumsikan atau dimasukkan secara manual ke dalam simulasi. Agar benar-benar proaktif, mesin AI tambahan harus ditambahkan ke platform untuk memprediksi durasi insiden berdasarkan karakteristiknya segera setelah insiden dilaporkan.1
- Presisi Data Input: Platform memerlukan detail insiden yang sangat spesifik—lokasi tepat di tautan, panjang area yang terpengaruh, dan jumlah lajur yang diblokir. Seringkali, data detail dan presisi tinggi ini sulit disediakan oleh operator TMC secara real-time.1
- Evolusi Model AI: Meskipun XGBoost sangat unggul, kemajuan terbaru dalam machine learning berbasis grafis dan deep learning yang mampu menangkap korelasi spasial-temporal jaringan jalan yang lebih kompleks akan menjadi fokus studi di masa depan untuk meningkatkan akurasi lebih lanjut.1
Pernyataan Dampak Nyata: Efisiensi Puluhan Miliar Rupiah
Tujuan utama dari platform terintegrasi ini adalah memberikan wawasan yang sangat akurat dan cepat mengenai dampak insiden yang akan datang, seperti prediksi penundaan tambahan sebesar 13 menit yang ditemukan dalam studi kasus Victoria Road.1 Dengan memprediksi penundaan ini secara akurat, TMC mendapatkan waktu yang krusial untuk mengimplementasikan strategi mitigasi.
Jika diterapkan secara operasional dan terintegrasi penuh dalam infrastruktur Intelligent Transportation System (ITS), kemampuan untuk memprediksi dan memitigasi dampak insiden dalam jendela waktu 15–60 menit ke depan ini memiliki potensi besar untuk:
- Mengurangi penundaan lalu lintas total yang disebabkan oleh insiden non-recurrent.
- Meningkatkan efisiensi operasi jaringan lalu lintas secara keseluruhan.1
Keterlambatan yang disebabkan oleh kemacetan lalu lintas merupakan kerugian ekonomi yang substansial bagi kota-kota besar. Jika platform yang sangat akurat ini berhasil mengurangi waktu penundaan yang tidak perlu (seperti 13 menit) dalam ratusan insiden setiap tahun di koridor-koridor vital seperti Sydney, potensi penghematan biaya operasional dan biaya komuter (bahan bakar, jam kerja yang hilang, dan dampak lingkungan) dapat mencapai angka puluhan hingga ratusan miliar rupiah per tahun dalam waktu lima tahun implementasi penuh. Platform ini merupakan fondasi vital untuk membangun Sistem Transportasi Cerdas yang benar-benar proaktif dan tangguh terhadap chaos mendadak.
Sumber Artikel:
Shafiei, S., Mihăiță, A-S., Nguyen, H., & Cai, C. (2021). Integrating data-driven and simulation models to predict traffic state affected by road incidents. Transportation Letters The International Journal of Transportation Research.