ARTIFICIAL INTELLEGENCE FOR BUSINESS

DISCUSSION & ASSIGNMENT 2

Diajukan untuk memenuhi mata kuliah Artificial Intellegence for Business

Disusun oleh:
Kelompok 6
MB-GAB-OIMICT-2
Andhika Nurrizky (1401190291)
Rr Asmarani Rahmadina (1401194096)
Anisa Lathofia (1401194196)
Gianola Kheistilara (1401194458)

MANAJEMEN BISNIS TELEKOMUNIKASI DAN INFORMATIKA

FAKULTAS EKONOMI DAN BISNIS
TELKOM UNIVERSITY
BANDUNG
2021
Discussion: Can you Identifiy Big Data in Autonomous Vehicle?
Big data berkontribusi dalam pengembangan dan pengoperasian Autonomous Vehicle. Big
Data memegang peran sangat penting dalam perkembangan teknologi ini. Secara umum
Autonomous Vehicle menggunakan proses:
1. Computer Vision/LiDAR
Computer vision adalah proses di mana serangkaian kamera saling terkoneksi untuk
memberikan gambaran terhadap keadaan sekitar dari subjek (mobil). Gambar atau video
yang dikirimkan dari kamera ini diproses oleh komputer dengan kemampuan machine
learning. Tugas dari komputer machine learning ini adalah membuat prediksi volume
(panjang,lebar,tinggi) dari 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. Kekurangan dari computer vision ini adalah walaupun
kamera bisa memberikan kekayaan 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.
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 menggunakan computer vision sebagai teknologi
utama yang dipakai fitur autopilot-nya walaupun ditunjang dengan sensor jarak yang
terpasang di body mobil.
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.

2. Sensor Fusion
Kamera yang terpasang tidak dapat memberikan data akurat mengenai jarak objek yang
ada di depannya. Sehingga 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.
Dengan berbagai sensor yang begitu banyak tertanam, maka tidak heran jika ternyata data
yg dikumpulkan mencapai 1 Gigabyte setiap detiknya. Atau dalam setahun dengan
pemakaian wajar, data yang dikumpulkan dapat mencapai 2 PetaByte. Data tersebut baru
data dari 1 mobil saja, sedangkan setiap kendaraan canggih tersebut dapat terhubung satu
sama lain.

3. Localization
Autonomous Vehicle juga perlu 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 yang 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.

4. Path Planning
Proses selanjutnya yang dilakukan 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 (suatu kejadian yang terjadi di luar kemampuan
manusia dan tidak dapat dihindarkan).
 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.

5. Control
Proses paling akhir adalah kontrol. Proses ini dilakukan oleh alat yang sering disebut
ECU. Teknologi ECU (Electronic Control Unit) di mobil konvensional ECU berfungsi untuk
penghematan bahan bakar, keamanan, serta kenyamanan berkendara. Di mobil self-driving
ECU dapat mengontrol kemudi hingga putaran penuh, mengerem, dan bahkan menginjak
pedal gas.

Pemanfaatan Big Data pada Autonomous Vehicle tidak lepas dari karakteristik Big Data the
5th V (Volume, Variety, Veracity, Velocity, Value).
● Volume
Volume mengacu pada sejumlah big data yang dihasilkan setiap detik yang dimana
jumlah datanya sangat besar. Volume (dalam hal volume data atau kumpulan data)
menggambarkan jumlah data yang tersedia. Jumlah ini ditentukan oleh luas dan kedalaman
data yang tersedia. Pada Autonomous Vehicle terdapat Sensor Fusion yang dapat
mengumpulkan mencapai 1 Gigabyte setiap detik untuk 1 mobil saja. Ini menandakan bahwa
karakteristik big data yaitu volume yang mengacu pada sejumlah big data yang dihasilkan
setiap detik ada pada Autonomous Vehicle. Karena meningkatnya penggunaan sensor dan
konektivitas objek yang semakin banyak, aliran data yang luas dihasilkan.

● Velocity
Velocity mengacu pada kecepatan di mana data baru yang dihasilkan dan kecepatan di
mana data yang bergerak di sekitar. Kecepatan kita memproses data lebih lambat dari pada
datangnya data. Big data memiliki karakteristik cepat sekali berubah baik dari sisi variabel
maupun tipe data. Dengan karakteristik ini, perlu sentuhan khusus dalam mengolah big data.
Sederhananya, velocity menggambarkan kecepatan di mana kumpulan data baru dibuat atau
yang sudah ada diperbarui, dianalisis bahkan dihapus. Saat ini, misalnya karena meningkatnya
penggunaan sensor yang banyak maka perubahan dapat direkam, didokumentasikan, dan, jika
perlu, dievaluasi secara waktu nyata.
 Pada Autonomous Vehicle proses computer vision ini dilakukan secara real time yang
tentunya membutuhkan kemampuan komputasi yang tinggi, disini karakteristik big data yaitu
velocity berperan karena velocity mengacu pada kecepatan di mana data baru yang dihasilkan
dan kecepatan dimana data yang bergerak.

● Variety
Variety mengacu pada berbagai jenis data yang dibutuhkan dan digunakan. Format data
beragam, terstruktur dan tidak terstruktur serta bergantung pada banyaknya sumber data. Data
bisa disebut sebagai big data jika memiliki karakteristik yang bermacam-macam dan tidak
homogen, tetapi memiliki banyak variabel dan beragam format data yang berbeda seperti data
terstruktur, sebagian dan tidak terstruktur serta foto dan video yang nantinya perlu diproses
dan dievaluasi.
Terdapat Computer Vision / LiDAR yang memberikan gambaran terhadap keadaan
sekitar dari mobil. Gambar atau video yang dikiriman dari kamera ini diproses oleh computer
dengan kemampuan machine learning. Tugas dari komputer machine learning ini adalah
membuat prediksi volume (panjang,lebar,tinggi) setiap objek yang tampak dalam gambar atau
video tersebut seperti mobil, pejalan kaki, rambu-rambu lalu lintas, dan sebagainya, ini
menandakan pada Autonomous vehicle terdapat karakteristik variety yang mengacu pada
berbagai jenis data mentah berupa audio, gambar, dan video dapat dipelajari dan menjadikan
autonomous vehicle ini mengenali setiap pergerakan pada jalan yang dilalui atau ia bisa
mengetahui di mana dia berada, apakah dia ada di jalan atau di halaman parkir.

● Veracity
Veracity mengacu pada kepercayaan dari data yang berarti penuh dengan kebenaran. Big
data memiliki kerentanan dari sisi keakuratan dan kevaliditasan sehingga memerlukan
kedalaman untuk menganalisis big data agar bisa menghasilkan keputusan yang tepat.
Kebenaran data ini pada dasarnya mengacu pada kualitas data dan sumber data yang tersedia.
Kualitas data dalam “kebenaran” dapat digambarkan dengan dimensi sebagai berikut:
- Kebenaran (dalam hal kebebasan dari kesalahan)
- Kelengkapan (dalam hal cakupan semua bidang yang relevan)
- Konsistensi (dalam hal kebebasan dari kontradiksi)
- Ketepatan waktu (dalam hal validitas data dari waktu ke waktu)
Didalam pengambilan keputusan yang real-time tersebut Autonomous Vehicle memiliki perintah
dan aturan yang harus jelas dan tidak ambigu. Maka agar data tersebut tidak mengalami bias,
kualitas data tersebut harus memenuhi kualifikasi “kebenaran” yang dapat digambarkan dengan
dimensi yaitu, kebenaran, kelengkapan, konsistensi, dan ketepatan waktu.

● Value
Value mengacu pada kemampuan kita mengubah data menjadi nilai. Seberapa besar
kemampuan memprediksi dan membuat model yang akurat. Nilai sebuah data menentukan
keputusan yang kita ambil setelah semua data diolah. Big data memiliki nilai yang sangat
tinggi apabila diolah dengan cara yang tepat guna. Hal ini juga mengacu pada relevansi data
yang berkaitan dengan aplikasi tertentu. Relevansi dan interaksi kriteria ini akan diilustrasikan
oleh mobil yang didukung AI.
Ketika berkendara, mobil yang terhubung menghasilkan volume data sekitar. 25 gigabyte
per jam (volume). Data ini dibuat dan diubah secara real-time dan sebagian harus diproses
secara real-time juga (kecepatan). Sebuah mobil yang mengemudi secara otonom/self-driving
harus secara bersamaan mengevaluasi data tentang cuaca, informasi lalu lintas yang datang
atau saat ini, kondisi jalan, tujuan, dan banyak lagi. Dalam mengevaluasi data, Autonomous
Vehicle membuat keputusan dari data yang telah lolos kualifikasi “kebenaran”. Apabila data
tersebut tidak lolos maka, data tersebut menjadi tidak bernilai dan tidak mempengaruhi
keputusan dari Autonomous Vehicle.