Kota Surabaya uji kamera pintar untuk mengatur lalu lintas dan mengurangi kemacetan

Di Surabaya, kemacetan bukan lagi sekadar keluhan harian, melainkan isu tata kota yang menyentuh produktivitas, kesehatan, dan rasa aman di jalan. Dalam beberapa tahun terakhir, arus kendaraan yang terus bertambah membuat banyak pengendara merasa “terjebak” pada jam-jam yang sama, di simpang yang sama, dengan pola antrean yang nyaris bisa ditebak. Karena itu, uji coba kamera pintar untuk pengaturan lalu lintas menjadi sorotan: teknologi bukan dipakai sebagai pajangan modern, melainkan sebagai alat untuk mengambil keputusan cepat dan presisi. Pemerintah kota, akademisi, dan warga berada dalam satu eksperimen sosial yang nyata—apakah data real-time benar-benar mampu mengubah pengalaman berkendara?

Uji coba ini juga menandai pergeseran cara pandang: sistem lalu lintas tidak lagi dikelola semata dengan timer statis, tetapi dengan logika adaptif berbasis pengamatan dan prediksi. Di sisi lain, publik menuntut hasil yang terasa: perjalanan lebih singkat, penyeberang lebih aman, bus lebih tepat waktu, dan polusi berkurang. Di tengah kebutuhan itu, Surabaya mencoba meramu pendekatan transportasi pintar ala kota cerdas, memadukan sensor, analitik, dan tata kelola agar kemacetan tak lagi dianggap “harga yang wajar” dari kota besar.

En bref

• Surabaya menguji kamera pintar untuk memperkuat monitoring lalu lintas dan membuat lampu lalu lintas lebih adaptif.
• Data real-time membantu memetakan jenis kendaraan, kecepatan, dan kepadatan sebagai dasar keputusan di persimpangan.
• Skema prioritas untuk kendaraan darurat dan angkutan umum menjadi salah satu target penting dalam pengaturan lalu lintas.
• Integrasi kualitas udara dan rekomendasi rute menempatkan kemacetan sebagai masalah mobilitas sekaligus kesehatan.
• Kolaborasi kampus–pemkot (contoh: inovasi ITS) mempercepat lahirnya teknologi yang siap diuji di jalan raya.

Uji coba kamera pintar di Surabaya: fondasi baru pengaturan lalu lintas untuk mengurangi kemacetan

Dalam konteks Surabaya sebagai metropolitan besar, pengelolaan simpang dan koridor utama sering menjadi penentu apakah sebuah perjalanan berlangsung 20 menit atau melebar jadi satu jam. Karena itu, uji coba kamera pintar diarahkan untuk menjawab masalah yang paling “terlihat”: antrean mengular akibat lampu yang tidak peka pada kondisi lapangan. Lampu dengan durasi tetap kadang memberi hijau panjang pada arah yang sepi, sementara arus padat menumpuk di sisi lain. Situasi seperti ini membuat kemacetan terasa tidak rasional—dan justru itulah celah yang bisa diatasi dengan teknologi.

Secara teknis, kamera cerdas bekerja seperti “mata” yang tidak lelah. Ia mengamati lalu lintas dan mengubah gambar menjadi data: jenis kendaraan, volume, kecepatan rata-rata, hingga pola pergerakan pada pendekatan simpang. Di sinilah monitoring lalu lintas berbeda dari CCTV biasa. Jika CCTV konvensional terutama untuk rekaman dan pemantauan visual, kamera berbasis analitik dipakai untuk pengambilan keputusan otomatis atau semi-otomatis. Operator tidak lagi menebak-nebak dari layar; sistem memberi metrik yang bisa dibandingkan antar waktu dan lokasi.

Surabaya pernah disebut sebagai kota dengan tingkat kemacetan yang menonjol di Indonesia, dengan akumulasi waktu terbuang yang besar dalam setahun. Angka-angka semacam ini menjadi alarm bagi pemerintah kota karena berdampak langsung pada biaya logistik, waktu kerja, dan konsumsi bahan bakar. Ketika kendaraan berhenti-bergerak-berhenti, pemborosan energi meningkat dan kualitas udara memburuk. Maka, uji coba kamera cerdas umumnya dipasang di titik yang sudah “terkonfirmasi” sebagai simpul masalah: pertemuan arus komuter pagi-sore, akses ke pusat bisnis, dekat kawasan pendidikan, serta jalur menuju rumah sakit.

Contoh kasus yang sering ditemui adalah simpang dengan perilaku lalu lintas yang berubah cepat. Pagi hari didominasi sepeda motor dan mobil pribadi dari kawasan perumahan; siang hari bergeser ke kendaraan niaga; sore hari muncul gelombang balik. Dengan pendekatan lama, perubahan ini sulit direspons tanpa menugaskan petugas di lapangan. Dengan kamera dan analitik, durasi hijau bisa disesuaikan berdasarkan panjang antrean aktual. Uji sensor panjang antrean yang pernah dilakukan pemkot menunjukkan bahwa pendekatan adaptif dapat menekan penumpukan kendaraan, terutama ketika arus datang tidak merata.

Namun, efektivitasnya bergantung pada dua hal: kualitas data dan disiplin implementasi. Jika marka pudar, pencahayaan buruk, atau kamera kotor, sistem bisa keliru membaca kepadatan. Karena itu, uji coba biasanya dibarengi perbaikan kecil yang sering dilupakan: penataan ulang garis henti, perapian rambu, dan penertiban parkir liar. Surabaya belajar bahwa sistem lalu lintas cerdas tetap membutuhkan tata jalan yang rapi agar data yang masuk tidak “berisik”. Insight pentingnya: kamera pintar bukan tongkat sulap, tetapi alat yang kuat saat dipasang dalam ekosistem yang benar.

Di tengah antusiasme publik, muncul juga kebutuhan komunikasi yang jujur: apa yang diukur, bagaimana data dipakai, dan kapan warga bisa merasakan dampaknya. Transparansi semacam ini penting agar warga tidak mengira seluruh kemacetan akan hilang dalam seminggu. Manfaat awal yang realistis biasanya berupa pengurangan waktu tunggu di simpang tertentu dan penurunan antrean pada jam puncak. Setelah itu, barulah pemkot dapat memperluas cakupan dan menautkan antar simpang menjadi jaringan yang saling “berbicara”. Dari sini, pembahasan bergeser: bagaimana AI dan IoT dipakai untuk mengorkestrasi kota secara keseluruhan?

Bagaimana teknologi AI dan IoT membentuk sistem lalu lintas adaptif di kota cerdas Surabaya

Ketika orang mendengar “AI untuk lalu lintas”, yang dibayangkan sering kali abstrak. Padahal praktiknya konkret: sensor dan kamera (IoT) mengirim data, lalu algoritma (AI/ML) mengolah dan menyarankan tindakan. Inti dari pengaturan lalu lintas adaptif adalah mengurangi jeda antara “kejadian di jalan” dan “respons sistem”. Misalnya, antrean mendadak karena kendaraan mogok; sistem yang adaptif akan memodifikasi fase lampu agar pelepasan antrean lebih cepat, sekaligus mencegah arus dari arah lain menambah beban simpang.

Di Surabaya, gagasan ini dekat dengan pendekatan transportasi pintar yang menekankan integrasi data real-time. Kamera tidak hanya menghitung kendaraan, tetapi juga bisa mengelompokkan kategori (motor, mobil, bus, truk), mengestimasi kecepatan, hingga membaca pola “gelombang” arus. Data kemudian dipakai untuk mengubah panjang hijau, urutan fase, atau menambah fase belok tertentu bila perlu. Apakah itu berarti lampu lalu lintas berubah-ubah tanpa aturan? Tidak. Sistem tetap bergerak dalam batas keselamatan yang ketat, misalnya durasi minimum pejalan kaki, interval all-red, dan perlindungan bagi kendaraan yang berbelok.

Model adaptif: dari persimpangan tunggal ke jaringan koridor

Langkah awal hampir selalu dimulai dari satu simpang. Setelah stabil, nilai tambah terbesar justru muncul ketika beberapa simpang saling terhubung di satu koridor. Prinsipnya: aliran tidak boleh diselesaikan di satu titik sambil “memindahkan” masalah ke titik berikutnya. Sistem semacam Surtrac di luar negeri menunjukkan bahwa koordinasi antarsimpang dapat mengoptimalkan arus keseluruhan. Pendekatan serupa dapat diterjemahkan ke Surabaya dengan menyesuaikan karakter jalan, komposisi kendaraan, dan pola perjalanan komuter.

Koordinasi ini membantu membentuk “gelombang hijau” dinamis. Dulu, gelombang hijau sering diprogram statis untuk jam tertentu. Dengan data real-time, gelombang bisa berubah mengikuti kenyataan: jika volume dari arah timur meningkat karena ada acara besar, sistem dapat memberi prioritas sementara tanpa menunggu penjadwalan manual. Ini membuat monitoring lalu lintas bukan hanya aktivitas melihat, melainkan fondasi orkestrasi.

Belajar dari SCATS dan praktik uji sensor antrean

SCATS yang banyak dipakai di Australia dan Selandia Baru memberi pelajaran bahwa adaptasi tidak harus “rumit” untuk efektif. Mengandalkan loop induktif dan kamera, sistem mengukur arus lalu menyesuaikan fase. Surabaya sudah mencoba pendekatan sejenis lewat sensor untuk membaca panjang antrean. Saat hasil uji menunjukkan antrean berkurang, itu memberi bukti bahwa investasi pada sensor dan analitik memiliki dampak nyata, bukan sekadar proyek.

Dalam pengembangan lebih lanjut, Surabaya dapat menggabungkan model prediktif (misalnya mempelajari pola sekolah masuk, jam pulang kantor, atau musim hujan) dengan respons real-time. Ini penting karena kemacetan tidak selalu disebabkan volume; sering kali disebabkan ketidakpastian: hujan membuat kecepatan turun, jarak aman bertambah, dan kapasitas jalan menurun. Dengan prediksi, lampu dapat “bersiap” beberapa menit lebih awal.

Untuk memperluas perspektif, diskusi publik tentang AI di sektor otomotif juga relevan karena kendaraan modern semakin penuh sensor. Salah satu bacaan populer yang mengulas perkembangan AI di ranah otomotif dapat ditemukan di pembahasan AI pada dunia otomotif. Ketika kendaraan dan infrastruktur sama-sama cerdas, pertanyaannya berubah: bagaimana mengatur standar komunikasi dan memastikan manfaatnya merata?

Semakin canggih sistemnya, semakin besar kebutuhan tata kelola: siapa yang memegang kendali akhir ketika terjadi anomali, bagaimana prosedur jika kamera gagal, dan bagaimana prioritas keselamatan ditetapkan. Karena itu, topik berikutnya tidak bisa dihindari: inovasi lokal yang tumbuh dari kampus dan bagaimana ia diterjemahkan menjadi kebijakan kota.

SISRI dari ITS dan peran kamera pintar SI-Eye: dari monitoring lalu lintas ke keputusan lampu yang presisi

Salah satu cerita menarik datang dari lingkungan kampus ITS: sekelompok mahasiswa merancang Surabaya Integrated Smart Road Infrastructure (SISRI), sebuah sistem terintegrasi berbasis AI yang menempatkan kamera pintar sebagai instrumen utama. Bagi kota seperti Surabaya, inovasi semacam ini bukan sekadar prestasi kompetisi; ia bisa menjadi prototipe kebijakan. Tim pengembangnya menekankan bahwa pilar kota cerdas tidak hanya soal aplikasi, tetapi juga soal Smart Transport dan Smart Governance: teknologi harus menjawab masalah nyata dan dapat dipakai sebagai dasar keputusan pemerintah.

Komponen yang menonjol adalah SI-Eye. Secara konsep, SI-Eye berfungsi untuk mendeteksi tipe kendaraan, mengukur laju, dan membaca arus (flow) pada ruas tertentu. Informasi ini kemudian dialirkan ke modul pengendali—dalam SISRI disebut SI-Traffic—untuk menyesuaikan sinyal lampu secara adaptif. Logikanya sederhana namun berdampak: jika antrean di satu pendekat membesar, sistem memperpanjang hijau dalam batas aman; jika arus menipis, fase dipersingkat agar arah lain tidak menunggu percuma. Di tingkat warga, dampak yang diharapkan terasa sebagai “lampu lebih masuk akal”.

Ada sisi ekonomi yang membuat gagasan ini semakin relevan. Kemacetan di Surabaya pernah dihitung memicu kerugian finansial hingga belasan triliun rupiah per tahun—angka yang masuk akal jika dihitung dari waktu kerja yang hilang, konsumsi BBM, dan biaya operasional logistik. Pada 2026, ketika biaya energi dan jasa pengiriman semakin sensitif, pengurangan keterlambatan beberapa menit per perjalanan saja dapat bermakna besar pada akumulasi harian. Karena itu, SISRI dan uji kamera cerdas memiliki benang merah: keduanya memindahkan fokus dari “mengurai manual” ke “mengatur berbasis data”.

SI-Robu: prioritas kendaraan darurat dan angkutan umum

Di jalanan kota, ada momen ketika aturan “siapa duluan” tidak boleh ditentukan oleh siapa yang paling nekat. Ambulans, mobil pemadam, dan bus angkutan massal membutuhkan prioritas agar layanan publik berjalan. SISRI menawarkan konsep SI-Robu, perangkat on-board yang dipasang pada kendaraan prioritas untuk mengirim sinyal ke simpang sehingga lampu bisa memberi hijau lebih cepat. Ini bukan berarti semua kendaraan bisa “meminta hijau”; justru gagasannya adalah pembatasan ketat pada kendaraan tertentu dengan identitas yang tervalidasi.

Bayangkan sebuah skenario: Dita, perawat yang pulang malam, melihat ambulans tertahan karena simpang padat. Jika SI-Robu berjalan, simpang akan membuka jalur lebih cepat, mengurangi waktu tanggap medis. Efek lanjutannya: warga merasa sistem lalu lintas bukan hanya mengatur kendaraan, tetapi juga melindungi nyawa. Insightnya jelas: prioritas yang tepat adalah wujud keadilan di jalan.

SI-Air dan SI-Maps: kemacetan sebagai isu kesehatan dan informasi perjalanan

SISRI juga mengusulkan SI-Air untuk memantau kualitas udara real-time, lalu diintegrasikan dengan SI-Maps agar rekomendasi rute mempertimbangkan indikator udara. Ini menarik karena selama ini rute “tercepat” kadang melewati koridor padat dengan emisi tinggi. Dengan integrasi ini, pengguna bisa memilih: lebih cepat atau lebih sehat, tergantung kebutuhan. SI-Maps juga dirancang untuk menampilkan posisi dan rute angkutan umum, mendorong warga mempertimbangkan alternatif selain kendaraan pribadi.

Kolaborasi kampus dan pemkot biasanya dipermudah ketika inovasi selaras dengan masterplan kota. Respons positif dari dinas terkait mencerminkan bahwa Surabaya memang menempatkan transportasi umum sebagai prioritas. Selain itu, inovasi ini sejalan dengan SDGs, terutama pada penguatan infrastruktur dan inovasi, pembangunan komunitas berkelanjutan, serta konsumsi energi yang lebih bertanggung jawab melalui pengurangan pemborosan BBM.

Untuk memahami bagaimana sistem semacam ini “dijual” ke publik, video demonstrasi konsep smart mobility sering membantu. Yang penting, warga perlu melihat contoh nyata: bagaimana lampu menyesuaikan, bagaimana bus diprioritaskan, bagaimana data ditampilkan. Setelah konsepnya jelas, tantangan berikutnya adalah eksekusi: standar data, privasi, dan kesiapan operasi harian.

Arsitektur operasional: dari data kamera pintar ke keputusan real-time dalam sistem lalu lintas Surabaya

Mengubah data menjadi keputusan real-time adalah pekerjaan yang lebih “sepi” daripada pemasangan kamera, tetapi justru di situlah keberhasilan ditentukan. Dalam arsitektur operasi sistem lalu lintas, ada rantai proses yang harus stabil: pengambilan data, pembersihan (filter), analitik, rekomendasi aksi, eksekusi di perangkat lampu, lalu evaluasi dampak. Jika satu mata rantai rapuh—misalnya jaringan putus atau sinkronisasi waktu tidak rapi—maka hasil di lapangan bisa mengecewakan.

Di Surabaya, jaringan jalan memiliki karakter beragam: ada koridor lebar, jalan kampung pengumpan, hingga titik sempit di area komersial. Artinya, model kontrol harus fleksibel. Kamera pintar dapat bekerja baik di simpang besar, tetapi untuk jalan sempit, sensor tambahan (misalnya detektor sederhana atau data kecepatan dari armada bus) bisa lebih efektif. Prinsipnya: jangan memaksakan satu jenis sensor untuk semua masalah. Transportasi pintar yang matang justru menggabungkan berbagai sumber data.

Tabel: alur data dan keputusan pada pengaturan lalu lintas adaptif

Dalam praktik, banyak kota kini menggeser sebagian komputasi ke “edge”, yakni perangkat dekat kamera yang memproses data tanpa harus selalu mengirim video mentah ke pusat. Ini mengurangi beban jaringan dan mempercepat respons. Bagi Surabaya yang ingin respons cepat di simpang padat, edge computing dapat membuat perbedaan: keputusan bisa dihasilkan dalam hitungan detik, bukan menunggu antrian pemrosesan di pusat.

Di sisi kebijakan, arsitektur juga harus memasukkan mode manual dan mode aman (fallback). Saat ada acara besar, demonstrasi, atau perubahan rekayasa jalan, operator perlu kemampuan override. Sistem yang terlalu otomatis tanpa jalur intervensi justru berbahaya. Di sinilah kota cerdas menuntut kedewasaan: teknologi mempermudah, tetapi manusia tetap penanggung jawab akhir.

Faktor eksternal juga memengaruhi sistem. Misalnya, gangguan keamanan siber atau insiden drone di wilayah konflik global mengingatkan bahwa infrastruktur digital bisa menjadi target. Wacana ini sering muncul di berita keamanan internasional, misalnya pada laporan tentang serangan drone dan eskalasi konflik yang memperlihatkan bagaimana perangkat dan jaringan bisa dipakai dalam strategi modern. Meski konteksnya berbeda, pelajarannya sama: jaringan kota harus dirancang dengan keamanan, redundansi, dan prosedur pemulihan.

Pada akhirnya, arsitektur yang baik akan terlihat dari hal sederhana: perubahan fase tidak membuat pengguna bingung, penyeberang tetap aman, dan antrean tidak “pindah” ke simpang berikutnya. Setelah operasi dasar stabil, pembahasan selanjutnya mengerucut pada dampak: apakah sistem ini benar-benar mengurangi kemacetan, memperbaiki keselamatan, dan meningkatkan kualitas hidup?

Dampak nyata transportasi pintar: keselamatan, efisiensi, kualitas udara, dan kebijakan kota cerdas Surabaya

Keberhasilan uji coba kamera pintar di Surabaya pada akhirnya diukur dari dampak yang bisa dirasakan warga. Indikator yang paling mudah dipahami adalah waktu tempuh dan waktu tunggu di persimpangan. Jika durasi menunggu turun, warga merasa kota “lebih ramah”. Namun indikator yang lebih penting sering tidak langsung terlihat: penurunan risiko kecelakaan, kelancaran bus, dan perbaikan kualitas udara. Mengapa? Karena kemacetan bukan hanya soal lambat, tetapi juga soal keputusan berisiko—pengendara menerobos karena frustrasi, saling serobot karena fase tak seimbang, atau berhenti mendadak saat antrean tak terprediksi.

Dengan pengaturan lalu lintas adaptif, perubahan fase bisa lebih selaras dengan beban aktual. Ini membantu mengurangi manuver agresif. Misalnya, ketika arus belok kanan diakomodasi lebih tepat, pengendara tidak perlu memotong di detik terakhir. Di koridor yang dekat sekolah atau pasar, penataan fase juga bisa memberi ruang penyeberang yang lebih jelas. Artinya, teknologi bekerja bukan hanya untuk kendaraan, tetapi untuk perilaku yang lebih aman.

Daftar indikator kinerja yang masuk akal untuk Surabaya

1. Waktu tunggu rata-rata per pendekat simpang pada jam puncak (dibanding sebelum uji).
2. Panjang antrean maksimum dan seberapa cepat antrean pulih setelah puncak lewat.
3. Kecepatan perjalanan koridor (misalnya dari kawasan hunian ke pusat bisnis) pada jam tertentu.
4. Ketepatan waktu angkutan umum jika diberikan prioritas sinyal.
5. Estimasi emisi dari pola stop-and-go yang menurun, dikaitkan dengan data kualitas udara bila tersedia.

Di level kebijakan, data dari monitoring lalu lintas memberi peluang membuat keputusan yang lebih berani dan terukur. Jika data menunjukkan bahwa satu simpang selalu penuh karena parkir liar dan naik-turun penumpang, maka solusi bukan menambah hijau tanpa henti. Solusinya bisa berupa penataan titik naik-turun, penegakan aturan parkir, atau rekayasa jalan. Dengan data, kebijakan tidak terasa “mengada-ada”; warga bisa melihat alasan dan targetnya.

Dampak ekonomi juga penting. Ketika waktu tempuh lebih stabil, pelaku UMKM pengantaran makanan, kurir, hingga logistik skala besar dapat merencanakan rute lebih baik. Stabilitas sering lebih berharga daripada sekadar cepat. Seorang pengemudi ojek online, misalnya, akan lebih terbantu oleh kepastian bahwa koridor tertentu tidak macet total pada jam 17.30, daripada janji “rata-rata lebih cepat” yang kadang tidak terjadi. Stabilitas ini adalah ciri kota cerdas: mengurangi ketidakpastian harian.

Perspektif kesehatan publik ikut menguat ketika kualitas udara dipantau dan dihubungkan dengan rute. Jika sistem merekomendasikan jalur yang sedikit lebih jauh tetapi emisinya lebih rendah, sebagian warga mungkin memilihnya untuk perjalanan dengan anak kecil atau lansia. Kebijakan juga bisa menargetkan area sensitif—dekat rumah sakit, sekolah, atau taman—untuk mendapat prioritas pengurangan antrean agar polusi lokal menurun.

Yang sering dilupakan adalah pengalaman operator dan petugas lapangan. Sistem adaptif tidak boleh membuat mereka kewalahan dengan alarm dan notifikasi. Dashboard harus menampilkan informasi yang bisa ditindaklanjuti: simpang mana yang perlu perhatian, apakah ada anomali sensor, dan apa rekomendasi perubahan. Ketika manusia dan mesin bekerja sebagai tim, hasilnya lebih konsisten daripada mengandalkan salah satunya saja. Insight penutupnya: jika Surabaya ingin benar-benar menurunkan kemacetan, teknologi harus diperlakukan sebagai disiplin operasional—bukan sekadar proyek pemasangan perangkat.