Kawan GNFI, mengemudikan mobil di tengah kemacetan panjang sering kali menguji kesabaran. Di tengah keputusasaan menghadapi antrean kendaraan, aplikasi navigasi andalan kerap muncul seolah menjadi penyelamat dengan menyarankan rute alternatif yang diklaim lebih cepat.
Namun, alih-alih sampai ke tujuan dengan mulus, tidak jarang kendaraan kita justru diarahkan masuk ke “jalur tikus” yang sempit dan tak terduga.
Fenomena ini bukan sekadar isapan jempol, dan saya sendiri baru saja merasakannya secara langsung. Suatu hari, bertepatan dengan libur panjang, saya bersama teman-teman berencana melepas penat di sebuah villa di kawasan Puncak.
Mengingat jalan raya utama sudah dipenuhi lautan kendaraan, aplikasi pemetaan mengarahkan mobil kami ke jalan alternatif. Siapa sangka, rute itu ternyata terjal dan lebarnya hanya cukup untuk satu badan mobil.
Situasi semakin kacau ketika mobil dari arah berlawanan ikut terjebak. Banyak pengemudi tersulut emosi karena tidak ada yang mau saling mengalah. Momen liburan yang seharusnya menyenangkan seketika berubah menjadi tegang dan menguras emosi.
Faktanya, fenomena “dijebak” ke jalur tikus ini bukanlah sekadar eror biasa. Jika dibedah menggunakan prinsip dasar arsitektur Sistem Informasi, kejadian ini adalah implikasi logis dari alur Input, Proses, dan Output. Kontur jalanan di Indonesia, khususnya di kawasan padat penduduk atau jalur wisata pegunungan seperti Puncak, memiliki keunikan tersendiri.
Gang-gang sempit yang saling berhimpitan menjadi tantangan geografis khas yang sering kali tidak terbaca utuh oleh satelit. Mari, kita bedah bagaimana basis data dan kecerdasan buatan Google bekerja di balik layar.
Tahap Input: Bias Crowdsourcing dan Pemetaan Fisik
Peta digital berawal dari basis data fisik yang dibangun secara masif. Tim Google Street View, dalam laman resminya yang berjudul How Street View Works, menjelaskan bahwa pemetaan awal dilakukan menggunakan armada kendaraan yang dilengkapi kamera 360 derajat dan sensor laser (LIDAR). Teknologi ini mengumpulkan miliaran titik data spasial untuk merancang model jalan raya 3D yang komprehensif.
Karena kondisi jalanan sangat dinamis, sistem membutuhkan data yang terus diperbarui. Lau (2020) dari Google, dalam artikel resminya yang berjudul Google Maps 101: How AI Helps Predict Traffic and Determine Routes, menjelaskan bahwa sistem memadukan pola lalu lintas historis dengan data crowdsourcing secara real-time.
Para pengguna jalan dengan layanan lokasi aktif secara anonim bertindak sebagai “sensor hidup” yang terus mengirimkan data kecepatan ke server Google.
Sayangnya, bias data sering terjadi di tahap ini. Bayangkan, Kawan, puluhan sepeda motor melesat cepat melalui gang lingkungan. Ponsel mereka mengirimkan data kecepatan tinggi ke server, dan sistem langsung memberi status “lancar” pada rute tersebut seperti kalkulator yang hanya peduli waktu, buta soal lebar jalan.
Sistem sering luput membedakan apakah pengirim data itu motor atau mobil. Input mentah inilah yang kemudian ditelan sistem sebagai rute alternatif bagi kendaraan roda empat.
Tahap Proses: Algoritma ‘Supersegments’ Penekan Waktu Tempuh
Setelah data masuk, sistem harus memprosesnya untuk mencari jalan tercepat. DeepMind (2020), laboratorium riset kecerdasan buatan milik Alphabet (induk perusahaan Google), dalam rilis teknisnya yang berjudul Traffic Prediction with Advanced Graph Neural Networks, mengungkapkan bahwa algoritma Google Maps kini menggunakan arsitektur Graph Neural Networks (GNN).
Melalui GNN, jaringan jalanan di seluruh dunia dipecah menjadi blok-blok kecil yang disebut “Supersegments” yang diklaim mampu meningkatkan akurasi prediksi waktu tiba hingga lebih dari 50% di berbagai kota besar dunia.
DeepMind secara eksplisit menyebut Jakarta bersama Washington D.C., Berlin, São Paulo, Sydney, dan Tokyo sebagai kota-kota yang menjadi tolok ukur keberhasilan sistem ini.
Meskipun canggih, parameter utama GNN ini hanya berfokus pada satu variabel: meminimalkan waktu tempuh. AI ini seperti kalkulator yang hanya peduli angka waktu tidak mempertimbangkan lebar aspal atau keberadaan gapura gang.
Akibatnya, ketika jalan utama berstatus macet, sistem otomatis menilai gang sempit yang kosong sebagai pilihan lebih efisien. Inilah proses matematis yang memaksa sistem mengarahkan mobil masuk ke “jalur tikus”.
Tahap Output: Gotong Royong Digital Mencegah Rute Menipu
Hasil akhir dari proses GNN divisualisasikan sebagai garis rute biru di layar aplikasi. Di atas kertas, rute itu memang tercepat, namun pada kenyataannya sering kali tidak bisa dilalui oleh mobil besar. Di sinilah nilai luhur khas masyarakat Indonesia, yaitu gotong royong, menemukan bentuk barunya di era digital.
Untuk memitigasi kesalahan ini, sistem membutuhkan mekanisme umpan balik (feedback loop). Idris (2020), dalam artikelnya di SEVA yang berjudul Memahami Cara Kerja Google Maps dalam Memberikan Rute, menekankan bahwa pengemudi tidak boleh hanya pasrah pada arahan aplikasi mereka perlu aktif melaporkan kondisi jalan melalui fitur aplikasi.
Senada dengan itu, Tempo.co (2025), dalam liputannya yang berjudul Cari Tahu Cara Kerja Google Maps, menjelaskan bahwa setiap laporan pengguna seperti penutupan jalan atau jalan yang terlalu sempit langsung diserap oleh mesin machine learning Google untuk merekalibrasi datanya.
Secara praktis, memperbaiki peta digital adalah bentuk modern dari kerja bakti. Kawan cukup mengetuk nama jalan yang dianggap bermasalah lalu memilih opsi “Laporan masalah” atau “Edit peta”.
Setiap kali kita melaporkan jalur yang tidak layak di lewati mobil, kita sebenarnya sedang menyelamatkan puluhan hingga ratusan pengendara lain dari nasib serupa.
Laporan proaktif dari pengguna nyata di lapangan inilah wujud “gotong royong digital” yang membuat kecerdasan buatan menjadi lebih relavan dan humanis.
Drama tersesat di jalur tikus kawasan Puncak membuktikan bahwa secanggih apa pun kecerdasan buatan racikan DeepMind, sistem tetap rawan terhadap bias data dari lapangan.
Selama algoritma lebih mengutamakan estimasi waktu tempuh daripada dimensi fisik jalan, fenomena rute yang menipu ini masih berpotensi terjadi. Hal ini menegaskan sebuah kaidah esensial dalam dunia Sistem Informasi: teknologi navigasi tidak akan pernah bisa menggantikan insting dan koreksi berkelanjutan dari penggunanya.
Namun, di balik kelemahan teknis tersebut, justru terpancar sebuah kebanggaan: teknologi modern ternyata tetap membutuhkan kearifan lokal.
Sehebat apa pun sistem navigasi digital di genggaman, ia akan selalu bergantung pada kepedulian dan semangat gotong royong dari manusia di balik kemudi untuk saling memandu dan menjaga keselamatan bersama di jalan.
Cek berita, artikel, dan konten yang lain di Google News
