Bahasa Indonesia
Analitik Berbasis Visi untuk Aliran Lalu Lintas Pejalan Kaki: Merevolusi Mobilitas dan Keselamatan Perkotaan
Dibuat pada 01.31
Kota-kota di seluruh dunia sedang bergulat dengan tantangan mendasar: bagaimana mengelola lalu lintas pejalan kaki secara efisien sambil memprioritaskan keselamatan, aksesibilitas, dan pengalaman pengguna. Metode tradisional—mulai dari penghitungan manual hingga sistem sensor dasar—tidak memadai di lingkungan yang dinamis, di mana kepadatan kerumunan bergeser dengan cepat dan kondisi (seperti pencahayaan atau cuaca) berubah secara tak terduga. Hadirlah analisis berbasis visi: teknologi transformatif yang memanfaatkan visi komputer bertenaga AI untuk memberikan wawasan yang dapat ditindaklanjuti secara real-time tentang pergerakan pejalan kaki. Berbeda dengan solusi yang ketinggalan zaman, solusi modernsistem berbasis visiberadaptasi dengan skenario kompleks, menjaga privasi, dan terintegrasi secara mulus dengan infrastruktur kota pintar. Dalam artikel ini, kami akan mengeksplorasi bagaimana kemajuan terbaru di bidang ini mendefinisikan ulang manajemen lalu lintas pejalan kaki, kasus penggunaan utama yang mendorong adopsi, dan mengapa ini menjadi alat yang sangat diperlukan bagi perencana kota, operator tempat, dan otoritas transportasi.
Keterbatasan Pemantauan Lalu Lintas Pejalan Kaki Tradisional
Sebelum mendalami inovasi analitik berbasis visi, sangat penting untuk memahami kesenjangan dalam pendekatan konvensional. Selama beberapa dekade, data lalu lintas pejalan kaki dikumpulkan melalui survei manual yang padat karya atau jaringan sensor yang kaku. Penghitungan manual, meskipun lugas, rentan terhadap kesalahan manusia, tidak dapat diskalakan ke area yang luas (seperti stadion atau persimpangan yang ramai), dan gagal menangkap perubahan perilaku kerumunan secara real-time. Sensor tetap—seperti alas tekanan atau sinar inframerah—lebih konsisten tetapi kurang fleksibel: mereka hanya memantau zona yang telah ditentukan, kesulitan dengan oklusi (misalnya, sekelompok orang menghalangi sensor), dan tidak dapat beradaptasi dengan lingkungan yang berubah (seperti pengaturan acara sementara atau konstruksi).
Pandemi COVID-19 semakin mengungkap kelemahan ini, karena tempat dan kota perlu memantau kepadatan kerumunan secara real-time untuk menegakkan pedoman menjaga jarak sosial. Sistem tradisional tidak dapat memberikan data granular dan dinamis yang diperlukan untuk memastikan keselamatan publik. Kesenjangan ini menciptakan permintaan mendesak untuk solusi yang lebih canggih—satu yang analisis berbasis visi sangat cocok untuk mengisinya.
Apa yang Membuat Analisis Berbasis Visi Modern Berbeda? Terobosan Tahun 2026
Analitik berbasis visual untuk aliran lalu lintas pejalan kaki bukanlah hal baru, tetapi kemajuan terbaru dalam AI, pembelajaran mesin, dan komputasi tepi telah mengangkatnya dari alat khusus menjadi solusi arus utama. Dua inovasi utama mendorong revolusi ini: kemampuan pembelajaran lintas-modal dan desain yang menjaga privasi—mengatasi dua hambatan historis terbesar untuk adopsi: keterbatasan adaptabilitas lingkungan dan masalah privasi.
1. AI Lintas-Modal: Akurasi 24/7 di Semua Kondisi
Salah satu tantangan terbesar bagi sistem berbasis penglihatan adalah keandalan di berbagai kondisi pencahayaan. Model visi komputer tradisional kesulitan mengidentifikasi pejalan kaki di malam hari (mengandalkan kamera inframerah) atau di bawah sinar matahari yang terik, karena data dari sensor cahaya tampak dan inframerah tidak kompatibel. Hal itu berubah dengan pengembangan teknologi pemisahan dan penyelarasan pengetahuan lintas-modal (CKDA), sebuah terobosan yang dipresentasikan oleh para peneliti dari Universitas Peking di AAAI 2026. Pendekatan ini menggunakan dua modul AI untuk memisahkan dan menyelaraskan informasi dari kamera cahaya tampak dan inframerah:
• Modul prompt umum lintas-modal mengekstrak fitur bersama (seperti bentuk tubuh manusia) yang konsisten di seluruh cahaya tampak dan inframerah, menghilangkan noise spesifik modalitas.
• Modul prompt spesifik unimodal memperkuat fitur unik (seperti tanda termal dalam inframerah atau warna dalam cahaya tampak) untuk meningkatkan akurasi deteksi dalam kondisi tertentu.
Hasilnya? CKDA mencapai mAP rata-rata (mean Average Precision) sebesar 36,3% dan akurasi R1 sebesar 39,4% dalam tugas identifikasi ulang pejalan kaki seumur hidup—mengungguli semua model sebelumnya. Bagi kota dan tempat, ini berarti pemantauan pejalan kaki 24/7 yang bekerja seandal pada pukul 2 pagi seperti pada tengah hari, tanpa memerlukan sistem terpisah untuk siang dan malam.
2. Privasi-Berdasarkan-Desain: Analitik Tanpa Kompromi
Kekhawatiran privasi telah lama menjadi hambatan bagi adopsi analitik video secara luas. Para kritikus khawatir bahwa kamera akan mengumpulkan data pribadi yang sensitif (seperti fitur wajah atau pakaian) yang dapat disalahgunakan. Sistem berbasis visi saat ini mengatasi hal ini dengan model obfuskasi adversarial ringan yang memproses data video di tepi (yaitu, langsung di kamera) sebelum mengirimkan data ke cloud. Model-model ini hanya menyimpan informasi penting yang diperlukan untuk deteksi pejalan kaki (seperti pola gerakan dan kepadatan kerumunan) sambil menyamarkan detail identifikasi. Yang penting, data yang diobfuskasi tetap kompatibel dengan detektor objek standar, sehingga tidak ada kehilangan akurasi—semua sambil mencegah model pengenalan atribut pejalan kaki mengekstrak informasi sensitif.
Desain yang mengutamakan privasi ini memastikan kepatuhan terhadap peraturan global seperti GDPR dan CCPA, menjadikan analitik berbasis visi sebagai solusi yang layak untuk ruang publik.
Dampak Dunia Nyata: Bagaimana Analitik Berbasis Visi Mengubah Industri Kunci
Kombinasi akurasi 24/7 dan kepatuhan privasi telah menjadikan analitik berbasis visi sangat diperlukan di berbagai sektor. Di bawah ini adalah tiga kasus penggunaan unggulan yang menunjukkan nilai praktisnya:
1. Tempat Besar: Manajemen Kerumunan Dinamis untuk Keamanan dan Pengalaman
Tempat-tempat seperti National Exhibition Centre (NEC) di Inggris—salah satu ruang acara terbesar di Eropa, yang menyelenggarakan 3 juta pengunjung setiap tahunnya—menghadapi tantangan unik: perubahan tata letak tempat setiap hari, ukuran kerumunan yang bervariasi (dari 1.000 hingga 50.000+ pengunjung), dan kebutuhan untuk beradaptasi dengan cepat terhadap risiko keselamatan. Bekerja sama dengan Intel dan WaitTime, NEC menerapkan sistem berbasis visi yang didukung oleh prosesor Intel Xeon Scalable Generasi ke-5 dan analitik AI waktu nyata. Solusi ini menggunakan kamera pintar Cisco Meraki untuk menangkap aliran video, yang diproses di lokasi untuk menghasilkan:
• Pemantauan aliran pejalan kaki secara real-time dengan akurasi 95%+, bahkan saat titik masuk/keluar berubah untuk acara yang berbeda.
• Peringatan otomatis saat kepadatan kerumunan melebihi batas aman, memungkinkan staf mengalihkan lalu lintas pejalan kaki secara proaktif.
• Dasbor analitik historis yang membandingkan pola keramaian di berbagai acara, membantu NEC mengoptimalkan alokasi sumber daya (misalnya, menambahkan kios makanan atau staf keamanan di area dengan lalu lintas tinggi).
Hasilnya? NEC meningkatkan efisiensi operasional sebesar 30% dan meningkatkan kepuasan pengunjung dengan mengurangi waktu tunggu dan insiden keselamatan. “WaitTime sepenuhnya memenuhi kebutuhan kami,” catat Robert Bowell, Manajer IT PMO di NEC Group. “Ini mengotomatiskan proses kami dan terintegrasi dengan sistem manajemen acara kami, memberi kami jumlah orang secara real-time di aula mana pun kapan saja”.
2. Lalu Lintas Perkotaan: Mengoptimalkan Sinyal dan Mengurangi Kemacetan
Persimpangan yang ramai merupakan hambatan bagi pejalan kaki maupun kendaraan. Sinyal lalu lintas tradisional menggunakan pengaturan waktu tetap, yang gagal memperhitungkan fluktuasi aliran pejalan kaki (misalnya, lonjakan komuter saat jam sibuk atau keluarga yang keluar dari sekolah terdekat). Analitik berbasis visi memecahkan masalah ini dengan menyediakan data waktu nyata tentang volume pejalan kaki, kecepatan menyeberang, dan waktu tunggu. Misalnya, dalam proyek percontohan di persimpangan komersial-residensial di kota besar Tiongkok, otoritas lalu lintas menggunakan kamera bertenaga AI untuk menyesuaikan pengaturan waktu sinyal secara dinamis. Selama jam sibuk, sistem memperpanjang waktu penyeberangan pejalan kaki ketika kepadatan kerumunan melebihi ambang batas; selama jam-jam di luar puncak, sistem memperpendeknya untuk meningkatkan throughput kendaraan.
Hasilnya mencolok: waktu tunggu pejalan kaki berkurang 40%, dan kemacetan kendaraan turun 25%. Sistem ini juga mendeteksi perilaku berisiko (seperti menyeberang sembarangan) dan memicu peringatan tertarget ke kamera keselamatan terdekat, mengurangi kecelakaan pejalan kaki sebesar 18%.
3. Transportasi Publik: Meningkatkan Aksesibilitas dan Keamanan
Bandara, stasiun kereta api, dan sistem metro menangani jutaan pejalan kaki setiap hari, dengan tantangan unik seperti pelancong yang membawa barang bawaan, peron yang ramai, dan area terbatas. Analitik berbasis visi membantu operator transportasi memantau zona berisiko tinggi (misalnya, tepi peron, pos pemeriksaan keamanan) dan mengidentifikasi anomali secara real time. Misalnya, di bandara besar, kamera mendeteksi ketika seorang pejalan kaki berlama-lama di area terlarang atau berlari menuju gerbang keberangkatan—memicu peringatan bagi staf keamanan. Di stasiun metro, sistem memantau kepadatan kerumunan di peron untuk mencegah kepadatan berlebih dan mendeteksi jatuh atau keadaan darurat medis, memungkinkan waktu respons yang lebih cepat.
Menerapkan Analitik Berbasis Visi: Pertimbangan Kunci untuk Keberhasilan
Meskipun manfaatnya jelas, penerapan analitik pejalan kaki berbasis visi yang sukses memerlukan perencanaan yang cermat. Berikut adalah empat faktor penting yang perlu dipertimbangkan:
1. Pilih Perangkat Keras yang Tepat untuk Pemrosesan Tepi (Edge Processing)
Untuk memastikan kinerja waktu nyata dan kepatuhan privasi, pilih perangkat keras yang mendukung pemrosesan di perangkat. Prosesor seperti chip Intel Xeon Scalable Generasi ke-5 menawarkan akselerasi AI bawaan, memungkinkan latensi mendekati nol untuk analisis video tanpa memerlukan perangkat keras khusus. Perangkat tepi juga mengurangi biaya bandwidth dengan hanya mengirimkan wawasan yang diproses (bukan video mentah) ke cloud.
2. Prioritaskan Skalabilitas dan Fleksibilitas
Cari solusi yang beradaptasi dengan lingkungan yang berubah—baik itu tata letak acara sementara (seperti aula variabel NEC) atau zona konstruksi baru. Sistem dengan dasbor intuitif (seperti Dasbor Operasi WaitTime) memungkinkan pengguna untuk mendefinisikan ulang zona pemantauan, mengatur peringatan khusus, dan berintegrasi dengan alat manajemen yang ada.
3. Pastikan Kepatuhan Regulasi
Verifikasi bahwa sistem pilihan Anda memenuhi peraturan privasi setempat. Pilih solusi dengan obfuscation tepi (seperti model adversarial yang dibahas sebelumnya) untuk menghindari pengumpulan data sensitif. Transparansi juga penting: pasang pemberitahuan yang jelas tentang pemantauan video di ruang publik untuk membangun kepercayaan dengan pejalan kaki.
4. Selaraskan dengan Tujuan Pemangku Kepentingan
Berkolaborasi dengan semua pemangku kepentingan—mulai dari perencana kota hingga staf keamanan—untuk mendefinisikan metrik utama (misalnya, ambang batas kepadatan kerumunan, target waktu tunggu). Misalnya, sebuah kota mungkin memprioritaskan pengurangan kecelakaan pejalan kaki, sementara sebuah tempat fokus pada peningkatan pengalaman pengunjung. Menyesuaikan sistem dengan tujuan ini memastikan bahwa analitik memberikan wawasan yang dapat ditindaklanjuti, bukan hanya data.
Masa Depan Analitik Pejalan Kaki Berbasis Visi
Seiring AI dan visi komputer terus berkembang, potensi analitik pejalan kaki berbasis visual akan terus meluas. Tiga tren siap membentuk masa depan:
• Integrasi dengan Digital Twins: Menggabungkan data berbasis visual dengan teknologi digital twin akan memungkinkan kota dan tempat untuk mensimulasikan aliran pejalan kaki dan menguji perubahan (seperti desain persimpangan baru atau tata letak acara) sebelum implementasi.
• Fusi Multi-Sensor: Mengintegrasikan data visual dengan sensor lain (misalnya, stasiun cuaca, monitor kualitas udara) akan memungkinkan wawasan yang lebih holistik—misalnya, menyesuaikan rute pejalan kaki saat hujan lebat atau polusi udara.
• Analitik Prediktif: Model AI canggih akan melampaui pemantauan real-time untuk memprediksi lonjakan kerumunan, memungkinkan manajemen proaktif (misalnya, mengerahkan staf tambahan ke stasiun transit sebelum acara besar berakhir).
Kesimpulan: Masa Depan Mobilitas Pejalan Kaki yang Lebih Cerdas dan Aman
Analitik berbasis visi bukan lagi konsep futuristik—ini adalah solusi praktis yang terbukti mengubah cara kita mengelola lalu lintas pejalan kaki. Dengan menggabungkan akurasi 24/7 (berkat AI lintas-modal), privasi-berbasis-desain, dan wawasan waktu-nyata, ini mengatasi keterbatasan kritis metode tradisional. Mulai dari tempat besar seperti NEC hingga persimpangan perkotaan yang ramai, teknologi ini meningkatkan keselamatan, mengurangi kemacetan, dan meningkatkan pengalaman pejalan kaki.
Seiring kota menjadi semakin padat dan kompleks, analitik berbasis visi akan memainkan peran yang semakin sentral dalam membangun lingkungan perkotaan yang lebih cerdas dan lebih layak huni. Bagi organisasi yang ingin tetap terdepan, sekaranglah saatnya untuk berinvestasi dalam teknologi ini—bukan hanya sebagai alat untuk pemantauan, tetapi sebagai aset strategis untuk menciptakan ruang pejalan kaki yang lebih aman dan lebih efisien.
Kontak
Tinggalkan informasi Anda dan kami akan menghubungi Anda.
WhatsApp
WeChat