REGIONAL:
Artikel ini bukan hendak membahas peran polisi, tetapi ingin menunjukkan bahwa teknologi geospasial yang disediakan Google.
Telah membuat perjalanan menjadi lebih mudah dan menyenangkan karena mampu memberikan informasi yang hampir real time.
Teknologi GPS
Di masa lalu teknologi Global Position System (GPS) berbasis data multisatelit yang menggunakan alat merk terkenal pun masih memiliki tingkat error hingga 25-50 m.
Kini, dengan alat telepon seluler pintar, posisi pengemudi di jalan raya hampir presisi karena error hanya beberapa meter saja.
Para peneliti geospasial saja terkaget-kaget dengan kemajuan teknologi yang begitu cepat mendongkrak tingkat presisi.
Empat belas tahun lalu, saat penulis mengusulkan penelitian dengan memanfaatkan data Google Map dan saudaranya Google Earth, sempat ditolak peneliti senior karena tingkat akurasi dan presisi dianggap masih rendah.
Tentu menjadi pertanyaan umum, bagaimana Google Maps mendapatkan informasi yang hampir real time.
Sementara resolusi temporal (frekuensi satelit mengunjungi kembali area yang sama) satelit pengamat bumi yang paling populer adalah 16 hari sekali dan yang paling tinggi sehari sekali?
Google Maps ternyata mengandalkan beragam sumber data penting lainnya, selain data satelit.
Pertama, data yang paling penting adalah data historis perjalanan pengguna dari lokasi A ke lokasi B.
Google Maps memiliki data historis selama belasan tahun mengenai jarak dan waktu tempuh dari titik tertentu ke titik lainnya di seluruh kota di dunia.
Setiap pengguna yang melakukan perjalanan otomatis terekam oleh Google Map dan menjadi sumber data penting.
Google Map telah memiliki data lokasi-lokasi yang menjadi langganan kemacetan serta waktu-waktu kapan kemacetan terjadi.
Sehingga dapat membuat prediksi jarak tempuh perjalanan ketika dilakukan pagi, siang, sore, atau malam hari.
Tentu data itu sempat terkoreksi ketika COVID-19 melanda planet bumi pada 2019-2022.
Kemacetan berkurang hingga 50 persen, sehingga Google Map harus mengalibrasi data itu di era tersebut.
Kini, setelah COVID-19, data historis tersebut memperkaya sumber data untuk prediksi waktu tempuh ketika lalu lintas lancar.
Kedua, data sensor-sensor lalu lintas dan data publik lalu lintas yang disediakan oleh pemerintah maupun swasta dan masyarakat. Data lokasi rest area, pos mudik, pom bensin, dan lokasi perbaikan jalan.
Data tersebut dapat diambil langsung oleh Google Map atau sebaliknya dikirimkan kepada Google Map tergantung jenis datanya.
Ketiga, rekaman real time pengguna Google Map. Saat pengguna mengklik Google Map, di saat yang bersamaan pengguna juga menjadi sumber data bagi pengguna data lainnya yang sedang menggunakan.
Data rute, lokasi, dan kecepatan real time menjadi sumber data yang menunjukkan kondisi saat ini di lokasi tersebut.
Dengan kata lain, pengguna menjadi sumber data pasif (otomatis) bagi Google Map saat itu, yang kemudian juga menjadi sumber data historis seiring berjalannya waktu.
Keempat, laporan pengguna real time. Berdasarkan data historis, Google Map dapat mendeteksi kondisi tidak normal di suatu rute dan lokasi tertentu.
Ketika itu terjadi, Google Map saat ini memiliki menu untuk bertanya pada pengguna seperti yang dialami penulis.
Sebagai contoh, di suatu lokasi dalam sepekan terakhir terjadi perlambatan kecepatan karena perbaikan jalan, tetapi kemudian pada suatu hari kecepatan menjadi lebih cepat di lokasi tersebut.
Google Map lalu bertanya kurang lebih seperti ini, "Apakah perbaikan jalan masih dilakukan di rute Anda?"
Pengguna diberi pilihan jawaban "ya" atau "tidak". Pengguna juga dapat mengabaikan pertanyaan tersebut. Pada konteks ini pengguna menjadi sumber data aktif karena dengan sadar memberikan input data pada Google Map.
Sumber data aktif ini juga sekaligus berperan sebagai proses verifikasi kondisi terkini di lokasi tersebut.
Bersifat dinamis
Model pertanyaan dan jawaban yang disediakan Google Map bersifat dinamis, sesuai dengan kebutuhan dan efektivitas yang diharapkan oleh arsitek pembuat Google Map.
Beragam data tersebut kemudian diolah dengan machine learning atau mesin pembelajar, sehingga Google Map dapat memprediksi rute terbaik dan jarak tempuh pengguna.
Machine learning adalah subset dari artificial intelligence atau kecerdasan buatan yang dapat mendeteksi pola-pola dari big data yang dimiliki untuk membuat prediksi.
Seiring waktu akurasi dan presisi machine learning semakin baik dengan bertambahnya data dan verifikasi dari penggunanya.
Hal itu karena machine learning layaknya manusia yang dapat terus belajar berbasiakan data yang diberikan.
Karakteristik itulah yang menjelaskan, meskipun seringkali ditemukan kesalahan, maka akurasi dan presisi Google Map semakin tinggi dari waktu ke waktu.
Demikian pula jumlah data di kota besar, umumnya lebih tinggi dibandingkan dengan di wilayah terpencil. Jumlah data di jalur nasional lebih tinggi dibanding di jalur sepi.
Hal itu berbanding lurus dengan tingkat akurasi dan presisi di kota besar dan wilayah terpencil serta jalur nasional dan jalur sepi.
Meskipun demikian, kita tetap harus berhati-hati saat pulang mudik bersama Nona Google Map karena presisi dan akurasi bervariasi di setiap lokasi.
Pastikan mudik dan lancar serta ingat: "Di depan ada polisi," kata Nona Google Map.
TERPOPULER
