SEBAGIAN besar perencanaan lalu lintas kota selama ini bersifat reaktif. Pemerintah atau pembuat kebijakan baru bergerak mengumpulkan data dan merancang solusi setelah kemacetan parah terjadi di suatu ruas jalan. Namun, pendekatan konvensional tersebut berpeluang berubah berkat teknologi kecerdasan buatan (artificial intelligence/AI).
Tim peneliti dari New York University (NYU) Tandon mengembangkan sistem AI baru yang dirancang untuk memprediksi lokasi titik kemacetan. Sistem ini memberi kesempatan bagi para perencana kota untuk mengambil langkah pencegahan sebelum kemacetan benar-benar memburuk.
Riset yang dipimpin Anton Rozhkov bersama rekannya, Pranav Nitin Motarwar dan Rudra Patil, menggabungkan model prakiraan lalu lintas, pemetaan spasial, serta model bahasa besar (large language model/LLM) yang dioperasikan secara lokal.
Menguji Model dengan Data 15 Tahun
Para peneliti menguji sistem ini menggunakan data lalu lintas Kota New York sepanjang kurun waktu 2009 hingga 2024. Dalam pengujian tersebut, mereka membandingkan dua metode prakiraan. Hasilnya, metode Long Short-Term Memory (LSTM) unggul dibandingkan metode ARIMA saat diuji menggunakan data tahun 2021 hingga 2024 yang belum pernah dipelajari model sebelumnya.
Berdasarkan pengujian tersebut, model memproyeksikan rata-rata volume lalu lintas harian dapat melonjak dari 12.540 kendaraan pada tahun 2025 menjadi 19,680 kendaraan pada tahun 2029. Meski demikian, para peneliti mengingatkan bahwa angka-angka tersebut mengandung ketidakpastian dan harus disikapi sebagai perkiraan, bukan jaminan pasti.
Pemetaan Hingga Tingkat Jalanan
Untuk menyajikan data yang lebih spesifik, Rudra Patil memimpin pemetaan spasial menggunakan sistem grid heksagonal H3 milik Uber. Pendekatan ini memungkinkan perencana kota melihat pola kemacetan hingga ke tingkat koridor jalan atau titik kemacetan lokal, bukan sekadar rata-rata wilayah.
Dari pemetaan tersebut, Manhattan teridentifikasi sebagai wilayah paling macet, disusul oleh Brooklyn dan Queens.
“Rata-rata tingkat kota tidak membantu perencana kota,” ujar Patil. “Yang mereka butuhkan adalah mengetahui koridor mana yang terdampak parah, dan koridor tersebut ternyata konsisten dari tahun ke tahun. Itulah yang dirancang untuk ditelusuri oleh pemetaan heksagonal dan pengelompokan ini.”
Portal Berbasis Bahasa untuk Kemudahan Analisis
Guna memudahkan pengoperasian, tim membangun portal khusus berbasis model LLaMA buatan Meta yang terhubung langsung ke basis data prakiraan mereka. Melalui portal ini, perencana kota dapat mengajukan pertanyaan langsung seperti halnya berkonsultasi, alih-alih harus menganalisis lembar kerja (spreadsheet) yang rumit.
“Chatbot umum hanya memberikan paragraf generik yang terdengar masuk akal tentang kemacetan,” kata Motarwar. “Perencana kota membutuhkan jawaban yang berasal dari data mereka sendiri. Kami melihat ini sebagai masalah data sekaligus masalah model.”
Para peneliti menegaskan bahwa platform ini tidak dirancang untuk menyelesaikan kemacetan secara mandiri maupun menggantikan peran manusia dalam mengambil keputusan. Proyek ini menjadi bukti bagaimana berbagai alat baru, model prakiraan, pemetaan spasial, dan model bahasa, dapat dipadukan menjadi satu alur kerja yang praktis untuk membantu perencanaan kota. (Earth/Z-2)