PAYDAY SALE! DISKON 95%
Belajar Data Bersertifikat 12 Bulan hanya 180K!
0 Hari 7 Jam 24 Menit 9 Detik

Penerapan Algoritma Machine Learning dalam Self-Driving Car

Belajar Data Science di Rumah 14-Agustus-2022
https://dqlab.id/files/dqlab/cache/ed36a8a0e28f4505005783ef0878d064_x_Thumbnail800.jpg

Teknologi machine learning kian berinovasi sejak kemunculan era Big Data mulai menggaung di seluruh dunia. Betapa tidak, dalam perkembangan big data muncul algoritma machine learning baru pada setiap teknologi yang diluncurkan untuk menunjang efisiensi user. Salah satu buktinya ada pada self-driving car yang dihasilkan dari machine learning. Mobil tanpa kendali sopir ini merupakan teknologi yang marak dibicarakan belakangan ini. Pada awalnya, gebrakan ini diinisiasi oleh dua perusahaan kenamaan yaitu Ford dan Tesla yang mulai gencar mengembangkan self-driving car. 


Yang menjadi teknologi ini menarik adalah sebelumnya teknologi sudah diterapkan tapi pada pesawat (transportasi udara) yang disebut autopilot. Namun untuk transportasi darat belum banyak diaplikasikan. Padahal kita tahu bahwa transportasi darat punya risiko yang tinggi ketika berada di jalan raya. Sebagian besar penyebabnya terjadi karena human error. Misalnya terjadinya kecelakaan beruntun, tabrak lari, pengemudi mengantuk atau rentan disebut microsleep dan lain-lain.


Melihat teknologi self-driving car yang mulai digalakkan akhir-akhir ini, kira-kira secanggih apa ya teknologi self-driving car ini. Terus apa aja prosesnya sehingga terbentuk teknologi ini. 


1. Mengenal Apa Sih Self-Driving Car

Mobil tanpa sopir atau mobil tanpa kemudi merupakan istilah lain dari self-driving car yang akhir-akhir ini dibicarakan di dunia otomotif. Bukan cuma bermodalkan GPS dan maps ataupun peta digital. Self-driving car juga dilengkapi dengan beberapa aksesoris tambahan seperti rambu-rambu lalu lintas, pengguna jalan lain, pejalan kaki, penanda adanya objek-objek berbahaya di sekitarnya. 


Google pun telah bereksperimen dengan teknologi self-driving car yaitu dengan pengumpulan data untuk Google StreetView. Dalam pengumpulan data sepanjang 2,9 juta km yang telah ditempuh tersebut, hanya terdapat 13 kecelakaan minor. Semuanya itu diakibatkan oleh kesalahan pengguna (human error). dapat dibayangkan jika teknologi ini sudah banyak dipakai dengan kemampuan pengolahan data real-time, banyak risiko yang dapat dihindari. Dapat dibayangkan juga berapa penghematan yang dapat dilakukan dalam hal penggunaan bahan bakar dan waktu. 

Machine Learning

Walaupun tampaknya teknologi ini seperti masih jauh di masa depan, tapi perkembangannya dapat kita lihat saat ini. Google, Tesla, Nissan, GM, Volvo, Mercedes-Benz, Delphi Automotive, Audi dan Bosch sudah mulai berlomba-lomba menarik data dari kendaraan mereka. Industri otomotif kini merangkul teknologi big data untuk dapat bersaing, General Motor bahkan merekrut hingga 10ribu tenaga IT untuk riset mereka. Dengan segudang manfaat, teknologi self-driving-car ini akan melahirkan tantangan baru dalam era Big Data.


Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!


2. Perusahaan yang Menciptakan Teknologi Self-Driving

Saat ini, banyak perusahaan mulai berlomba-lomba dalam menciptakan teknologi self-driving. Dibangun dengan pencitraan 3D dan AI paling kuat, developer bertujuan untuk memastikan bahwa pengendara menikmati pengalaman hands-free tanpa mengorbankan keselamatan pribadi. Dilansir dari Built In, ada beberapa perusahaan yang berpartisipasi dalam proyek pengembangan self-driving car. Namun dalam artikel ini kita hanya menjelaskan tiga perusahaan saja nih temen-temen.

  • Arity 

Arity memanfaatkan kemampuan big data untuk mengidentifikasi pola rambu lalu lintas dan melakukan prediksi terkait risiko dalam industri transportasi. Bermarkas di Chicago, Amerika Serikat, Arity didirikan oleh Allstate dan telah menganalisis lebih dari 30 miliar mil mengemudi hingga saat ini. 

Machine Learning

Platform Arity memanfaatkan data yang dikumpulkan untuk memberi saran kepada perusahaan asuransi, mobilitas bersama dan otomatif tentang praktik pengurangan risiko terbaik melalui komponen penting dari mengemudi mandiri

  • WiTricity

WiTricity adalah pengembang stasiun pengisian nirkabel untuk mobil, sehingga memudahkan orang untuk mendapatkan dan menggunakan kendaraan listrik tanpa khawatir. 

Machine Learning

Teknologi resonansi magnetik yang dimiliki perusahaan memungkinkan pengguna untuk hanya parkir di tempat parkir yang ditentukan WiTricity, sehingga segera mulai mengisi daya. Teknologi ini membuka jalan bagi armada self-driving untuk digunakan secara lebih efisien pada jarak yang lebih luas

  • Zscaler

Zscaler menjadi perusahaan selanjutnya yang melakukan inisiasi self-driving car. Perusahaan yang bermarkas di San Jose ini membantu organisasi top dunia mengubah kemampuan jaringan dan aplikasi mereka menjadi cloud-first dan dioptimalkan untuk seluler di semua titik data. 

Machine Learning

Jaringan Akses Internet Zscaler dan Akses Pribadi Zscaler menciptakan koneksi yang cepat dan aman antara pengguna dan aplikasi di perangkat, lokasi, atau jaringan apa pun, serta membuat komunikasi tanpa gangguan dengan teknologi self-driving menjadi lebih mungkin dari sebelumnya.


3. Computer Vision

Penerapan self-driving car yang pertama ialah computer vision. Teknologi ini disusun dimana serangkaian kamera saling terkoneksi untuk memberikan gambaran terhadap keadaan sekitar mobil. Gambar atau video yang dikirimkan dari kamera ini diproses oleh komputer menggunakan algoritma machine learning. Tugas dari komputer ataupun machine learning adalah untuk melakukan pelabelan setiap objek yang tampak dalam gambar atau video. Seperti mobil, pejalan kaki, rambu lalu lintas dan sebagainya.

Machine Learning

Google sebagai perusahaan yang ikut mengembangkan teknologi self-driving car juga menggunakan alat lainnya. Salah satunya LIDAR atau Light Detection and Ranging sebagai alat untuk memberikan data visual. LIDAR memberikan data yang jauh lebih akurat bila dibandingkan dengan kamera. LIDAR juga dapat berfungsi dengan baik tanpa bantuan cahaya sekalipun karena menggunakan sensor infra merah. Akan tetapi, LIDAR tidak dapat membedakan rambu-rambu maupun warna lampu-lintas. Bagi orang-orang yang mengutamakan penampilan, alat LIDAR yang terpasang di atas mobil juga secara estetis dirasa kurang menarik.


4. Sensor Fusion

Kalau computer vision lebih berfokus ke visualisasi yang saling terkoneksi dengan komputer menggunakan machine learning, ada juga yang disebut dengan sensor fusion. Dalam proses ini data yang berasal dari kamera ataupun LIDAR kemudian digabung dengan data dari sensor lain. Sensor parkir, sensor marka jalan ataupun sensor rambu lalu lintas misalnya. 

Machine Learning

Sensor ini memberikan penginderaan jarak yang dekat sehingga hasilnya lebih akurat walaupun dalam hitungan sentimeter. Proses penggabungan antar sensor ini bisa dibilang hasil akhir untuk dijadikan referensi keadaan sekitar oleh komputer di mobil self-driving. Sensor fusion juga berfungsi sebagai backup apabila terdapat kerusakan ataupun kegagalan sistem pada kamera atau LIDAR.


5. Localization

Self-driving car bisa mengetahui kapan dimana kita berada. Lagi di jalan raya atau lagi berhenti di lampu merah. ahu di mana kita berada akan berpengaruh pada kecepatan dan gaya mengemudi. Hal ini tentunya mudah bagi manusia untuk menyesuaikan gaya mengemudinya. Contohnya, jika kita berada di lahan parkir, kita akan mengemudi perlahan-lahan walaupun kondisi di lahan parkir tersebut sedang sepi dan jarang ditemui mobil lain yang terparkir. Otak kita mengantisipasi jika ada orang membawa troli tiba-tiba melintas.

Machine Learning

Proses localization juga berguna dalam path planning guna menentukan di bagian mana kita berjalan. GPS biasa mungkin hanya dapat memberikan informasi di jalan mana kita berada bukan di lajur kanan atau kiri. Oleh karena itu proses localization membutuhkan sistem navigasi yang lebih baik yang biasa disebut HD GPS.


6. Path Planning

Lanjut adalah proses path planning. Dalam tahap ini mobil self-driving mulai merencanakan jalur mana yang akan dipilih agar sampai tujuan. Selain faktor jarak, komputer juga mendeteksi keterlibatan faktor lainnya yaitu waktu tempuh. Tidak setiap jalur tentunya memiliki jarak tempuh terdekat selalu memiliki waktu tempuh yang tercepat. Hal ini dipengaruhi oleh lalu lintas, kondisi jalan, ataupun force majeure.

Machine Learning

Kalian tentunya masih akrab dan tahu Google Maps? Nah cara kerja dari Google Maps pada prinsipnya kita bisa melakukan pemantauan dari lalu lintas ketika menuju ke lokasi tertentu. Kalau jalannya berwarna merah maka jalan tersebut berarti lagi macet. Akan tetapi dengan adanya Google Maps, path planning bahkan bisa kita lakukan sendiri melalui smartphone. Bedanya, path planning yang dilakukan mobil self-driving ini lebih mendetail karena harus mempertimbangkan data dari proses-proses sebelumnya.


Baca juga : Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


7. Control

Proses paling akhir adalah ‘control’. Proses ini dilakukan oleh alat yang sering disebut ECU. Teknologi ECU (Electronic Control Unit) memang bukan teknologi yang benar-benar baru. Memang di mobil konvensional ECU berfungsi untuk penghematan bahan bakar, keamanan, serta kenyamanan berkendara. Di mobil self-driving ‘kekuasaan’ dari ECU lebih besar lagi. ECU dapat mengontrol kemudi hingga putaran penuh, mengerem, dan bahkan menginjak pedal gas

Machine Learning

Mempelajari machine learning perlu ketekunan dan rajin berlatih dengan berbagai metode dan tipe data. Apalagi untuk pemula yang baru belajar data science tentu akan membutuhkan waktu lebih banyak dalam mempelajarinya. 


Pembelajaran dapat dilakukan dari berbagai sumber seperti buku, video, workshop, bergabung dengan komunitas data science, dan mengikuti kursus data science. DQLab merupakan lembaga kursus data science yang memberikan modul-modul berisikan pembelajaran terstruktur sehingga mudah dipahami oleh pemula sekalipun. 


Ada juga project yang dapat dikerjakan dan bisa menjadi portofolio datamu. Yuk, gabung sekarang di DQLab dan mulai belajar machine learning untuk persiapkan diri menjadi praktisi data handal!


Penulis: Reyvan Maulid


Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login