Permasalahan kemacetan di kawasan perkotaan hingga saat ini masih menjadi tantangan utama dalam sistem transportasi di Indonesia. Pendekatan konvensional dalam pengendalian lalu lintas yang bersifat statis terbukti belum mampu merespons dinamika pergerakan kendaraan secara real-time, sehingga berdampak pada meningkatnya waktu tempuh, antrean, serta inefisiensi jaringan jalan. Oleh karena itu, diperlukan transformasi menuju sistem yang lebih adaptif, berbasis data, dan didukung oleh teknologi mutakhir. Demikian disampaikan oleh Prof. Ir. Ikaputra, M.Eng., PhD selaku Pelaksana Harian Kepala Pusat Studi Transportasi dan Logistik (Pustral) UGM dalam webinar “Mengurai Kemacetan Kota dengan Artificial Intelligence: Transformasi Manajemen Lalu Lintas Menuju Smart Mobility di Indonesia” yang diselenggarakan Selasa, 28 April 2026, Pukul 08.45 – 11.30 WIB.
Selanjutnya Ikaputra menyatakan bahwa perkembangan Artificial Intelligence, termasuk pemanfaatan machine learning dan Large Language Models (LLM), membuka peluang besar dalam meningkatkan kinerja sistem transportasi. Teknologi ini memungkinkan pengolahan data lalu lintas secara real-time, prediksi kemacetan, hingga pengambilan keputusan yang lebih cerdas dan responsif. AI tidak hanya menjadi alat bantu analisis, tetapi juga berpotensi menjadi bagian inti dalam sistem manajemen lalu lintas modern. Namun demikian, implementasi teknologi AI dalam manajemen lalu lintas di Indonesia masih menghadapi berbagai tantangan, mulai dari keterbatasan infrastruktur digital, integrasi data, hingga kesiapan sumber daya manusia dan regulasi.
Webinar ini menghadirkan Dr. Drs. Aan Suhanan, M.Si., Direktur Jenderal Perhubungan Darat Kementerian Perhubungan, serta Prof. Dr. Eng. Ir. M. Zudhy Irawan, S.T., M.T., IPM., Guru Besar Departemen Teknik Sipil dan Lingkungan UGM yang juga merupakan Tim Ahli Pustral UGM. Kegiatan ini dipandu oleh Ir. Hendra Edi Gunawan, S.T., M.Sc., IPM., Peneliti Pustral UGM, yang bertindak sebagai moderator.
Aan Suhanan menyampaikan materi dengan topik “Transformasi Manajemen Lalu Lintas di Indonesia: Kebijakan dan Strategi Implementasi Intelligent Transportation Systems (ITS) menuju Transportasi Cerdas”. Beliau menyampaikan potret yang cukup mencengangkan mengenai kemacetan perkotaan di Indonesia. Jumlah kendaraan di Indonesia tahun 2025 sebanyak 172,9 Juta, tumbuh rata-rata 4,5%/tahun. Rata-rata tingkat kemacetan di 5 Kota di Indonesia tercatat sekitar 54,9%, dengan Bandung dan Jakarta sebagai kota termacet pertama dan kedua berdasarkan kajian TomTom Traffic Index tahun 2025. Kajian tersebut juga menyatakan bahwa sebanyak 118 Jam waktu terbuang per pengemudi/tahun di 5 kota termacet di Indonesia. Sementara itu kerugian akibat kemacetan (per tahun) menurut kajian ITDP Indonesia tahun 2024 adalah Rp77 T atau setara 2,2% GDP Jakarta. “Kondisi ini menunjukkan perlunya transformasi menuju sistem transportasi berbasis data dan terintegrasi,” demikian menurut Aan.
Untuk menjawab tantangan tersebut, Kementerian Perhubungan sudah menerapkan Manajemen Lalu Lintas berbasis Area Traffic Control System (ATCS) dan Arterial Transport Management System (AtMS) untuk memperkuat operasi lalu lintas melalui sistem terintegrasi dan berbasis data. Peningkatan integrasi ATCS ditujukan untuk modernisasi pengendalian sinyal adaptif, peningkatan koordinasi antar simpang, serta integrasi dengan sistem pengawasan, yang saat ini sudah diterapkan di 283 simpang pada 48 kabupaten/kota. Sementara AtMS merupakan sistem terintegrasi untuk pengelolaan lalu lintas koridor jalur arteri non-tol melalui data real-time, analitik, dan koordinasi multi-simpang yang saat ini sudah diterapkan di 71 ruas, termasuk 53 ruas jalan arteri.
Sementara itu implementasi Intelligent Transport Systems (ITS) untuk transportasi publik di Indonesia tercermin dari penyelenggaraan Teman Bus dengan sistem Buy the Service. Model tersebut merupakan layanan transportasi umum nasional yang didukung ITS untuk meningkatkan keandalan, efisiensi, dan pengalaman pengguna—diimplementasikan sejak 2020. Capaian utama pada periode 2020–2025 diantaranya adalah beroperasi di 14 wilayah metropolitan dengan 817 unit bus dan 57 unit feeder. Layanan ini berhasil menarik 72% pengguna beralih dari moda sepeda motor dan 23% dari kendaraan pribadi. Telah tercapai pula peningkatan signifikan dalam efisiensi jaringan dan keandalan layanan dengan load factor 71,42% dan jarak berkendara 96,35 juta pengguna.
Pada bagian akhir, Aan menyampaikan beberapa peluang dan tantangan dalam penerapan ITS. “Peluang penerapan ITS ke depan adalah untuk analisis data lalu lintas, prediksi kemacetan, serta pengendalian sinyal adaptif. namun demikian, beberapa tantangan dihadapi, diantaranya mengenai regulasi & interoperabilitas, keamanan & privasi data, serta kesiapan kelembagaan,” demikian tutup Aan dalam paparannya.
Prof Zudhy sebagai pembicara selanjutnya menyampaikan topik Peran AI dalam Transportasi Masa Depan: Bagaimana Large Language Models (LLM) Mengubah Sistem Transportasi Cerdas. Zudhy menyampaikan mengapa transportasi membutuhkan AI, dikarenakan kemacetan parah, data terlalu banyak serta sistem terfragmentasi. LLM adalah AI canggih yang telah membaca miliaran teks di internet dan mampu memahami bahasa manusia, menganalisis data kompleks, membuat keputusan cerdas, dan beradaptasi dengan situasi baru — kemampuan yang sangat dibutuhkan oleh sistem transportasi modern. Beberapa kelebihan LLM adalah mampu memahami bahasa manusia, belajar dari contoh, berpikir langkah demi langkah, serta mampu memproses gambar & teks misalnya untuk snalisis kamera, peta, sensor sekaligus.
Zudhy selanjutnya menyatakan terdapat empat peran LLM dalam transportasi, yaitu sebagai pemroses informasi yang mampu mengolah berbagai data dari sensor, kamera, GPS, laporan kecelakaan, dan pertanyaan pengguna menjadi informasi yang berguna. Selanjutnya sebagai pengkode pengetahuan yang mampu menyimpan dan mengorganisasi pengetahuan tentang aturan lalu lintas, geografi, dan perilaku manusia, serta generator komponen untuk membuat komponen sistem baru seperti fungsi reward untuk AI, simulasi lingkungan, dan data latih sintetis. “Peran terakhir adalah sebagai fasilitator keputusan yang mampu membuat keputusan cerdas seperti manusia: mengoptimalkan sinyal lampu merah, menavigasi kendaraan otonom, memprediksi arus lalu lintas”, demikian disampaikan Zudhy.
Beberapa penerapan LLM yang sudah diimplementasikan dalam kehidupan sehari-hari diantaranya adalah untuk Kendaraan Otonom, Lampu Lalu Lintas, Transportasi Publik, Navigasi Cerdas, Keselamatan Jalan, serta Logistik & Pengiriman. Namun demikian, perlu adanya kewaspadaan terhadap kelemahan LLM, diantaranya Halusinasi AI karena LLM kadang ‘mengarang’ fakta yang tidak benar. Dalam transportasi, ini bisa berbahaya — misal memberikan rute yang salah atau instruksi tidak aman. Selain itu diperlukan Kebutuhan Komputasi Tinggi, karena LLM memerlukan GPU mahal dan energi besar. Menggunakannya di kendaraan atau persimpangan jalan secara real-time masih menantang secara teknis.
Tantangan lain adalah Privasi Data, karena sistem transportasi mengumpulkan data lokasi dan perjalanan pengguna. LLM perlu akses data ini, menimbulkan risiko kebocoran informasi pribadi. Selain itu adanya isu Keadilan & Bias, LLM yang dilatih dari internet bisa membawa bias. Contoh: rute yang ‘dioptimalkan’ mungkin tidak mempertimbangkan kebutuhan daerah terpencil atau kelompok rentan. Isu lain adalah Keamanan Siber, sistem AI yang mengendalikan lampu lalu lintas atau kendaraan otonom bisa menjadi target serangan siber yang sangat berbahaya. Terakhir adalah isu Regulasi & Tanggung Jawab. Jika AI membuat kesalahan yang menyebabkan kecelakaan, siapa yang bertanggung jawab? Hukum dan regulasi AI untuk transportasi masih terus berkembang.
Zudhy juga menyampaikan beberapa tantangan dan peluang unik yang ditemui di Indonesia dalam penerapan LLM, diantaranya adanya Kemajemukan Bahasa, Dominasi Sepeda Motor, Geografi Kepulauan, Cuaca Tropis Ekstrem, Transportasi Informal, serta Kesenjangan Data Digital. Memperhatikan berbagai hal tersebut, Zudhy merekomendasikan beberapa hal untuk penerapan LLM di Indonesia, diantaranya Bangun IndoTraffic LLM, Standarisasi Data Nasional, Buat Open Traffic Data API standar, LLM Chatbot Multimodal Nasional, Adaptive Signal Control Bertahap, LLM untuk ERP Cerdas, LLM Integrasi BMKG, Analisis Black Spot Otomatis, serta perlunya Kerangka Regulasi AI Transportasi.
Webinar ini dihadiri oleh 1.338 peserta dari berbagai kalangan yang mengikuti sesi tanya jawab di akhir acara dengan antusias. Hasil diskusi menyimpulkan bahwa Indonesia perlu mempercepat transformasi menuju sistem transportasi cerdas melalui integrasi Intelligent Transportation Systems (ITS) dan kecerdasan buatan berbasis Large Language Models (AI/LLM) secara bertahap, yang didukung oleh regulasi, standardisasi data, serta penguatan sumber daya manusia lokal. (DAK)


