Klien: Dinas Perhubungan (Dishub) Provinsi Jawa Timur — Pemerintah Daerah Layanan: Computer Vision Tahun: 2024 Teknologi: Next.js, AI, Computer Vision, Data Analytics
Latar Belakang
Provinsi Jawa Timur memiliki salah satu jaringan jalan terpadat di Indonesia, menghubungkan kota-kota besar seperti Surabaya, Malang, dan Sidoarjo dengan wilayah industri dan pelabuhan strategis. Dinas Perhubungan Provinsi Jawa Timur bertanggung jawab memantau arus lalu lintas di jaringan jalan ini untuk perencanaan transportasi, pengaturan lalu lintas, dan pengambilan keputusan pembangunan infrastruktur. Dengan volume kendaraan yang terus meningkat, kebutuhan akan sistem pemantauan yang akurat dan efisien menjadi semakin mendesak.
Tantangan
Sebelum AIGLE, pemantauan lalu lintas di Jawa Timur dilakukan secara manual dengan berbagai keterbatasan:
- Survei manual yang tidak efisien: Petugas ditempatkan di titik-titik pemantauan untuk menghitung kendaraan secara visual — proses yang lambat, rentan kesalahan, dan tidak bisa dilakukan 24 jam
- Tidak ada data real-time: Data lalu lintas hanya tersedia setelah survei selesai dan diproses secara manual, sehingga tidak bisa digunakan untuk respons cepat terhadap kemacetan
- Cakupan terbatas: Dengan ketergantungan pada tenaga manusia, jumlah titik yang bisa dipantau secara bersamaan sangat terbatas
- Tidak ada analisis komposisi kendaraan: Penghitungan manual sulit membedakan dan mengklasifikasikan jenis kendaraan secara konsisten (sepeda motor, mobil, bus, truk)
- Rekaman CCTV yang tidak termanfaatkan: Jaringan CCTV sudah terpasang di banyak titik, namun rekamannya hanya digunakan untuk pengawasan pasif tanpa ekstraksi data lalu lintas
Solusi
GTM mengembangkan AIGLE, sistem deteksi lalu lintas dan penghitungan kendaraan berbasis AI yang mengubah rekaman CCTV mentah menjadi intelijen lalu lintas yang dapat ditindaklanjuti.
Deteksi Kendaraan Real-Time
Model deep learning mendeteksi dan mengklasifikasikan kendaraan dari siaran CCTV langsung secara otomatis. Sistem membedakan antara sepeda motor, mobil, bus, dan truk — menghasilkan data komposisi lalu lintas yang granular di setiap persimpangan yang dipantau.
Penghitungan Otomatis Berkelanjutan
Algoritma computer vision menghitung kendaraan yang melewati zona pemantauan secara terus-menerus, 24 jam sehari, 7 hari seminggu. Penghitungan otomatis menghilangkan kebutuhan survei manual dan menghasilkan data volume yang konsisten dan akurat sepanjang waktu.
Dashboard Interaktif
Dashboard berbasis web menyajikan tren volume lalu lintas, analisis jam sibuk, dan perbandingan historis melalui grafik dan peta interaktif. Operator dapat memfilter data berdasarkan lokasi, jenis kendaraan, dan rentang waktu untuk mengidentifikasi pola kemacetan dengan cepat.
Manajemen Multi-Kamera
Platform mendukung siaran simultan dari berbagai kamera CCTV yang tersebar di jaringan jalan. Administrator dapat menambahkan, mengonfigurasi, dan memantau umpan kamera dari satu antarmuka terpusat.
Proses Pengerjaan
Pengembangan AIGLE dilakukan secara sistematis:
- Analisis infrastruktur CCTV: Audit jaringan kamera yang sudah terpasang untuk menentukan kompatibilitas dan titik pemantauan prioritas
- Pengembangan model AI: Training model deteksi objek dengan dataset kendaraan Indonesia yang mencakup berbagai kondisi pencahayaan dan cuaca
- Integrasi sistem: Menghubungkan feed CCTV langsung dengan pipeline AI dan menyajikan hasilnya di dashboard web real-time
- Kalibrasi dan validasi: Pengujian akurasi deteksi di berbagai kondisi lapangan dan fine-tuning model
- Deployment dan pelatihan: Peluncuran sistem dan pelatihan operator Dishub
Hasil
- Pemantauan real-time 24/7 di seluruh jaringan jalan Jawa Timur yang terpasang CCTV
- Akurasi deteksi 99,5% dalam mengidentifikasi dan mengklasifikasikan kendaraan dari feed CCTV
- Klasifikasi 4 jenis kendaraan secara otomatis: sepeda motor, mobil, bus, dan truk
- Eliminasi survei manual — penghitungan kendaraan yang sebelumnya membutuhkan petugas lapangan kini sepenuhnya otomatis
- Data historis yang memungkinkan analisis tren lalu lintas jangka panjang untuk perencanaan infrastruktur
- Ekspor laporan dalam format standar untuk dokumen kebijakan dan koordinasi antar instansi
Teknologi yang Digunakan
- Computer Vision — Model deep learning untuk deteksi dan klasifikasi kendaraan real-time
- Next.js — Framework frontend untuk dashboard interaktif
- AI — Pipeline inferensi untuk pemrosesan video CCTV secara berkelanjutan
- Data Analytics — Agregasi dan visualisasi data lalu lintas historis