Perpustakaan Digital ITB

Periode mobilitas tinggi seperti libur akhir tahun ditandai dengan lonjakan volume kendaraan hingga 40% dan pola perjalanan antarkota yang kompleks. Tantangan utama dalam manajemen lalu lintas saat ini adalah ketiadaan kerangka traffic risk analytics yang sistematis, di mana operator terpaksa memantau ratusan umpan (feed) CCTV secara manual tanpa acuan kuantitatif maupun mekanisme peringatan dini untuk mitigasi proaktif. Tesis ini mengusulkan kerangka analitik risiko berbasis CCTV yang menghasilkan Matriks Keputusan Risiko (Risk Decision Matrix) melalui tiga produk operasional: (1) Risk Baseline (profil kuantil per kamera/jam sebagai referensi kondisi normal); (2) Hotspot Rank (peringkat risiko kemacetan antar-lokasi untuk prioritas alokasi sumber daya); dan (3) Collapse Hour (estimasi waktu terjadinya kelumpuhan arus). Arsitektur sistem menerapkan pendekatan Risk Layering empat lapis: Telemetry Layer (L1) menggunakan RF-DETR dan ByteTrack untuk ekstraksi metrik real-time; Causal Diagnosis Layer (L2) berbasis Temporal Causal Graph (TCG) untuk membedakan kemacetan organik dan insiden dengan atribusi kausal yang dapat dijelaskan (explainable); Predictive Risk Layer (L3) untuk menghasilkan produk risiko; serta Operational Response Layer (L4) untuk dukungan keputusan human-in-theloop melalui dashboard, alerting, dan pelaporan. Evaluasi dilakukan dengan kerangka validitas prediktif pada deployment nyata selama periode 25 Desember 2025 – 4 Januari 2026, membandingkan prediksi pra-periode puncak dengan observasi aktual. Hasil menunjukkan korelasi Hotspot Rank yang kuat (???? = 0,72), akurasi estimasi Collapse Hour sebesar 75% (toleransi ±1 jam), dan cakupan Risk Baseline mencapai 81,1%. Pada deteksi insiden, pendekatan TCG-UIT mencatatkan F1-score 0,692 secara zero-shot pada benchmark TUMTraf.