Machine Learning Bantu Lacak dan Redakan Kemacetan Lalu Lintas Perkotaan

Liputan6.com, Jakarta - Algoritma Machine Learning baru siap membantu para analis transportasi kota meredakan kemacetan dan hambatan lainnya yang secara rutin mengganggu lalu lintas perkotaan.

Alat bernama TranSEC ini dikembangkan di U.S. Department of Energy's Pacific Northwest National Laboratory (PNNL).

Saat ini, informasi lalu lintas yang tersedia untuk umum di tingkat jalan masih jarang dan tidak lengkap. Karena itu, alat ini diharapkan dapat membantu para insinyur lalu lintas perkotaan mendapatkan akses ke informasi yang dapat ditindaklanjuti tentang pola lalu lintas di kota mereka.

Alat baru tersebut menggunakan dataset lalu lintas yang dikumpulkan dari pengemudi UBER dan data sensor lalu lintas lainnya yang tersedia untuk umum untuk memetakan arus lalu lintas tingkat jalan dari waktu ke waktu. Karena itu, alat ini dapat menciptakan gambaran besar bagaimana lalu lintas kota menggunakan alat berbasis Machine Learning dan sumber daya komputasi di PNNL.

"Yang baru di sini adalah perkiraan tingkat jalan di wilayah metropolitan yang besar," ujar Arif Khan, ilmuwan komputer PNNL yang membantu mengembangkan TranSEC.

Arif menyebut, tidak seperti model Machine Learning lainnya yang hanya bekerja di satu area metro tertentu, alat yang mereka kembangkan bersifat portabel dan dapat diterapkan ke area perkotaan mana pun yang menyediakan data lalu lintas gabungan.

UBER-fast traffic analysis

TranSEC berbeda dari metode pemantauan lalu lintas lainnya karena ia mampu menganalisis informasi yang tidak lengkap sekalipun. Hal ini berkat Machine Learning yang dapat menghubungkan segmen dengan data yang hilang, dan memungkinkannya membuat estimasi tingkat jalan yang mendekati real-time.

Sebaliknya, fitur peta pada smartphone dapat membantu mengoptimalkan perjalanan melalui lanskap kota, menunjukkan titik persimpangan dan menyarankan rute alternatif. Namun, fitur peta pada smartphone hanya bekerja untuk pengemudi individu yang mencoba untuk berkendara dari satu titik ke titik lainnya.

Nyatanya, sebuah rute yang tampak efisien bagi seseorang justru menjadi penyebab terlalu banyak kendaraan yang mencoba mengakses jalan yang pada dasarnya tidak dirancang untuk menangani volume lalu lintas tersebut.

Berbekal data publik dari seluruh area metropolitan Los Angeles seluas 1.500 mil persegi, tim peneliti mengurangi waktu yang dibutuhkan untuk membuat model kemacetan lalu lintas.

Machine Learning di TranSEC memungkinkan banyak data diperoleh dan diproses dan fitur ini semakin disempurnakan dan berguna dari waktu ke waktu.

Dengan data yang cukup, Machine Learning akan dapat memprediksi dampak, sehingga para insinyur lalu lintas dapat membuat strategi korektif.

"Kami menggunakan model berbasis grafik bersama dengan metode pengambilan sampel baru dan mesin pengoptimalan, untuk mempelajari waktu perjalanan dan rute," kata Arun Sathanur, ilmuwan komputer PNNL dan peneliti utama di dalam tim.

Metode ini, menurut Arun, memiliki potensi signifikan untuk dikembangkan ke moda transportasi lain, seperti lalu lintas transit dan angkutan barang.

"Sebagai alat analisis, metode ini mampu menyelidiki bagaimana suatu kondisi lalu lintas menyebar," ujar Arun,

Dengan pendekatan berbasis data PNNL, pengguna dapat mengunggah data waktu nyata dan memperbarui TranSEC secara teratur di pusat kendali transportasi.

Para insinyur dapat menggunakan perkiraan jangka pendek untuk dukungan keputusan dalam mengelola masalah lalu lintas. Selain itu, pendekatan PNNL juga dapat diperluas dengan memasukkan data cuaca atau data lain yang mempengaruhi kondisi jalan.