Saat ini teknologi informasi sudah masuk ke semua lini kehidupan manusia, termasuk di Perusahaan, Organisasi, maupun sektor pelayanan publik. Pemanfaatan teknologi ini mengharuskan organisasi untuk melakukan pengelolaan dengan baik karena jika tidak efektif maka efeknya bagi organisasi akan menjadi tidak optimal. Maka dari itu dibutuhkan pengelolaan yang berdasarkan best practice dan membutuhkan panduan-panduan. Salah satu kerangka dan rangkaian konsep yang bisa dipakai untuk pengelolaan layanan adalah Information Technology Infrastructure Library atau sering disebut dengan ITIL.
Apa itu Information Technology Infrastructure Library (ITIL) ?
Teknologi Informasi Infrastructure Library (ITIL) adalah satu set konsep dan teknik untuk mengelola teknologi informasi (TI) infrastruktur, pengembangan, dan operasi. ITIL ® adalah pendekatan paling baik untuk layanan manajemen TI di dunia. ITIL menawarkan pendekatan berdasarkan best practice, yang diambil dari sektor publik dan swasta internasional.
Siapa saja yang menggunakan ITIL ?
ITIL telah digunakan dan diadopsi oleh banyak organisasi di dunia baik dari pemerintahan, swasta dan pendidikan. berikut beberapa contoh organisasi yang telah mengadopsi ITIL:
Microsfoft
IBM
Hewlett-Packard
Honda
Wal-Mart
Visa
DIsney
US Navy
US Army
Toyota
Shell Oil
Boeing
Australia Post
British Airways
British Telecom
Ohio State University
Oregon State University
University of Wisconsin
Yale University
PT Telekomunikasi Selular (Telkomsel)
dan masih banyak lagi organisasi yang mengadopsi ITIL sebagai kerangka kerja IT Service Management mereka. Pada Telkomsel sendiri adopsi ITIL terlihat berdampak baik pada kinerja perusahaan terbukti pada setiap tahun Telkomsel adalah penyumbang terbesar dari profit Telkom selama satu dekade terakhir.
Apa itu Manfaat ITIL ?
Dengan menggunakan dasar pendekatan sistematis ITIL untuk manajemen layanan TI, ITIL menawarkan peningkatan pada sebuah perusahaan diantaranya:
Peningkatan Return on Investment pada TI.
Peningkatan Kapabilitas dan produktivitas.
Peningkatan Kepuasan Pelanggan/Pengguna.
Peningkatan Hasil Pemanfaatan aset.
Peningkatan hubungan dan interaksi antara penyedia layanan TI dengan pengguna/pelanggan.
Menjaga organisasi untuk mengimbangi perubahan terkini yang mendorong organisasi untuk terus berkembang.
Integrasi Layanan TI
Peningkatan ini telah dibuktikan oleh banyak organisasi di dunia yang mengadopsi ITIL sebagai kerangka kerja layanan TI mereka.
Transformasi Digital mengubah dan membentuk budaya baru di perusahaan. Salah satunya adalah Budaya Paperless atau paling tidak Lesspaper karena penggunaan perangkat digital yang berada pada semua lini proses bisnis perusahaan. Tapi apakah budaya ini sebenarnya baik bagi perusahaan? atau cuma efek dari digitalisasi saja. Berikut ini kelebihan paperless office yang bisa kita dapatkan.
Peningkatan Produktivitas
Ketika masih menggunakan kertas, pekerjaan kita habis hanya untuk mencari dan menemukan dokumen serta informasi yang kita butuhkan. Dengan digital dan budaya paperless ini. Kita bisa menemukan dan memahami informasi dengan lebih cepat.
Menghabiskan waktu mencari informasi di tumpukan kertas dapat memperlambat waktu respons dan produktivitas kita di zaman yang sebagian besar jawabannya hanya berjarak beberapa klik tombol saja. Bayangkan dari mencari informasi di tumpukan kertas di rak berganti dengan mencari kata kunci kemudian klik tombol maka informasi yang dibutuhkan sudah tersedia.
Mengurangi Biaya Operasional
Biaya penyimpanan fisik adalah salah satu alasan utama sebuah perusahaan/organisasi untuk mengurangi kertas. Bayangkan data dan informasi satu ruangan bisa disimpan dalam sebuah database berapa banyak ruangan dan biaya penggunaan kertas bisa dipangkas. Perusahaan juga bisa menghilangkan sejumlah besar ruang penyimpanan dan menggunakan ruang tersebut untuk penggunaan yang lebih produktif.
Kemudahan Kolaborasi
Budaya Paperless atau Lesspaper juga meningkatkan akses untuk berkolaborasi secara internal maupun eksternal. Sebelum era digital kamu harus sering bertemu dan menyesuaikan waktu jika ingin berkolaborasi di Era Digital ini kamu bisa berkolaborasi tanpa terhambat jarak dan waktu. Semua tools sudah tersedia dan bisa dioptimasi. Sangat menghemat waktu dan lebih efisien.
Peningkatan Keamanan
Dengan peralihan ke digital kamu bisa menggunakan hak akses di setiap data yang ada di dalam perusahaan. Cadangan data juga dapat dibuat secara rutin, sistematis, dilakukan di dalam atau di luar lokasi, sementara pemulihan dan perlindungan data dapat ditingkatkan secara mudah dan signifikan. Bayangkan jika semua masih menggunakan dokumen kertas, betapa khawatirnya kita pada dokumen dan data-data penting. Bisa-bisa kita menghabiskan banyak tenaga dan biaya keamanan (dengan membeli penyimpanan yang aman) untuk menyimpan dokumen.
Ramah Lingkungan
Dalam masyarakat yang semakin sadar lingkungan, penting untuk mempertimbangkan dampak bisnis terhadap lingkungan. Paperless atau Lesspaper mengurangi konsumsi perusahaan terhadap sumber daya alam yang digunakan untuk membuat kertas. Ini juga meningkatkan ecological status bisnis di mata publik dan klien. Banyak sekali perusahaan yang menggunakan teknik meningkatkan ecological status mereka seperti Aqua dan Nike dengan menggunakan bahan-bahan ramah lingkungan dan hasil daur ulang.
Revolusi Industri 4.0 ditandai dengan berkembangnya industri berbasis teknologi digital, informasi, dan komunikasi. Semakin banyak pekerjaan manusia yang digantikan oleh mesin atau robot. Namun semakin banyak pula pekerjaan-pekerjaan baru yang memiliki peluang yang lebih tinggi eksis. Beberapa profesi profesi ini bahkan tidak ada pada 20 tahun yang lalu tetapi sangat dibutuhkan pada era sekarang.
Software Developer/App Developer
Pekerjaan ini sedang banyak permintaan karena industri mau tidak mau harus menyesuaikan dengan dunia digital. Hampir semua perusahaan dituntut untuk melakukan transformasi digital dari pemerintahan hingga warung UMKM sekarang sudah memakai aplikasi untuk efisiensi proses bisnis mereka. Untuk menjadi software atau app developer, kamu wajib menguasai bahasa pemrograman. Ada banyak pilihan bahasa pemrograman, yang saat ini menjadi banyak kebutuhan industri adalah Web Programming, Desktop Programming dan Mobile Programming.
Data Scientist atau Data Analyst
Dalam industri digital, data menjadi hal yang sangat penting untuk mengembangkan perusahaan. Kita butuh data personal, demografi, hingga mencari tahu apa yang konsumen sukai. Semua ini dicari dan diolah oleh para Data Scientist dalam perusahaan kemudian kebiasaan konsumen dianalisis lewat kerja Data Analyst
Social Media Specialist
Pekerjaannya berkisar dari konten, menciptakan identitas brand, mempromosikan event, dan juga meningkatkan traffic web serta media sosial perusahaan. Terkadang, Social Media Specialist juga merangkap menjadi admin media sosial dan harus berinteraksi dengan netizen.
UI/UX Designer
User Interface dan User Experience atau disingkat menjadi UI/UX. Keduanya berhubungan dengan tampilan dalam sebuah situs atau aplikasi. Mereka merancang desain website atau aplikasi agar nyaman di mata pengguna dan memberi pengalaman penggunaan yang baik. UI dan UX bukan hanya membuat nyaman pengguna menggunakan aplikasi tetapi juga menuntun pengguna agar dapat menggunakan aplikasi atau web sesuai dengan keinginan perusahaan.
Content Creator
Perkembangan digital membuat kita bisa mengakses berbagai konten tak terbatas setiap saat. Berbeda dengan dahulu saat kita hanya disuguhi oleh konten yang itu–itu saja, saat ini konten-konten yang ada di internet saat bisa kita pilih sesuai dengan keinginan kita. Konten-konten yang kamu dapatkan itu, merupakan hasil tangan para Content Creator. Perusahaan sangat membutuhkan content creator karena untuk menyampaikan pesan ke customer mereka menggunakan banyak medium dan channel.
Menurut Wikipedia, Sertifikasi Profesi adalah suatu penetapan yang diberikan oleh suatu organisasi profesional terhadap seseorang untuk menunjukkan bahwa orang tersebut mampu untuk melakukan suatu pekerjaan atau tugas spesifik.
Di Indonesia ada Badan Nasional Sertifikasi Profesi (BNSP) yang mengawasi konsistensi dan kredibiltas Lembaga Sertifikasi Profesi (LSP) yang memberikan sertifikat atas suatu profesi atau kompetensi tertentu. BNSP akan memberikan lisensi kepada LSP yang dianggap kredibel untuk memberikan sertifikasi, salah satunya adalah Inixindo.
Kemudian apa manfaat dari memiliki sertifikasi profesi ini?
Memiliki keunggulan kompetitif
Dibandingkan dengan kandidat tanpa sertifikasi profesi, anda yang memiliki sertifikasi profesi akan lebih memiliki keunggulan ketika bersaing kompetitif karena kemampuan anda sudah diakui secara tertulis. Ini akan menunjang anda baik di perusahaan maupun instansi tempat anda bekerja.
Memiliki potensi untuk mendapatkan upah lebih tinggi
Banyak instansi dan perusahaan sangat menghargai kemampuan SDM mereka dengan memberikan upah yang lebih tinggi. Dengan memiliki sertifikat profesi ini anda dapat membuktikan kepada instansi anda bahwa anda memiliki potensi lebih.
Memiliki kesempatan yang lebih besar untuk mendapatkan pekerjaan
Bagi anda pekerja lepas (freelance) dan belum memiliki pekerjaan, anda bisa memanfaatkan sertifikat ini sebagai tambahan pertimbangan untuk calon rekruiter dan perusahaan tempat anda melamar atau mengajukan pekerjaan. Banyak rekruiter dan perusahaan sangat mempertimbangkan sertifikat profesi seseorang karena kemampuan kandidat akan lebih terbukti dibandingkan kandidat yang tidak memiliki atau mengikuti sertifikasi profesi ini.
Menunjang karir
Dalam karir, kemampuan anda saja tidak cukup untuk meyakinkan instansi untuk memberi anda peran lebih. Sertifikasi diperlukan sebagai bukti bahwa anda telah terbukti memiliki kemampuan profesional sesuai dengan bidang anda.
Dengan banyaknya kebutuhan terkait pemenuhan kompetensi Pegawai, ASN dan kelengkapan SKPI khususnya bidang TIK, LSP LPK Inixindo sebagai lembaga sertifikasi nasional di bawah Badan Nasional Sertifikasi Profesi di bidang TIK memberikan solusi dalam bentuk pendidikan, pelatihan, dan sertifikasi nasional. Selain Sertifikasi Profesi, Inixindo juga memiliki sertifikasi lain yang diakui secara nasional dan internasional untuk lebih lengkapnya dapat diakses melalui halaman Sertifikasi
Bahasan machine learning di era revolusi industri 4.0 sudah bagaikan gosip selebritis yang tak ada habisnya. Belum sempat kita mendapat info si seleb A pacaran dengan seleb B, tahu-tahu kita baca berita di timeline jejaring sosial seleb A sudah menikah dengan seleb C. Belum sempat kita paham sepenuhnya tentang machine learning, tahu-tahu kita melihat istilah deep learning.
Well, karena Anda mengklik judul yang ada kata-kata ‘untuk yang tak mau pusing’, penulis akan berusaha untuk sebisa mungkin menjelaskan deep learning dengan bahasa yang gampang dengan metafora menggunakan kasus-kasus di sekitar kita. Jika Anda belum tahu tentang apa itu machine learning, Anda dapat membaca artikel mengenal machine learning yang kami tulis sebelumnya. Jika Anda pusing secara harfiah dan datang ke sini berharap deep learning dapat membuat pusing Anda hilang, segera cari tanda silang (x) di bagian atas dan tutup halaman ini segera.
Apa itu deep learning?
Sebelum kami menjelaskan deep learning dengan bahasa yang gampang, pertama-tama kami akan menjelaskan deep learning dengan bahasa resmi wikipedia supaya dianggap artikel yang berbobot.
Deep learning merupakan salah satu bagian dari berbagai macam metode machine learning yang menggunakan artificial neural networks (ANN). Jenis pembelajaran dalam deep learning dapat berupa supervised, semi-supervised, dan unsupervised. Dalam artikel ini yang akan kita bahas adalah metode supervised.
Sudah bingung? Jangan khawatir, setelah ini kami akan jelaskan dengan bahasa yang lebih manusiawi. Kami asumsikan, Anda telah membaca tentang machine learning di atas. Deep learning adalah metode pembelajaran yang dilakukan oleh mesin dengan cara meniru bagaimana sistem dasar otak manusia bekerja. Sistem dasar otak manusia bekerja ini disebut neural networks. Itulah kenapa deep learning disebut menggunakan artificial neural networks yang dengan kata lain menggunakan ‘neural networks buatan’.
Lalu bagaimana ANN bekerja? Tenang, hal tersebut akan kami jelaskan nanti karena sesuai dengan janji manis kami, kami akan menggunakan metafora sehari-hari dalam memberikan gambaran tentang deep learning. Deep learning merupakan teknologi yang dipakai pada image recognition dan computer vision. Oleh karena itu, kami akan memberikan contoh seputar pengenalan objek pada gambar.
Pada machine learning tradisional jika kita menyodorkan gambar seekor kucing lalu kita bertanya pada mesin tersebut apakah ini kucing atau bukan, proses ‘berpikir’ mesin tersebut didasari oleh algoritma yang kita buat. Contohnya, apakah objek memiliki dua mata? Apakah objek memiliki empat kaki? Apakah objek memiliki kumis panjang? Apakah objek memiliki bulu tebal? Jika sebagian besar atau semua jawabannya adalah ‘iya’ maka si mesin akan memutuskan bahwa itu adalah gambar kucing. Lalu bagaimana jika mesin tersebut disodori gambar seperti di bawah ini?
Jika kita menentukan algoritma pembelajaran seperti di atas pasti jawaban dari si mesin adalah ‘bukan’. Padahal kita sebagai manusia tahu kalau gambar tersebut merupakan gambar kucing. Misal kita disuruh mendeskripsikan bagaimana kita tahu kalau itu kucing dari ciri-ciri spesifik objek tersebut untuk kemudian dibuat algoritmanya tentu saja belum tentu berhasil. Tidak semua hewan berbulu, memiliki ekor, dan telinga menjuntai ke atas itu kucing. Lalu bagaimana kita mengenali itu kucing? Itulah di mana neural networks mengambil peran.
Artificial Neural Networks (ANN)
Artificial Neural Networks yang biasa disingkat dengan ANN adalah bagian yang paling ajaib ajaib dari deep learning. ANN ini mensimulasikan kerja otak kita yang tersusun jaringan saraf yang disebut neuron. Sama seperti sistem otak manusia, dalam jaringan artificial neural network ini si mesin menerima informasi pada titik-titik yang disebut nodes yang terkumpul pada satu layer untuk kemudian diteruskan dan diproses ke layer selanjutnya yang disebut hidden layers.
Contoh: kita mempunyai gambar berupa tulisan tangan angka 9 berukuran 28×28 pixel. Setiap piksel dari gambar ini kemudian dipecah menjadi nodes dalam layer input. Sehingga kita memiliki 784 nodes. Lalu untuk mengetahui angka apa itu, kita harus menset nodes output sebanyak 10 (0-9). Dalam hidden layers informasi tersebut difilter hingga akhirnya diteruskan dan informasi masuk di nodes output 9. Dalam kasus supervised learning, kita tak perlu mengatur algoritma yang ada di hidden layers. Yang perlu kita lakukan memasukkan angka yang ditulis tangan sebanyak mungkin dan menentukan outputnya sehingga terbentuk suatu pola dalam hidden layers. Jika pola dalam hidden layers sudah terbentuk, kita tinggal mengetes sejauh mana si mesin dapat mengenali gambar.
Convolutional Neural Networks (CNN)
Dalam kasus image recognition untuk gambar objek kucing di atas, metode yang digunakan sudah lebih canggih lagi dari ANN yang disebut Convolutional Neural Networks (CNN). Secara komputasi, metode CNN ini lebih irit daya, bayangkan jika gambar kucing tersebut berukuran 1920×1080 pixel. Ini berarti ada 2.073.600 nodes yang harus dibuat pada layer input. Belum lagi jika gambar tersebut berwarna di mana setiap pixel terdiri dari 3 warna RGB. Berarti jumlah nodes yang sudah banyak tadi harus dikalikan 3. Bisa dibayangkan berapa jumlah nodes pada layer pertama. Kami sendiri pun malas menghitungnya.
Berbeda dari ANN tradisional yang setiap node-nya terpisah, node dari convolutional neural networks sendiri terhubung satu sama lain. Lihat animasi di bawah agar terhindar dari kebingungan akut!
CNN memindai bagian per bagian area kecil di dalam gambar tersebut untuk dijadikan node. Setiap angka dalam nodes merupakan hasil penghitungan matriks dari filter/kernel. Dalam CNN, terdapat bagian yang sama antara node satu dengan node yang ada di sebelahnya. Itulah mengapa tadi dikatakan bahwa node dalam CNN selalu terhubung. Hal ini tentu saja dilakukan untuk menghemat daya komputasi terutama deteksi objek secara live.
Penerapan Teknologi Deep Learning
Di tahun 2019 ini, penerapan teknologi deep learning sendiri sudah cukup banyak kita jumpai seperti Google Photos, face unlock di smartphone, sistem tilang otomatis, dan sebagainya. Deep learning sendiri juga merupakan komponen utama yang menjadikan artificial intelligence menjadi semakin mirip dengan manusia. Bisa saja adegan-adegan di film fiksi ilmiah mungkin saja akan segera menjadi kenyataan. Atau jangan-jangan cerita dalam film tersebut memang sudah dibuat oleh AI sehingga lebih cocok untuk disebut sebagai prediksi daripada khayalan? Hmmm…
***
Jika Anda masih penasaran dengan teknologi machine learning Anda dapat mengikuti pelatihan machine learning selama 5 hari di Inixindo Jogja.
Tentu kita mengenal istilah autopilot sebagai teknologi aviasi yang ada pada pesawat-pesawat komersial. Konsep autopilot ini membuat sistem komputer mengambil alih kemudi pesawat dan memungkinkan pesawat untuk terbang secara otomatis. Bahkan saat ini teknologi autopilot sudah mampu untuk melakukan take-off dan landing secara otomatis. Pertanyaan yang kemudian muncul adalah apakah teknologi ini aman? Terlepas dari kesalahan yang terjadi pada Boeing 737 Max, secara statistik autopilot lebih aman karena sebagian besar kecelakaan terjadi karena faktor human error.
Karena alasan inilah banyak perusahaan otomotif dan bahkan perusahaan teknologi raksasa seperti Google mencoba menerapkan autopilot pada transportasi darat dalam kasus ini mobil. Cukup masuk akal memang, mengingat traffic di jalan jauh lebih padat daripada di udara dan tingkat kepatuhan pengemudi di jalan raya yang sangat parah bila dibandingkan dengan pilot yang harus menempuh pelatihan dan uji sertifikasi bertahun-tahun. Self-driving cars, begitulah istilah yang sering muncul pada headline berita-berita teknologi di tahun 2018-2019 ini. Self-driving car adalah konsep transportasi di mana mobil sepenuhnya dikendalikan oleh komputer.
Impian autopilot untuk mobil ini merupakan tantangan yang besar. Situasi dan kondisi jalan yang rumit dengan berbagai jenis kendaraan bahkan pejalan kaki. Selain itu, rambu-rambu lalu-lintas juga turut memperbesar tantangan yang harus dihadapi oleh self-driving car di mana mobil ini akan bergantung sepenuhnya kepada komputer dalam mengontrol kemudi mobil. Tapi dengan adanya teknologi machine learning dan artificial intelligence yang semakin maju, impian perusahaan teknologi tersebut akan semakin nyata.
Teknologi di Balik Self-Driving Car
Seperti yang kita tahu beberapa tahun yang lalu Google sempat mengembangkan Google Car yang sekarang menjadi Waymo, startup armada taksi tanpa pengemudi di California. Selain Google, Tesla produsen mobil milik Elon Musk juga memasukkan fitur autopilot pada produk mobilnya yang membuat pengemudi bisa rileks sejenak. Terlepas dari perbedaan filosofi teknologi yang mendasari keduanya, secara umum self-driving menggunakan proses yang hampir sama seperti:
Computer Vision
Sensor Fusion
Localization
Path Planning
Control
Agar bisa memahami bagaimana mobil self-driving atau yang juga biasa disebut autonomous vehicle bekerja, mari kita bahas proses di atas satu per satu.
Computer Vision/LIDAR
Computer vision merupakan adalah proses di mana serangkaian kamera saling terkoneksi untuk memberikan gambaran terhadap keadaan sekitar dari subject yang dalam hal ini adalah mobil. Gambar atau video yang dikirimkan dari kamera ini diproses oleh komputer dengan kemampuan machine learning. Tugas dari komputer machine learning ini adalah melabeli setiap objek yang tampak dalam gambar atau video tersebut seperti mobil, pejalan kaki, rambu-rambu lalu lintas, dan sebagainya.
Proses computer vision ini dilakukan secara real time yang tentunya membutuhkan kemampuan komputasi yang tinggi. Walaupun begitu, dengan kemajuan teknologi sekarang ini, image recognition bukanlah hal yang sulit lagi, bahkan bisa dilakukan oleh smartphone kita. Kekurangan dari computer vision ini adalah walaupun kamera bisa memberikan rich data seperti pergerakan dan warna, kamera tidak dapat memberikan data secara akurat seberapa jauh objek dari lensa.
Tesla merupakan salah satu perusahaan teknologi yang ‘percaya’ pada teknologi ini. Seperti machine learning pada umumnya, computer vision yang dimiliki oleh Tesla membutuhkan banyak data untuk proses belajarnya. Data ini diambil dari kamera yang merekam perjalanan semua mobil Tesla dan tentunya data ini bersifat anonimus. Tesla cukup pede dalam menggunakan computer vision sebagai teknologi utama yang dipakai fitur autopilot-nya walaupun ditunjang dengan sensor jarak yang terpasang di body mobil.
Berbeda dengan pendekatan yang dilakukan oleh Tesla yang memakai kamera, Google sendiri lebih memilih teknologi yang disebut LIDAR (Light Detection and Ranging) sebagai alat untuk memberikan data visual. LIDAR dapat memberikan data yang jauh lebih akurat bila dibandingkan 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.
Sensor Fusion
Seperti yang dibahas pada bagian computer vision, kamera yang terpasang tidak dapat memberikan data akurat mengenai jarak objek yang ada di depannya. Setiap mobil autonomous pasti dilengkapi sensor lain. Dalam proses ini data yang berasal dari kamera atau pun LIDAR digabung dengan data dari sensor yang lain. Sensor parkir misalnya, sensor ini memberikan penginderaan jarak dekat yang lebih akurat hingga 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 dapat berfungsi sebagai backup plan jika terjadi kerusakan atau kegagalan sistem pada kamera atau LIDAR.
Localization
Setelah tahu kondisi sekitar, saatnya mobil autonomous untuk mengetahui di mana dia berada, apakah dia ada di jalan atau di halaman parkir. Tahu 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.
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.
Path Planning
Proses selanjutnya yang dilakukan oleh mobil self-driving adalah merencanakan jalur mana yang akan dipilih agar sampai tujuan. Selain jarak tentunya ada faktor lain yang menjadi pertimbangan komputer. Salah satunya adalah waktu tempuh. Tidak setiap jalur yang memiliki jarak tempuh terdekat selalu memiliki waktu tempuh yang tercepat. Hal ini dipengaruhi oleh traffic lalu-lintas, kondisi jalan, serta force majeure.
Path planning terlihat seperti hal yang tak mungkin dilakukan 1 dekade yang lalu karena tidak mungkin dilakukan tanpa adanya data stream tentang kondisi lalu lintas. 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.
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.
***
Masa Depan Mobil Self-Driving
Proses-proses yang dilakukan di dalam self driving ini sangat bergantung pada teknologi machine learning dan artificial intelligence. Walaupun jalan yang ditempuh dalam pengembangan mobil self-driving ini masih panjang (pun intended) dan masih perlu banyak perbaikan di sana-sini, mobil self-driving atau autonomous vehicle ini sebenarnya merupakan sebuah solusi yang cukup logis untuk mengatasi masalah pengemudi ugal-ugalan. Selain itu bukan tidak mungkin di masa depan dengan semakin terbatasnya lahan parkir, tidak lagi ada kepemilikan mobil. Mobil akan menjadi sebuah layanan dengan metode berlangganan.
****
Jika Anda tertarik mempelajari teknologi machine learning yang melatarbelakangi mobil self-driving ini, Anda dapat mengikuti pelatihan machine learning di Inixindo Jogja.
Government Chief Information Officer (GCIO) 
Chat via Whatsapp