RISET & STUDI KASUS 26 September 2026 5 menit baca 4

Mobil Otonom Kini Belajar Menyetir, Bukan Lagi Diprogram Menyetir

Industri kemudi otonom sedang bergeser dari cara lama, yaitu menulis jutaan baris kode aturan untuk setiap situasi jalan, menuju model AI tunggal yang belajar menyetir langsung dari data rekaman pengemudi manusia. Artikel ini membahas mengapa tumpukan kode manual mulai ditinggalkan, bagaimana model end-to-end bekerja tanpa modul-modul terpisah, dan kenapa pendekatan ini diklaim lebih unggul dalam menangani situasi yang tidak pernah diantisipasi insinyur. Pembahasan juga menyentuh sisi yang jarang diangkat, yaitu risiko kotak hitam yang membuat sistem ini sulit diverifikasi keamanannya, serta konsekuensinya terhadap cara pabrikan bersaing dan cara regulator mengawasi mobil yang menyetir sendiri.

Selama bertahun-tahun, cara insinyur mengajari mobil untuk menyetir sendiri terasa mirip dengan menyusun kamus hukum yang tidak pernah selesai. Setiap situasi di jalan, mulai dari pejalan kaki yang ragu menyeberang sampai truk yang parkir sembarangan di tikungan, diterjemahkan menjadi baris kode berisi kondisi dan pengecualian. Semakin lama sistem itu dipakai, semakin tebal pula tumpukan aturannya. Sekarang arah itu mulai berbalik. Sejumlah pengembang mobil otonom beralih ke model AI yang disebut end-to-end, sebuah pendekatan yang membuang sebagian besar kode aturan manual dan menggantinya dengan satu model yang belajar menyetir langsung dari pengalaman mengemudi manusia. Pergeseran ini bukan sekadar upgrade teknis. Ia mengubah definisi pekerjaan insinyur kemudi otonom, dari penulis aturan menjadi kurator data.

## Tumpukan Kode Mulai Ditinggalkan

Cara lama membangun mobil otonom biasanya dipecah menjadi beberapa modul yang bekerja berurutan. Modul persepsi mengenali objek di sekitar mobil, modul prediksi menebak ke mana objek itu akan bergerak, modul perencanaan menyusun jalur aman, dan modul kontrol menerjemahkan rencana itu menjadi gerakan setir serta pedal. Setiap modul ditulis dan diuji secara terpisah oleh tim yang berbeda, lengkap dengan ribuan aturan kondisional untuk menangani kasus khusus.

Masalahnya, jalan raya tidak pernah kehabisan kasus khusus. Setiap kali sistem menghadapi situasi baru yang tidak masuk dalam daftar aturan, insinyur harus menambah baris kode lagi. Lama-lama jumlah aturan tumbuh jauh lebih cepat daripada kemampuan tim untuk mengujinya secara menyeluruh. Yang lebih merepotkan, kesalahan kecil di satu modul bisa menjalar ke modul berikutnya. Persepsi yang sedikit meleset soal jarak kendaraan lain akan membuat modul prediksi salah menebak, lalu modul perencanaan mengambil keputusan yang keliru meski masing-masing modul sebenarnya sudah lolos pengujian sendiri-sendiri.

## Bagaimana Model AI End-to-End Bekerja

Model end-to-end mengambil pendekatan yang jauh lebih sederhana secara struktur, meski proses pelatihannya jauh lebih rumit di baliknya. Alih-alih memisahkan tugas ke banyak modul dengan aturan tertulis, satu jaringan saraf tunggal menerima input mentah dari kamera dan sensor, lalu langsung menghasilkan keluaran berupa perintah setir, gas, dan rem. Tidak ada lagi tahap terpisah untuk "mengenali objek" kemudian "memutuskan jalur", semuanya menyatu dalam satu proses komputasi yang dilatih bersama.

Proses belajarnya mengandalkan jutaan jam rekaman video mengemudi manusia yang dianggap sebagai contoh perilaku baik. Model mempelajari pola dari data itu, mirip cara seseorang belajar menyetir dengan mengamati dan meniru, bukan dengan menghafal buku aturan lalu lintas pasal demi pasal. Ketika model menemui situasi yang mirip namun tidak identik dengan apa yang pernah dilihatnya, ia menggeneralisasi dari pola yang sudah dipelajari, bukan mencari aturan yang cocok persis seperti sistem lama.

Pendekatan ini menuntut sumber daya komputasi pelatihan yang besar dan data berkualitas tinggi dalam jumlah sangat banyak. Namun begitu model selesai dilatih, arsitektur yang dijalankan di dalam mobil justru bisa jauh lebih ringkas dibanding tumpukan modul lama, karena banyak logika yang dulu ditulis manusia sekarang tersimpan sebagai bobot dalam jaringan saraf.

## Kenapa Pendekatan Ini Dianggap Lebih Unggul

Keunggulan paling sering disebut dari model end-to-end adalah hilangnya masalah akumulasi kesalahan antarmodul. Karena persepsi dan pengambilan keputusan dilatih bersama dalam satu sistem, informasi yang hilang atau bergeser di satu bagian bisa dikompensasi oleh bagian lain selama pelatihan, bukan diteruskan begitu saja sebagai kesalahan yang membesar.

Keunggulan kedua menyangkut cara sistem berkembang. Pada arsitektur lama, menambah kemampuan berarti menambah lagi baris kode aturan secara manual, pekerjaan yang bergantung pada jumlah insinyur dan waktu mereka. Pada model end-to-end, peningkatan kemampuan sebagian besar datang dari menambah dan memperkaya data pelatihan, sesuatu yang bisa diskalakan lebih cepat selama armada kendaraan terus mengumpulkan rekaman perjalanan baru dari berbagai kondisi jalan.

Model semacam ini juga cenderung lebih luwes menghadapi situasi yang tidak biasa, karena ia tidak terikat pada daftar kondisi yang harus dicocokkan persis. Ia menilai situasi berdasarkan kemiripan pola, sehingga variasi kecil di lapangan tidak serta-merta membuat sistem kebingungan seperti pada mesin aturan yang kaku.

## Risiko yang Belum Terpecahkan

Keunggulan itu datang dengan harga yang tidak kecil. Sistem berbasis aturan memang kaku, tetapi setidaknya bisa ditelusuri. Insinyur bisa membuka kode, menunjuk baris tertentu, dan menjelaskan mengapa mobil mengambil keputusan tertentu. Model end-to-end tidak menawarkan kemewahan itu. Keputusan yang dihasilkan tersembunyi di dalam jutaan parameter numerik yang sulit diterjemahkan menjadi alasan yang masuk akal bagi manusia, sebuah masalah yang dalam dunia AI dikenal sebagai kotak hitam.

Masalah ini menjadi krusial ketika berbicara soal keselamatan. Regulator dan produsen mobil terbiasa menguji sistem dengan pendekatan verifikasi formal, memastikan setiap aturan berperilaku sesuai spesifikasi dalam skenario yang bisa didaftar. Model yang belajar dari pola data jauh lebih sulit diuji dengan cara itu, karena perilakunya tidak selalu bisa dijelaskan sebagai aturan eksplisit. Kasus langka yang jarang muncul dalam data pelatihan tetap bisa membuat model berperilaku tidak terduga, hanya saja sekarang kegagalan itu tersembunyi di dalam bobot jaringan, bukan terlihat jelas sebagai baris kode yang lupa ditulis.

Ada juga persoalan bias data. Model hanya sebaik data yang memberinya pelajaran. Jika rekaman pengemudi yang digunakan didominasi kondisi jalan tertentu, cuaca tertentu, atau budaya berkendara tertentu, model bisa kesulitan ketika dipindahkan ke lingkungan yang berbeda. Ini membuat kualitas dan keragaman data pelatihan menjadi faktor penentu yang jauh lebih penting dibanding sekadar kecanggihan arsitektur modelnya.

![gambar](/storage/artikel/I5YQvgdbt7hCFwCUUGTjDpNF1icqWiso56JyPo2v.webp)

Pergeseran dari kode aturan ke model end-to-end pada akhirnya bukan hanya soal teknik yang lebih efisien, melainkan perubahan tentang siapa yang punya keunggulan dalam persaingan mobil otonom. Perusahaan yang menguasai jalur pengumpulan data mengemudi dalam jumlah besar dan beragam berpeluang mendapat model yang lebih tangguh, sementara insinyur yang dulu ahli menulis aturan kini dituntut mahir mengelola dan mengkurasi data. Bagi regulator, tantangan berikutnya adalah menemukan cara baru untuk mengaudit sistem yang tidak lagi bisa dibaca baris per baris, sebuah pekerjaan yang mungkin sama pentingnya dengan pengembangan modelnya sendiri.

#mobil otonom #end-to-end ai #autonomous driving #kemudi otonom #machine learning

Komentar (0)

Belum ada komentar. Jadi yang pertama berkomentar di bawah.

Mobil Otonom Kini Belajar Menyetir, Bukan Lagi Diprogram Menyetir

Komentar (0)

Tulis Komentar

Artikel Terkait

Alasan Harga SSD dan RAM Ikut Tertekan Akibat Demam Chip AI

Analisis Kerentanan SQL Injection pada Aplikasi Web Sederhana

Repositori Pribadi sebagai Pelengkap LMS