Mengurai Kemacetan dengan Data

Catatan: Artikel singkat ini ditulis saat mengikuti lokakarya penulisan Tempo Institute. Maksud hati untuk diterbitkan di salah satu media namun kembali terganjal faktor kemalasan. #Dibuangsayang

Jakarta ibarat sebuah laboratorium percobaan akhir-akhir ini. Parahnya tingkat kemacetan mendorong Pemprov DKI untuk menguji beberapa terobosan drastis yang belum menuai hasil. Sebagian terobosan ini seperti tidak  melalui proses perencanaan yang matang lantaran bersifat bongkar-pasang. Alhasil, jalan-jalan utama terasa semakin sesak. Di saat yang sama, bis gratis serta trayek baru yang diperkenalkan secara mendadak,  terkadang malah kosong melompong.

Hal ini tentu memancing pertanyaan warga DKI akan kemampuan pemimpin mereka dalam mengatasi kemacetan secara jitu. Pertanyaan lain yang lebih menggelitik adalah, apakah Pemprov DKI sebenarnya memiliki data yang dibutuhkan untuk memahami pangkal masalah kemacetan?

Jawabannya adalah: Ya. DKI, memiliki informasi tersebut. Terlebih, dewasa ini Jakarta memproklamasikan dirinya sebagai Smart City. Di balik slogan tersebut terdapat sebuah unit yang bekerja dengan teknologi informasi termutakhir untuk mengetahui masalah seperti titik-titik kemacetan, waktu puncak dan juga sumber kemacetan itu sendiri.

Hal ini dimungkinkan lantaran terhubungnya Pemprov DKI dengan aplikasi seperti Waze, QLUE dan perangkat keras seperti CCTV. Waze mampu memetakan wilayah kemacetan secara langsung, sementara QLUE  memetakan laporan atau aduan masyarakat terkait pelayanan publik di tiap wilayah administratif DKI Jakarta. Dengan bantuan teknologi, Dinas Perhubungan mestinya mengetahui pola serta arus kemacetan yang bersumber dari pola pergerakan warganya, baik dengan angkutan umum maupun kendaraan pribadi.

Data yang terkumpul, misalnya, mampu menjelaskan dari mana para penglaju datang serta arah yang mereka tuju. Jika, katakanlah, sebagian besar datang dari arah Barat seperti Tangerang, maka fokus penyediaan angkutan umum harusnya disesuaikan. Arus kendaraan pribadi yang datang dari Selatan (Ciputat dan Tangerang Selatan) juga dapat dibendung jika kebijakan diselaraskan dengan data.

Contoh lainnya adalah pembangunan LRT (Light Rail Transit), yang kini dibangun dari arah Selatan (Sentul dan Bogor) menuju Pusat. Jika melihat data persebaran penduduk yang tepat, wilayah yang lebih membutuhkan pembangunan LRT harusnya adalah Bekasi dan Depok, yang sejauh ini hanya mengandalkan jalur Commuterline.

Pembacaan data yang tepat harusnya bisa mengurangi penataan kawasan dan transportasi yang tidak seimbang. Artinya, jika data digunakan untuk memahami prioritas kebutuhan angkutan umum, pengadaan armada juga dapat ditentukan hingga pada jenis kendaraan yang cocok. Hal ini membantu Pemprov dalam menentukan spesifikasi bis yang dibutuhkan serta daya tampung yang harus dimiliki. Hal ini penting untuk mencegah terjadinya inefisiensi pengadaan armada atau kerusakan seperti yang terjadi pada bis Transjakarta tahun 2014 silam.

Pentingnya data untuk merekayasa sistem transportasi juga berlaku dalam hal pengaturan armada. Artinya, waktu operasi harus disesuaikan berdasarkan tingkat kebutuhan atau kesibukan warga demi efisiensi.  Moda lain seperti Commuterline juga perlu menerapkan rekayasa ini untuk penghematan serta memaksimalkan jumlah kereta pada jam sibuk.

Gagasan ini bisa diterapkan dengan simulasi berbasis data yang akurat.  Hal ini penting untuk mengetahui di mana titik pengguna kendaraan pribadi dapat berpindah ke transportasi umum demi mengurangi kemacetan di wilayah pusat Jakarta. Salah satu bukti bahwa Pemprov tidak melakukan perencanaan yang komprehensif adalah minimnya koridor dan halte yang dilengkapi dengan fasilitas Park & Ride, sehingga belum mampu meningkatkan jumlah warga yang beralih dari kendaraan pribadi ke umum.

Pada nyatanya, penelitian Centre for Innovation Policy and Governance dengan Open Data Labs (2016) mengungkap bagaimana data yang terkumpul melalui Jakarta Smart City belum dimaksimalkan untuk perencanaan dan pengaturan lalu lintas. Data yang terkumpul via Waze misalnya, bisa menjadi titik awal untuk melakukan pengaturan tersebut.

Melakukan simulasi kemacetan adalah keterampilan yang harus dimiliki oleh Dinas Perhubungan DKI Jakarta. Dengan simulasi, Pemda dapat menghemat biaya dan waktu untuk melakukan uji coba. Simulasi dengan perangkat lunak dapat menunjukkan berbagai skenario yang terjadi jika diberikan intervensi berupa pengaturan atau pengalihan arus. Perubahan perilaku warga dalam berkendara maupun menggunakan angkutan juga dapat segera diketahui tanpa harus melakukan uji coba  dalam waktu yang lama serta menguras tenaga maupun emosi pengguna jalan.

Kembali, simulasi membutuhkan data yang akurat dan mutakhir agar hasil kajian tersebut nyata dengan kondisi kota Jakarta. Kebijakan berbasis data tidak hanya menyangkut ada tidaknya data tersebut, namun juga kualitas dan relevansinya dengan pembuatan kebijakan. Khususnya dalam bidang transportasi, pentingnya memperbaharui data secara rutin terlihat jelas. Hal ini juga menjadi pelajaran bagi daerah lain yang perlu mengatasi kemacetan dengan data riil. Jika data ini belum tersedia, Pemprov DKI bisa bekerja sama dengan perusahaan penyedia jasa seperti Gojek untuk melengkapi data demi menata sistem transportasi ibukota kita.

Pada akhirnya, pertanyaannya tidak lagi menyangkut keberadaan, tetapi juga kemampuan dalam memanfaatkan data. Jika data ini memang benar tersedia dan dapat diandalkan, bisa jadi, masalahnya adalah pada kemampuan para pengambil kebijakan kita dalam memahami data.

Transportasi di DKI Jakarta hanyalah contoh kecil dari pentingnya data untuk menata negeri. Dimulai dari jumlah dan arah kendaraan bermotor hingga tingkat kepadatan penduduk, Pemda harusnya bisa mengetahui kebijakan yang paling tepat diambil agar tidak lagi menjadikan kotanya sebagai laboratorium hidup.

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>