Pertumbuhan urbanisasi menghadirkan tantangan besar bagi kota-kota modern, mulai dari kemacetan lalu lintas hingga konsumsi energi yang semakin meningkat. Untuk menjawab persoalan ini, konsep kota cerdas mulai mengintegrasikan Edge AI sebagai teknologi kunci. Dengan kemampuan pemrosesan data di dekat sumbernya, Edge AI memungkinkan kota melakukan manajemen lalu lintas dan energi secara real-time, efisien, dan adaptif.
Dalam manajemen lalu lintas, Edge AI bekerja dengan memanfaatkan data dari kamera, sensor jalan, dan perangkat IoT kendaraan. Alih-alih mengirim data ke pusat cloud, sistem memproses informasi secara lokal di node edge. Dengan begitu, keputusan seperti pengaturan lampu lalu lintas, deteksi kecelakaan, atau rekomendasi rute alternatif dapat dilakukan dalam hitungan milidetik. Studi Shi et al. (2016) menunjukkan bahwa arsitektur edge computing mampu memangkas latensi hingga 80% dibanding cloud murni, menjadikannya ideal untuk aplikasi lalu lintas yang membutuhkan respons instan.
Penerapan Edge AI juga memperkuat sistem transportasi cerdas dengan integrasi kendaraan otonom. Mobil tanpa pengemudi, misalnya, memerlukan data jalan dan lalu lintas dengan latensi rendah untuk membuat keputusan aman. Edge AI menjadi jembatan yang memungkinkan interaksi antara kendaraan, infrastruktur jalan, dan pusat kontrol kota, sehingga tercipta ekosistem mobilitas yang lebih lancar dan aman.
Di sisi lain, energi perkotaan juga menghadapi tekanan besar. Smart grid berbasis Edge AI memungkinkan kota mendistribusikan listrik secara adaptif. Data konsumsi dari rumah tangga, gedung perkantoran, dan sumber energi terbarukan diproses secara lokal untuk menyeimbangkan pasokan dengan permintaan. Menurut Zhou et al. (2019), penerapan edge intelligence dalam smart grid dapat meningkatkan efisiensi distribusi energi hingga 25%, sekaligus mengurangi risiko pemadaman massal.
Lebih jauh, Edge AI juga mendukung keberlanjutan. Dengan mengurangi ketergantungan pada pusat data besar, konsumsi energi untuk transmisi dan penyimpanan dapat ditekan. Hal ini sejalan dengan tujuan kota cerdas untuk menurunkan emisi karbon sekaligus meningkatkan kualitas hidup warga. Xu et al. (2021) menegaskan bahwa Edge AI merupakan fondasi penting bagi transisi menuju kota yang lebih adaptif, ramah lingkungan, dan manusiawi dalam kerangka Industri 5.0.
Meski menjanjikan, penerapan Edge AI di kota cerdas masih menghadapi tantangan. Investasi infrastruktur edge, standardisasi antarperangkat, serta isu privasi dan keamanan data publik perlu mendapat perhatian serius. Namun, tren global menunjukkan semakin banyak kota besar—seperti Singapura, Barcelona, dan Seoul—yang mengintegrasikan Edge AI ke dalam sistem lalu lintas dan energi mereka.
Integrasi Edge AI dengan sistem transportasi dan energi adalah langkah penting menuju kota cerdas yang benar-benar berfungsi optimal. Dengan analisis data lokal yang cepat, aman, dan efisien, kota masa depan dapat lebih lancar dalam mobilitas dan lebih bijak dalam mengelola energi. Edge AI menjanjikan masa depan urban yang lebih terhubung, berkelanjutan, dan layak huni.
Referensi
- Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 3(5), 637–646. https://doi.org/10.1109/JIOT.2016.2579198
- Zhou, Z., Chen, X., Li, E., Zeng, L., Luo, K., & Zhang, J. (2019). Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing. Proceedings of the IEEE, 107(8), 1738–1762. https://doi.org/10.1109/JPROC.2019.2918951
- Xu, X., Lu, Y., Vogel-Heuser, B., & Wang, L. (2021). Industry 4.0 and Industry 5.0—Inception, Conception and Perception. Journal of Manufacturing Systems, 61, 530–535. https://doi.org/10.1016/j.jmsy.2021.10.006
- Batty, M. (2018). Artificial Intelligence and Smart Cities. Environment and Planning B: Urban Analytics and City Science, 45(1), 3–6. https://doi.org/10.1177/2399808317751169
- Zhang, K., Mao, Y., Leng, S., Zhao, Q., Li, L., Peng, X., & Pan, L. (2017). Energy-efficient offloading for mobile edge computing in 5G heterogeneous networks. IEEE Access, 4, 5896–5907. https://doi.org/10.1109/ACCESS.2017.2688758