Machine Learning Bantu Lacak dan Redakan Kemacetan Lalu Lintas Perkotaan
https://www.liputan6.com/tekno/read/4424212/machine-learning-bantu-lacak-dan-redakan-kemacetan-lalu-lintas-perkotaan Mochamad Wahyu Hidayat
03 Des 2020, 12:30 WIB 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.
