Pendahuluan: Mengapa Simulasi Perkotaan Membutuhkan Perilaku Manusia

Bayangkan Anda dapat "memutar ulang" masa depan sebuah kota: bagaimana lalu lintas berubah jika jalan pusat ditutup, atau bagaimana orang-orang akan berperilaku saat evakuasi suatu kawasan. Justru untuk itulah simulasi perkotaan dibutuhkan — simulasi membantu pengambilan keputusan dalam kebijakan transportasi, menilai risiko, dan mempelajari proses sosial tanpa mengganggu kehidupan nyata. Namun untuk waktu yang lama, model-model semacam itu terlalu sederhana untuk menangkap kompleksitas perilaku manusia, atau bergantung pada skenario kaku yang cepat usang.

Dengan berkembangnya model bahasa besar (LLM), muncullah kemungkinan untuk menciptakan agen yang merencanakan hari mereka: pergi bekerja, ke toko, ke pertemuan — dan melakukannya dalam skala seluruh kota. Simulasi semacam itu tampak meyakinkan, tetapi memiliki cacat tersembunyi. Pendekatan standar mengandalkan few-shot prompting: model diperlihatkan beberapa contoh dan diminta bertindak serupa. Akibatnya, agen mereproduksi bukan kebiasaan nyata penduduk, melainkan representasi "rata-rata" tentang perilaku yang tertanam dalam model bahasa itu sendiri. Ini seperti bertanya kepada seseorang yang belum pernah ke kota Anda, bagaimana kehidupan warga setempat — ia akan menjawab dengan frasa umum, paling banter dari buku teks sosiologi.

Bagaimana CityReal Bekerja

Untuk menjembatani kesenjangan antara perilaku "templat" dan "nyata" ini, sekelompok peneliti — Nicolas Bougie, Xiaotong Ye, dan Narimasa Watanabe — mengusulkan kerangka kerja CityReal. Ide kuncinya adalah agar agen yang disimulasikan tidak bertindak berdasarkan templat, melainkan mengambil keputusan seperti manusia nyata, dipandu oleh niat.

Alih-alih tindakan langkah-demi-langkah yang sekadar "dirangkai" satu sama lain, agen CityReal menyusun rencana aktivitas dan pergerakan yang koheren. Ia tidak melakukan tindakan terpisah "pergi ke kafe" dalam kehampaan: kunjungan ini tertanam dalam jadwal harian, mingguan, bahkan tujuan bulanannya yang lebih luas. Pendekatan ini jauh lebih dekat dengan perilaku manusia nyata yang merencanakan kegiatannya dan mencari kompromi antara waktu, rute, dan prioritas.

Arsitektur Modular dan Niat

Setiap agen di CityReal terdiri dari beberapa modul yang menangani berbagai aspek perilaku: logistik rute, pemilihan aktivitas, manajemen waktu, dan interaksi dengan agen lain. Semua modul ini berada di bawah blok niat pusat yang mengoordinasikan keputusan. Berkat ini, agen bertindak bukan sebagai kumpulan fungsi yang terpisah-pisah, melainkan sebagai kepribadian utuh dengan kebiasaan dan preferensinya sendiri.

Seiring waktu, agen belajar. Mereka beradaptasi dengan batasan — misalnya jam operasional toko atau jadwal transportasi umum — dan secara bertahap membentuk rute serta rutinitas yang stabil. Ini membuat perilaku mereka bukan sekadar meyakinkan, tetapi benar-benar emergen: dari aturan sederhana dan pembelajaran muncullah pola kompleks yang tidak ditanamkan langsung oleh pengembang.

Adaptor Teks dan Statistik Populasi

Namun yang paling menarik adalah mekanisme yang menghubungkan perilaku agen dengan statistik populasi nyata. Untuk ini, CityReal menggunakan adaptor teks. Ini adalah komponen yang dapat dilatih dan berfungsi "menyesuaikan" modul perilaku dengan data yang diamati. Misalnya, jika menurut statistik penduduk kota biasanya menghabiskan sekitar 40 menit di perjalanan menuju tempat kerja, adaptor akan mengoreksi pilihan rute dan waktu berangkat agar sesuai dengan distribusi nyata.

Dengan demikian, agen tidak sekadar meniru perilaku "manusia rata-rata", melainkan mereproduksi pola statistik populasi tertentu: ada yang bersepeda, ada yang lebih memilih transportasi umum, ada yang memiliki jadwal kerja tidak standar. Justru berkat adaptor inilah simulasi menjadi selaras dengan data di tingkat seluruh kota, bukan hanya individu-individu tertentu.

Eksperimen dan Hasil

Para peneliti melakukan eksperimen dengan CityReal, menskalakan simulasi hingga puluhan ribu agen. Ini cukup untuk menganalisis tidak hanya lintasan individu, tetapi juga fenomena perkotaan: kepadatan kerumunan, popularitas tempat, arus mobilitas, dan bahkan tingkat kesejahteraan agen dalam berbagai skenario. Misalnya, seseorang dapat memodelkan jam sibuk pagi atau acara massal dan melihat bagaimana beban infrastruktur berubah.

Hasilnya menunjukkan bahwa CityReal secara signifikan meningkatkan keselarasan dengan perilaku manusia nyata dibandingkan agen LLM klasik. Pada tingkat mikro — ini adalah akurasi keputusan individu: ke mana harus pergi, rute apa, jam berapa. Pada tingkat makro — kesesuaian pola umum: jam berapa pusat kota terisi, ke mana arus utama mengarah, kawasan mana yang menjadi "titik kemacetan".

Terlebih lagi, peningkatannya terlihat tidak hanya secara visual, tetapi juga dalam metrik kuantitatif yang digunakan penulis. Ini berarti simulasi dapat diterapkan untuk peramalan — misalnya, untuk menilai konsekuensi perubahan skema transportasi atau perencanaan acara. Semakin akurat model mencerminkan perilaku nyata, semakin andal kesimpulan yang didasarkan padanya.

Apa Manfaatnya dalam Praktik

Para pencipta kerangka kerja ini menekankan bahwa CityReal bukan sekadar simulasi lain, melainkan bangku uji yang skalabel untuk perencanaan dan peramalan perkotaan. Kerangka ini dapat bermanfaat bagi perencana kota, perencana transportasi, spesialis keselamatan jalan, dan peneliti ilmu sosial.

Bayangkan: Anda ingin memahami bagaimana pembangunan jembatan baru akan memengaruhi waktu tempuh penduduk. Alih-alih mengandalkan perkiraan kasar, Anda menjalankan simulasi dengan puluhan ribu agen yang berperilaku seperti manusia nyata — dengan kebiasaan, preferensi, dan reaksi mereka terhadap perubahan. Atau Anda perlu merencanakan evakuasi saat keadaan darurat: CityReal memungkinkan pemodelan arus manusia, titik kemacetan, dan waktu yang diperlukan untuk evakuasi penduduk yang aman.

Penting bahwa untuk bekerja dengan CityReal, Anda tidak perlu menuliskan aturan secara manual untuk setiap agen. Cukup menentukan arsitektur dan memuat statistik populasi nyata — selanjutnya agen belajar sendiri untuk berperilaku sesuai. Ini secara signifikan menyederhanakan adaptasi model ke kota atau skenario baru.

Perlu ditambahkan bahwa karya ini dipresentasikan di arXiv pada 8 Juli 2026 dan mencakup beberapa kategori sekaligus: physics.soc-ph, cs.AI, dan cs.MA. Kombinasi ini menegaskan sifat interdisipliner penelitian — di persimpangan fisika sistem sosial, kecerdasan buatan, dan pemodelan multi-agen.

CityReal adalah langkah menuju simulasi yang benar-benar mencerminkan kehidupan kota, bukan representasi stereotip tentangnya. Mungkin segera model semacam ini akan menjadi alat standar bagi mereka yang mengambil keputusan tentang masa depan kota-kota kita.