Penulis: cakHP (Heru Prabowo)

Bangsa Indonesia jago survival — mengakali, menambal, menghindar — tetapi gagal membangun machine-enabled society yang memproduksi teknologi, bukan sekadar mengimpor atau merakit.

 

I. Bangsa yang Selalu Hampir Maju

Kita negara yang aneh.

Setiap kali dunia berubah, Indonesia hampir ikut naik kelas. Hampir jadi pusat manufaktur Asia Tenggara. Hampir memimpin hilirisasi nikel. Hampir menjadi pemain EV. Hampir mandiri pangan. Hampir menguasai logistik Laut Nusantara. Hampir membangun industri pertahanan modern.

“Hampir” ini bukan kebetulan. Ia adalah pola budaya. Kita bangsa yang pintar bertahan hidup, tetapi tidak pernah membangun mesin — baik mesin dalam arti literal (industri, manufaktur, teknologi), maupun simbolik (institusi, standar, protokol, sistem insentif).

Makanya, dalam setiap krisis, rakyat Indonesia bisa hidup dengan kreativitas ekstrem:

warung buka satu jam setelah bencana,

UMKM muncul besok paginya,

logistik informal bekerja lebih cepat dari BNPB.

Tetapi ketika harus membuat teknologi tingkat industri:

turbin, mesin presisi, chip desain,

modul baterai efisiensi tinggi, atau

sekadar jembatan baja modular standar nasional, kita gagap. Dan hari ini dunia tidak menunggu kita.

Dekade 2025–2035 adalah dekade terakhir sebelum peta industri global mengeras. Yang siap — Vietnam, India, Meksiko, Turki — mengambil porsi terbesar. Yang lambat, tersingkir jadi mineral supplier. Indonesia ada di tengah persimpangan itu. Dan arah kita tidak meyakinkan.

 

II. Analisis Antropologis Modern: Mengapa Kita Tidak Bisa Membuat Mesin

Indonesia tidak kekurangan orang pintar.

Yang kurang adalah arah budaya produksi. Mari gunakan kerangka antropologi modern (bukan Hofstede yang sudah usang), terutama anthropology of technology, political economy of innovation, dan cultural tightness–looseness theory.

1. Kita adalah survival culture, bukan production culture

Dalam riset psikologi budaya terbaru, masyarakat yang tumbuh di lingkungan serba tidak pasti mengembangkan improvisation-first mindset: pola pikir mengakali situasi, bukan membuat sistem jangka panjang. [^1]

Ciri-cirinya jelas:

jago “problem solving instan”

buruk dalam membuat standard operating procedure

unggul informalitas

lemah dalam process control

sangat adaptif

tidak membangun path dependency institusional.

Ini cocok untuk pedagang kaki lima, tapi fatal untuk industri mesin, baterai, semikonduktor, dan rantai pasok presisi.

2. Kita terjebak dalam improvisation trap

Improvisasi membuat kita bertahan hidup, tetapi tidak pernah naik kelas.

Karena:

improvisasi membuat institusi formal tidak berkembang

improvisasi memberi ilusi “pintar”

improvisasi menghasilkan kebijakan ad-hoc

improvisasi menghancurkan learning curve teknologi.

Saat Vietnam membangun manufacturing discipline sejak 2010, kita masih sibuk mencari “jalur cepat”.

Saat India berinvestasi belasan miliar dolar dalam electronics clusters, kita negosiasi export relaxation untuk smelter yang belum siap. [^2]

3. Tight culture dalam moral, loose culture dalam produksi

Penelitian Michele Gelfand menunjukkan bahwa negara yang longgar (loose) adaptif, tetapi buruk dalam risiko dan disiplin teknis. [^3]

Indonesia unik:

kita tight dalam moral sosial, tetapi loose dalam produksi.

urusan pakaian bisa ribut nasional

tetapi toleransi terhadap deviasi standar konstruksi sangat tinggi

urusan simbolik heboh

urusan audit proses manufaktur longgar.

Hasilnya: kita hebat membuat narasi nasional, tetapi kalah membuat mesin nasional.

4. Path dependency kita tidak industrial

Negara industri membangun jalur kebiasaan jangka panjang:

standarisasi → akumulasi pengalaman → inovasi bertahap → skala.

Indonesia selalu memutus jalur itu.

Contoh paling gamblang: kebijakan hilirisasi nikel 2014–2024.

Kita mengubah regulasi setiap 12–18 bulan. [^4]

Tidak ada policy path yang cukup panjang untuk membentuk industri baterai.

Tidak ada institutional memory.

5. Negara cenderung jadi “perantara politik”, bukan “platform produksi”

Institusi kita bekerja sebagai perantara:

izin

rente

konsesi

proyek APBN

kemudahan impor

proteksi pasar.

Bukan sebagai platform produksi nasional:

pusat R&D

biro standar

laboratorium uji nasional

ekosistem manufaktur.

Kita membangun “pos penjagaan”, bukan “mesin negara”.

.

III. Rekomendasi Radikal: Apa yang Harus Diubah Sekarang

Jika Indonesia ingin keluar dari kutukan “bangsa pintar bertahan hidup tetapi bodoh bikin mesin”, kita perlu perubahan radikal — bukan kosmetik.

A. Paksakan Standarisasi Nasional: 10 Produk Inti

Pilih 10 produk sebagai tulang punggung industri Nusantara, misalnya :

1. jembatan baja modular standar

2. baterai sel LFP & NMC

3. motor listrik

4. panel surya presisi

5. modul logistik pelayaran

6. alat kesehatan dasar

7. mesin pertanian

8. drone sipil & militer

9. sistem penyimpanan energi

10. bahan bakar bio-synthetic.

Lalu wajibkan satu standar nasional, seperti Jepang pada 1950–1970.

Setiap produk: satu platform teknologi, banyak produsen.

Bukan 1000 merk, 0 standar.

B. Reformasi radikal ekosistem teknologi:

Audit semua laboratorium teknologi: tutup 30% yang tidak efektif

Gabungkan riset BRIN - PTN yang redundan

Wajibkan Technology Readiness Level (TRL) minimum untuk semua proposal

Jadikan pembelian pemerintah sebagai industrial policy yang jelas

Larang impor barang yang sudah punya substitusi nasional (dengan tenggat rasional).

C. Nasionalisasi path dependency

Buat 15-year non-negotiable policy track:

hilirisasi baterai

industri kelistrikan EV

manufaktur agritech

logistik maritim

sistem pertahanan berbasis drone

industri AI + chip desain (level menengah).

Regulasi tidak boleh berubah kecuali force majeure.

Ini yang Vietnam lakukan dengan kemitraan FDI Korea selama 15 tahun. [^5]

D. Jadikan BUMN sebagai anchor firm, bukan monopoli malas

BUMN harus menjadi “mesin pembentuk peluang”, bukan “administrator rente”.

BUMN logistik memaksa standardisasi kontainer Nusantara

BUMN energi mewajibkan local content yang realistis, tapi konsisten

BUMN konstruksi menggunakan jembatan modular standar

BUMN pertahanan melakukan forced joint development, bukan sekadar offset

E. Revolusi pendidikan teknologi

Kita tidak butuh lebih banyak sarjana manajemen.

Kita butuh:

60.000 teknisi mekatronik baru per tahun

politeknik dengan dual system seperti Jerman

maker culture yang terpusat, bukan festival insidental

insentif besar untuk non-degree engineering pathways.

F. Ubahlah cara negara memandang inovasi

Inovasi bukan “acara expo”.

Inovasi adalah:

struktur insentif

disiplin teknis

akumulasi pengalaman

skala produksi

learning curve.

Jika tidak mengubah logika negara, kita akan terus kalah dari Vietnam — yang kini sudah menyalip Indonesia di ekspor elektronik. [^6]

.

IV. Horizon Peradaban: Indonesia sebagai Mesin Produksi, Bukan Pasar

Bayangkan Indonesia 2045. Bukan yang sering dipasang di slide PowerPoint kementerian. Indonesia 2045 yang rasional adalah ini:

45% ekspor berasal dari barang manufaktur presisi

30% energi disimpan dalam baterai buatan domestik

5 juta motor listrik dibuat di Jawa–Sumatra

logistik laut Nusantara standar seperti Jepang 1980

industri pangan memproduksi surplus berbasis mesin

sistem pertahanan berbasis drone & AI

70% jembatan pedesaan memakai modular standar nasional

2 juta teknisi mekatronik membentuk kelas menengah baru.

Ini bukan mimpi — ini

pilihan kebijakan. Atau, skenario lain:  Indonesia menjadi negara 270 juta penduduk yang bergantung pada impor mesin, sementara kita mengekspor nikel murah, tenaga kerja kasar, dan konten Tiktok.

Dua masa depan itu ditentukan oleh pertanyaan sederhana: apakah kita mau berhenti jadi bangsa yang hanya pintar bertahan hidup, dan mulai membangun mesin?

 

KOSAKATA PENTING

Survival Culture

Budaya yang terbentuk oleh lingkungan tidak pasti, menyebabkan masyarakat mengandalkan improvisasi, bukan sistem.

Production Culture

Budaya yang menekankan standar, disiplin proses, dan pembangunan mesin fisik maupun institusional.

Improvisation Trap

Ketika kemampuan mengakali masalah menghambat perkembangan institusi dan disiplin produksi.

Path Dependency

Jalur kebiasaan jangka panjang yang membentuk kemampuan industri suatu bangsa.

Tight–Loose Culture Theory

Kerangka antropologi tentang kedisiplinan norma sosial dan fleksibilitas menghadapi ketidakpastian.

WEIRD

Western, Educated, Industrialized, Rich, Democratic — kategori masyarakat dalam psikologi budaya yang berbeda secara struktural dari Indonesia.

.

ENDNOTES

[^1]: Henrich, J. (2020). The WEIRDest People in the World.

[^2]: Kementerian ESDM, Laporan Minerba 2023–2024.

[^3]: Gelfand, M. (2018). Rule Makers, Rule Breakers.

[^4]: Kompilasi regulasi hilirisasi 2014–2024, ESDM–BKPM.

[^5]: Vietnam–Korea Industrial Cooperation Report 2023.

[^6]: UNCTAD, Handbook of Statistics 2024.

.

PUSTAKA BACA

Gelfand, M. (2018). Rule Makers, Rule Breakers: How Tight and Loose Cultures Wire Our World. Scribner.

Henrich, J. (2020). The WEIRDest People in the World: How the West Became Psychologically Peculiar and Particularly Prosperous. Farrar, Straus and Giroux.

Kementerian Energi dan Sumber Daya Mineral. (2024). Laporan Kinerja Subsektor Minerba.

UNCTAD. (2024). Handbook of Statistics. United Nations.

World Bank. (2023). Vietnam Manufacturing and FDI Deepening Report.

Mengapa Temuan Ini Penting untuk Kebijakan?

Berdasarkan studi dalam Heliyon (2024) mengenai adopsi Internet of Things (IoT) di industri konstruksi Malaysia, artikel ini merangkum pentingnya temuan tersebut bagi kebijakan publik, implementasi lapangan, serta peluang dan tantangan menuju transformasi digital konstruksi modern. Studi ini memuat analisis terhadap lebih dari 150 profesional konstruksi lintas profesi—insinyur, arsitek, QS, manajer proyek, dan M&E—yang memberikan gambaran detail tentang bagaimana IoT mulai membentuk masa depan industri konstruksi.

Transformasi digital industri konstruksi, terutama melalui IoT, merupakan salah satu pilar penting menuju efisiensi, keselamatan, dan keberlanjutan. Temuan riset ini memberikan dasar kuat untuk kebijakan karena:

• IoT terbukti meningkatkan integrasi proses dan efisiensi proyek.

  Studi menemukan bahwa indikator integrasi dan interoperabilitas IoT memiliki reliabilitas tinggi (CA: 0.76; CR: 0.801) — menunjukkan konsistensi implementasi di lapangan.

• Kesiapan SDM dan organisasi cukup tinggi.

  95% responden menyatakan memahami teknologi digital, terutama IoT. Ini berarti pemerintah tinggal memperkuat kebijakan standardisasi dan advokasi.

• IoT terbukti berperan penting dalam manajemen sumber daya.

  Analisis prediktif $Q^2$ menunjukkan kemampuan IoT dalam memprediksi hasil manajemen proyek yang lebih baik, sehingga menjadi dasar kuat untuk wajib implementasi pada proyek besar.

Kombinasi ini menegaskan perlunya kebijakan yang lebih agresif untuk mendorong digitalisasi konstruksi.

Implementasi di Lapangan: Dampak, Hambatan, dan Peluang

Dampak Implementasi IoT

Mengacu pada data empiris:

• IoT meningkatkan pengawasan proyek, efisiensi operasional, dan transparansi.

• Monitoring berbasis sensor membantu mengontrol penggunaan material dan mengurangi pemborosan.

• Sistem IoT juga memperbaiki dokumentasi proyek dan mengurangi risiko kesalahan manusia.

Hal ini menandai perubahan besar dari pendekatan manual menuju otomasi cerdas.

Hambatan Implementasi

Walaupun potensinya besar, industri konstruksi masih menghadapi hambatan berikut:

• Kurangnya integrasi dan interoperabilitas antar platform. Banyak perangkat IoT belum mengikuti standar kompatibilitas yang seragam.

• Resistensi budaya organisasi. Sebagian perusahaan masih bergantung pada metode tradisional.

• Keterbatasan infrastruktur digital. Termasuk konektivitas di area proyek, kapasitas penyimpanan data, dan keamanan siber.

• Kurangnya kebijakan standar nasional untuk penerapan IoT di proyek pemerintah maupun swasta.

Peluang Implementasi

Beberapa peluang besar yang muncul:

• Automasi penuh rantai pasokan konstruksi melalui sensor-sensor material.

• Smart safety system untuk memantau risiko dan keselamatan pekerja secara real-time.

• Smart contract berbasis blockchain yang terhubung IoT untuk meminimalkan konflik dan korupsi.

• Prediksi kegagalan struktur dan peralatan menggunakan data IoT jangka panjang.

Semua potensi ini sangat mungkin diwujudkan di Asia Tenggara dengan dukungan kebijakan yang tepat.

5 Rekomendasi Kebijakan Praktis

1. Standardisasi Nasional IoT untuk Konstruksi

   Menetapkan standar interoperabilitas, keamanan data, dan kualitas perangkat.

2. Subsidi Teknologi atau Insentif Pajak

   Untuk mendorong kontraktor kecil-menengah mengadopsi IoT.

3. Program Pelatihan Nasional untuk SDM Konstruksi

   Menargetkan teknisi, insinyur, mandor, dan manajer proyek. (Tautan diarahkan ke kursus terkait digital engineering dan manajemen data: Big Data Analytics: Data Visualization and Data Science).

4. Integrasi IoT sebagai Syarat Wajib Proyek Pemerintah

   Untuk memperbaiki monitoring, akuntabilitas, dan efisiensi.

5. Membangun Ekosistem Data Konstruksi Terpusat

   Agar data IoT terintegrasi dalam sistem nasional seperti BIM 4.0. (Tautan diarahkan ke kursus terkait manajemen proyek yang relevan: Manajemen Konstruksi dan Infrastruktur).

Kritik terhadap Potensi Kegagalan Kebijakan

Tanpa langkah strategis, beberapa risiko besar dapat muncul:

• IoT hanya menjadi tren tanpa implementasi nyata akibat minimnya standar.

• Ketimpangan antara perusahaan besar dan kecil dalam akses teknologi.

• Kegagalan keamanan siber yang justru menambah risiko proyek.

• Pengumpulan data tanpa analisis, sehingga manfaat tidak tercapai.

• SDM tidak siap, menyebabkan teknologi mahal menjadi sia-sia.

Kritik ini penting agar pemerintah tidak hanya fokus pada adopsi, tetapi juga kesiapan infrastruktur ekosistem.

Penutup

Studi ini menunjukkan bahwa IoT memiliki peran besar dalam membentuk masa depan industri konstruksi yang lebih efisien, aman, dan terintegrasi. Dengan kesiapan SDM yang cukup tinggi dan hasil empiris yang mendukung, kebijakan nasional harus mengambil langkah progresif untuk memperluas implementasi IoT secara merata.

Transformasi digital bukan lagi pilihan, tetapi kebutuhan. IoT adalah fondasi yang dapat mempercepat pertumbuhan sektor konstruksi dan meningkatkan daya saing nasional.

Sumber

Vijayakumar, A., Mahmood, M. N., Gurmu, A., Kamardeen, I., & Alam, S. (2024).
Adoption of Internet of Things (IoT) in the Construction Industry: Assessing Integration, Interoperability and Readiness Using PLS-SEM.

Pertama, mari kita sepakati: jalanan kita saat ini bodoh. Sistem keselamatan mobil kita, secanggih apa pun, pada dasarnya reaktif. Mereka punya sensor, tapi mereka bereaksi terhadap apa yang sudah terjadi. Rem darurat otomatis baru bekerja setelah seorang anak berlari ke jalan.

Masalahnya, seperti yang dijabarkan di bagian "Motivation" paper ini, dunia tidak memberi kita kemewahan waktu.   

Para peneliti menyoroti statistik suram dari World Health Organization: 27% dari 1,24 juta korban jiwa lalu lintas di seluruh dunia adalah VRU. Di Jerman, tempat penelitian ini berasal, 69% kecelakaan fatal terjadi di perkotaan, terutama di persimpangan.   

Mengapa persimpangan begitu mematikan? Para peneliti menunjuk dua alasan yang sangat manusiawi:

1. Oklusi (Occlusions): Sederhananya, titik buta. Mobil Anda tidak bisa melihat anak yang berlari dari balik bus yang sedang parkir atau pesepeda yang terhalang truk.   

2. Ketidakpastian (Unpredictability): Ini yang paling penting. Pejalan kaki dan pesepeda bisa "secara tiba-tiba memulai gerakan atau mengubah arah" dalam "beberapa ratus milidetik".   

Sistem reaktif gagal total menghadapi dua masalah ini. Saat sensor mobil Anda akhirnya melihat anak yang keluar dari balik bus (memecahkan oklusi), Anda mungkin sudah tidak punya waktu "beberapa ratus milidetik" itu untuk bereaksi.

Di sinilah letak lompatan konseptual besar dari paper ini. Solusinya tidak bisa reaktif; ia harus prediktif. Kita tidak perlu mendeteksi gerakan pejalan kaki; kita perlu mendeteksi niat mereka untuk bergerak.

Saat Mobil, Lampu Lalu Lintas, dan Ponsel Anda Mulai Berbisik

Jadi, bagaimana cara Anda memprediksi niat? Anda tidak bisa memasang satu kamera super di setiap mobil dan berharap selesai. Masalah oklusi tetap ada.

Solusi brilian yang diusulkan paper ini adalah: "Collective Intelligence" (CI) atau Kecerdasan Kolektif.   

Lupakan ide tentang satu mobil super-jenius ala Tesla yang berjuang sendirian. Bayangkan satu mobil adalah satu neuron. Sendirian, dia tidak terlalu pintar. Dia hanya bisa melihat apa yang ada tepat di depannya. Tapi paper ini mengusulkan untuk menghubungkan semua neuron di persimpangan.

Siapa "agen" dalam jaringan kecerdasan kolektif ini?    

1. Kendaraan Cerdas: Mobil Anda, mobil di sebelah Anda, bus di depan Anda.

2. Infrastruktur: Ini adalah pengubah permainan. Kamera di lampu lalu lintas, pemindai laser yang dipasang di sudut jalan.

3. VRU Sendiri: Dan ini bagian yang paling menarik. Smartphone Anda, smartwatch Anda, atau sensor yang Anda pakai.

Tiba-tiba, masalah oklusi mulai terpecahkan. Mobil Anda tidak bisa melihat pesepeda di balik bus. Tapi, kamera di tiang lampu lalu lintas bisa melihatnya. Dan smartphone di saku si pesepeda tahu dari akselerometernya bahwa dia sedang bergerak.   

Ketika semua agen ini "berbisik" satu sama lain melalui jaringan ad hoc , mereka menciptakan apa yang disebut paper ini sebagai "Global Vision" atau pandangan-dewa dari persimpangan. Tujuannya adalah untuk "memperluas cakrawala persepsi" setiap agen individu melampaui sensor mereka sendiri.   

Sistem "agen" heterogen yang saling berbicara dan berbagi data ini adalah definisi buku teks dari(https://diklatkerja.com/course/internet-of-things-basic). Ini bukan lagi kulkas pintar yang memesan susu; ini adalah infrastruktur yang saling terhubung yang dirancang untuk menyelamatkan nyawa.   

Paper Ini Tidak Sedang Memprediksi Ke Mana Anda Pergi, Tapi Bagaimana Anda Akan Pergi

Di sinilah letak inti teknis dari paper ini, dan bagian yang paling membuat saya terkesan. Oke, sistemnya bisa "melihat" semua orang. Terus? Bagaimana itu membedakannya dari sistem pengawasan biasa?

Jawabannya: sistem ini tidak hanya melacak titik. Ia mencoba membaca pikiran.

Para peneliti membagi "Intention Detection" menjadi dua lapisan yang berbeda namun saling berhubungan.   

H3: Lapisan Niat Pertama: Prediksi Gerakan Dasar (The 'Vibe')

Ini adalah "getaran" atau "bahasa tubuh" dari seorang VRU. Secara teknis, mereka menyebutnya "Basic Movement Primitive Prediction".   

Sistem ini tidak hanya melihat "objek pejalan kaki". Ia dilatih menggunakan machine learning untuk mengenali perbedaan halus antara:

• Seseorang yang "berdiri" (mungkin menunggu bus).

• Seseorang yang "berdiri-dan-akan-berjalan" (misalnya, ada pergeseran berat badan, kepala menoleh berulang kali ke arah lalu lintas).

• Seorang pesepeda yang "mengayuh stabil".

• Seorang pesepeda yang "melambat untuk berhenti".

• Seorang pesepeda yang "melambat-sambil-menoleh-ke-belakang-untuk-berbelok".   

Sistem ini bahkan dilatih untuk mengenali gestur, seperti "mengangkat lengan untuk memberi tanda belok". Ini adalah deteksi transisi keadaan. Ini adalah psikologinya.   

H3: Lapisan Niat Kedua: Ramalan Lintasan (The 'Physics')

Setelah, dan hanya setelah, sistem memahami niat ("dia akan berbelok"), barulah ia bisa memprediksi jalur fisiknya secara akurat.

Ini disebut "Forecast of the future trajectory". Ini adalah ramalan fisika murni: ke mana titik-titik di tubuh orang itu (kepala, pusat gravitasi, persendian) akan bergerak dalam ruang 3D selama 1-3 detik ke depan.   

Mengapa memisahkan keduanya adalah sebuah terobosan?

Karena model-model lama (yang disebut di paper seperti Bayesian recursive state estimator ) gagal total karena mereka hanya melakukan Lapisan 2 (Prediksi Lintasan). Mereka melihat pejalan kaki dan pada dasarnya mengasumsikan dia akan terus berjalan lurus seperti robot. Begitu pejalan kaki itu tiba-tiba berubah pikiran, model itu hancur.   

Paper ini menyatakan bahwa Lapisan 1 ("Prediksi Gerakan Dasar") harus menginformasikan Lapisan 2 ("Ramalan Lintasan").   

Bayangkan skenario ini: Sistem melihat seorang pesepeda melambat.

• Model Lama (Hanya Fisika): "Dia melambat. Data historis mengatakan 90% orang yang melambat akan berhenti. Prediksi saya: dia akan berhenti di tepi jalan."

• Model Baru (Niat + Fisika): Lapisan 1 mendeteksi "lengan terangkat untuk memberi tanda belok". Sistem langsung berpikir, "Aha! Dia bukan berhenti, dia bersiap berbelok." Sistem kemudian mengabaikan model prediksi "berhenti" dan beralih ke model prediksi "berbelok".   

Inilah lompatan besar dalam keandalan.

Di Dapur Para Insinyur: Cara Mereka Menggabungkan Gosip Digital Ini

Oke, jadi mobil, kamera, dan ponsel semuanya "berbisik" dalam jaringan. Tapi bagaimana "otak" kolektif mendengarkan semua gosip ini dan mengambil satu keputusan yang koheren? Ini adalah masalah fusi data.

Para peneliti mengusulkan arsitektur (di Gambar 3) yang memungkinkan dua strategi fusi yang berbeda (di Gambar 4). Saya akan menjelaskannya dengan analogi.   

H3: Metode 1: 'Tim Detektif' (Feature-level Fusion)

Ini adalah sisi kiri dari Gambar 4 di paper.   

• Analogi: Bayangkan sebuah tim detektif yang menyelidiki sebuah kasus. Setiap "agen" (mobil, kamera) tidak membuat kesimpulan. Mereka hanya mengumpulkan petunjuk mentah (disebut "fitur").

  • Mobil: "Saya melihat bentuk kabur bergerak dengan kecepatan 10 km/jam."

  • Kamera: "Saya melihat warna merah dan dua lingkaran berputar (roda sepeda)."

  • Ponsel: "Saya mendeteksi guncangan dari akselerometer yang konsisten dengan 'mengayuh'."

• Semua "fitur" mentah ini dikirim ke satu "detektif kepala" (sistem fusi pusat) yang melihat semua petunjuk bersama-sama dan baru membuat satu kesimpulan: "Itu adalah pesepeda yang sedang mengayuh."

• Pro/Kontra: Ini berpotensi sangat akurat karena detektif kepala melihat gambaran lengkapnya. Tapi, ini sangat boros bandwidth (mengirim banyak data mentah) dan bisa jadi lambat.

H3: Metode 2: 'Panel Ahli' (Decision-level Fusion)

Ini adalah sisi kanan dari Gambar 4.   

• Analogi: Bayangkan sebuah panel ahli. Setiap "agen" adalah ahli yang cerdas. Mereka melihat semua data sendiri dan membuat kesimpulan mereka sendiri terlebih dahulu.

  • Mobil: "Setelah analisis saya, saya 80% yakin itu pesepeda yang akan lurus."

  • Kamera: "Saya 95% yakin itu pesepeda yang akan belok kiri."

  • Ponsel: "Saya 70% yakin itu pesepeda yang akan lurus."

• Mereka lalu mengirimkan keputusan mereka (bukan data mentah) ke "moderator" (sistem fusi) yang pada dasarnya melakukan voting (mungkin dengan bobot, berdasarkan seberapa "yakin" si ahli) untuk membuat keputusan akhir.   

• Pro/Kontra: Ini jauh lebih cepat dan sangat hemat bandwidth (hanya mengirim pesan "80% yakin"). Tapi, ada risiko kehilangan nuansa penting yang ada di data mentah.

Bagian yang cerdas adalah paper ini tidak memilih satu. Arsitektur mereka  dirancang untuk mendukung keduanya. Ini berarti sistem dapat beradaptasi. Dalam situasi lalu lintas yang sepi, ia bisa menggunakan "Tim Detektif" yang lambat tapi akurat. Di persimpangan yang kacau balau saat jam sibuk, ia bisa beralih ke "Panel Ahli" yang cepat untuk keputusan real-time.   

Seluruh proses ini—mengambil data mentah (fitur), melatih model untuk mengenalinya (menggunakan teknik seperti Histogram of Oriented Gradients (HOG) , Support Vector Machines (SVMs), dan Artificial Neural Networks (ANNs) )—adalah inti dari Artificial Intelligence dan(https://diklatkerja.com/course/big-data-dan-artificial-intelligence). Ini adalah salah satu aplikasi dunia nyata paling keren dari konsep-konsep tersebut yang pernah saya baca.   

Poin-Poin Penting yang Harus Anda Ingat (Versi Cepat)

Paper ini adalah proposal arsitektur, jadi tidak ada hasil bombastis seperti "62% lebih efisien". Fokusnya adalah pada visi dan inovasi metodologi.   

• 🚀 Visinya Luar Biasa: Kita bergeser dari paradigma "mobil otonom tunggal" (setiap mobil adalah benteng yang berjuang sendiri) ke "ekosistem otonom kolaboratif" (setiap mobil, tiang lampu, dan pejalan kaki adalah rekan satu tim).

• 🧠 Inovasi Utamanya: Memecahkan masalah "oklusi" (titik buta) dengan sensor fusion. Mobil Anda tidak perlu melihat Anda untuk tahu Anda ada di sana, karena infrastruktur dan ponsel Anda sudah memberitahunya.   

• 💡 Pelajaran Buat Saya: Solusi terbaik untuk masalah yang kompleks seringkali bukan satu agen super-pintar, tapi banyak agen "cukup pintar" yang mau berkolaborasi dan berbagi data. Itulah inti dari "Collective Intelligence".   

• 🤯 Konsep Kunci: Memisahkan niat psikologis ("basic movement primitive") dari aksi fisik ("trajectory forecast"). Ini adalah kunci untuk prediksi yang benar-benar andal.   

Sebuah Kritik Halus: Apa yang (Sengaja?) Dilewatkan oleh Paper Ini

Meskipun saya menyukai visi ini, ada beberapa hal yang membuat saya mengernyitkan dahi. Ini adalah pertanyaan-pertanyaan yang—menurut saya—tidak dijawab oleh paper ini.

H3: Masalah Kesenjangan Digital (The Digital Divide)

Seluruh arsitektur yang agung ini (digambarkan di Gambar 3) memiliki tiga pilar: Mobil, Infrastruktur, dan "Body" (sensor yang dipakai VRU). Pilar "Body" ini bergantung pada "VRU yang dilengkapi dengan perangkat pintar".   

Mari kita pikirkan sejenak. Siapa VRU yang paling rentan di jalanan? Seringkali anak-anak yang berlari mengejar bola, lansia, atau tunawisma. Mereka adalah kelompok yang paling tidak mungkin membawa smartphone atau smartwatch terbaru yang menjalankan aplikasi pelacakan ini.

Apakah sistem ini secara tidak sengaja menciptakan "kasta" keselamatan di jalan? Di mana mereka yang kaya dan memiliki teknologi terbaru menjadi "terlihat" dan dilindungi oleh sistem, sementara mereka yang tidak mampu membelinya menjadi semakin tidak terlihat dan rentan? Paper ini tidak membahas bias sosio-ekonomi yang sangat nyata ini.

H3: Masalah Ketergantungan dan Akurasi

Paper ini dengan jujur mengakui di bagian akhir bahwa data dari sensor yang dipakai di tubuh (ponsel) "jauh kurang akurat mengenai penentuan posisi absolut" dibandingkan, katakanlah, video dari kamera infrastruktur.   

Mereka lalu mengatakan ini tidak apa-apa karena (1) informasi yang tidak akurat pun lebih baik daripada tidak ada informasi sama sekali (terutama saat terhalang) dan (2) "sistem sensor di perangkat seluler akan terus ditingkatkan".   

Alasan kedua itu, terus terang, adalah sedikit hand-waving—mengandalkan teknologi masa depan untuk memperbaiki masalah desain hari ini. Menggantungkan sistem keselamatan real-time yang kritis pada akurasi GPS ponsel yang terkenal buruk di "hutan kota" (dikelilingi gedung tinggi) terasa sangat berisiko bagi saya.

H3: Masalah Privasi dan Komunikasi

Mari kita bahas gajah di dalam ruangan. Smartphone saya akan terus-menerus menyiarkan "niat" saya—pergerakan dasar saya, ke mana saya melihat, prediksi ke mana saya akan melangkah—ke setiap mobil dan infrastruktur di sekitar saya?

Siapa yang memiliki data ini? Bagaimana data ini dianonimkan? Apa yang terjadi jika data ini diretas?

Secara teknis, paper ini hanya menyebutkan bahwa "strategi baru untuk jaringan ad hoc diusulkan". Ini adalah cara akademis untuk mengatakan, "Kami tahu ini masalah besar, tapi itu bukan fokus kami." Menciptakan jaringan on-the-fly yang stabil, aman, dan berlatensi sangat rendah antara puluhan agen yang bergerak (mobil, orang) di persimpangan yang kacau adalah tantangan teknik yang monumental. Paper ini mengidentifikasinya, tetapi tidak menyelesaikannya.   

Dampak Nyata yang Bisa Saya Terapkan Hari Ini (Bukan Cuma di Mobil)

Anda mungkin tidak sedang membangun mobil otonom. Saya juga tidak. Tapi prinsip-prinsip dalam paper ini sangat relevan dengan cara kita bekerja setiap hari.

Pelajaran 1: Hancurkan Silo Data Anda. Mobil yang sendirian di paper ini adalah "silo". Ia buta terhadap apa yang tidak bisa dilihatnya. Di kantor Anda, tim sales adalah "silo". Tim marketing adalah "silo". Tim produk adalah "silo". Mereka semua memiliki "oklusi" (titik buta). Visi "Collective Intelligence"  adalah tentang menciptakan fusi data. Bagaimana Anda bisa membuat data dari tim sales (umpan balik pelanggan) secara otomatis menginformasikan model tim marketing (target audiens)?   

Pelajaran 2: Debat 'Feature' vs. 'Decision' di Rapat Anda. Ingat analogi 'Tim Detektif' (feature-level) vs. 'Panel Ahli' (decision-level)?. Ini terjadi di setiap rapat yang pernah Anda hadiri. Apakah Anda ingin tim Anda membawa "data mentah" (fitur) ke rapat untuk dianalisis bersama? (Ini lambat, tapi mendalam). Atau Anda ingin setiap anggota tim datang dengan "keputusan" mereka yang sudah matang dan Anda tinggal melakukan voting? (Ini cepat, tapi dangkal). Keduanya adalah strategi yang valid, dan paper ini mengajarkan kita untuk bersikap fleksibel tentang kapan menggunakan yang mana.   

Mengelola semua bagian yang bergerak ini—data dari agen yang berbeda, tujuan yang saling bertentangan, timeline yang ketat, dan komunikasi antar tim—pada dasarnya adalah inti dari Project Management. Paper ini, pada intinya, adalah proposal untuk sistem manajemen proyek yang sangat canggih untuk keselamatan lalu lintas.   

Bayangkan kembali "tarian" canggung di persimpangan yang saya ceritakan di awal.

Sekarang bayangkan ini: Anda melangkah ke tepi trotoar. Bahkan sebelum kaki Anda meninggalkan trotoar, sistem "Collective Intelligence" ini telah mendeteksi pergeseran postur dan arah pandangan Anda. Ia mengklasifikasikan "gerakan dasar" Anda sebagai 'akan-menyeberang'.   

Secara instan, sistem ini memberi tahu setiap mobil dalam radius 100 meter bahwa niat Anda adalah 'akan-menyeberang'. Mobil yang mendekat tidak hanya "melihat" Anda sebagai objek. Ia memahami niat Anda. Tidak ada lagi tarian canggung. Tidak ada lagi ambiguitas.

Itu adalah dunia yang sedang dibangun oleh para peneliti ini. Ya, ini rumit. Ya, ini sedikit menyeramkan dari sisi privasi. Tapi ini juga sangat brilian.

Kalau kamu tertarik dengan ini, dan ingin ikut pusing-pusing seru bareng saya memikirkan detail teknisnya, coba baca paper aslinya. Ini bacaan yang padat, tapi sangat sepadan.

(https://doi.org/10.48550/arXiv.1809.03916)    

Perlombaan menuju mobil otonom Level 5 (sepenuhnya tanpa pengemudi)  telah menghabiskan miliaran dolar, namun paper ini menyoroti jurang pemisah antara ambisi teknologi dan kenyataan di lapangan.   

Dua Pertanyaan Sederhana yang Menghantui Para Insinyur

Para peneliti merumuskan dua pertanyaan yang tampak sederhana namun implikasinya masif :   

1. "Apa yang akan terjadi pada jalan kita jika mobil-mobil ini benar-benar ada di mana-mana?" (Apa dampak AV pada infrastruktur fisik?)

2. "Apa yang dibutuhkan mobil-mobil ini dari jalan kita agar tidak menabrak?" (Apa yang dibutuhkan AV dari infrastruktur untuk berkendara dengan aman?)

Pertanyaan ini menggeser beban. Selama ini kita bertanya, "Kapan Tesla akan cukup pintar?" Paper ini memaksa kita bertanya, "Kapan Departemen Pekerjaan Umum akan cukup siap?"

Yang Membuat Saya Terkejut: 13 Masalah yang Kita Anggap Remeh

Paper ini mengidentifikasi "tiga belas topik utama" infrastruktur fisik yang akan terdampak atau dibutuhkan oleh AV. Tiga belas!   

Membacanya terasa seperti daftar periksa renovasi rumah yang tidak pernah Anda pikirkan. Anda ingin dapur baru yang canggih (mobil AV), tetapi paper ini datang dan memberi tahu Anda bahwa pondasi Anda retak (permukaan jalan), pipa Anda bocor (drainase), dan kabel Anda bisa terbakar (marka jalan).

Ketiga belas topik itu mencakup segalanya, mulai dari desain geometri jalan, marka jalan, rambu lalu lintas, permukaan aspal, persimpangan, jembatan, terowongan, hingga hal sepele seperti lampu jalan dan got.   

Saya tidak akan membahas ketigabelasnya, tapi saya akan membagikan temuan-temuan paling mengejutkan yang membuat saya terdiam.

Perjalanan Menuruni "Lubang Kelinci" (Bagian 1: Jalan yang "Dapat Dibaca")

Kita lupa bahwa AV tidak melihat jalan seperti kita. Sensor mereka (kamera, Lidar) bukanlah mata manusia. Mereka adalah pembaca literal yang membutuhkan teks yang jelas, dan jalan kita saat ini penuh dengan "salah ketik".

Garis Putus-putus yang Menjadi Tali Penopang Hidup

Bayangkan Anda mengemudi di jalan yang marka lajurnya sudah pudar total. Anda mungkin akan sedikit melambat, tapi Anda masih bisa "menebak" di mana lajur Anda seharusnya berada berdasarkan lebar jalan atau alur kendaraan di depan.

AV tidak bisa "menebak".

Bagi sistem Lane Keeping Assist (LKA) yang ada di mobil kita saat ini (Level 1-2), marka jalan adalah "salah satu area penelitian paling menonjol" karena mereka sangat bergantung padanya untuk menentukan posisi. Paper ini menyoroti bahwa banyak kegagalan atau disengagements (saat AV menyerah dan meminta manusia mengambil alih) terjadi hanya karena marka jalan yang "buruk" atau "tidak konsisten".   

Masalahnya diperparah oleh hal yang kita anggap remeh: drainase (Topik 12). Drainase yang buruk menyebabkan genangan air yang menutupi marka. Lebih buruk lagi, di malam hari, pantulan lampu depan dari permukaan jalan yang basah ("high-intensity reflections") dapat "membutakan" sensor kamera, membuat mobil Anda buta sesaat.   

• Pelajaran: Drainase buruk -> Jalan basah -> Marka tak terlihat & Sensor silau -> AV gagal berfungsi.

Membaca Rambu yang Dibuat untuk Mata Manusia

AV menggunakan computer vision untuk membaca rambu lalu lintas (Topik 5). Tapi teknologi ini, menurut paper tersebut, "belum mencapai level yang diinginkan." Sistem ini masih menderita "false positives" (melihat rambu "Stop" padahal itu adalah iklan di bus) dan "false negatives" (melewatkan rambu batas kecepatan).   

Mengapa?

1. Variabilitas: Rambu di setiap negara (bahkan setiap kota) bisa berbeda bentuk, ukuran, atau warnanya. AI harus dilatih untuk setiap variasi.   

2. Rambu Digital (VMS): Rambu pesan elektronik di jalan tol seringkali sulit dibaca oleh kamera karena refresh rate dan teknologinya dirancang untuk mata manusia, bukan lensa kamera.   

Data yang paling mengejutkan: sebuah studi di Kroasia menemukan bahwa computer vision gagal mendeteksi 25% rambu kecepatan di jalan raya terpisah (divided roads). Bayangkan seperempat rambu batas kecepatan tidak terlihat oleh mobil Anda.   

Cahaya, Cahaya, dan "Kebisingan" Sisi Jalan

Ini bukan hanya tentang apa yang bisa dilihat, tapi seberapa jelas. Paper ini mengutip studi (Ye et al., 2021) yang menemukan bahwa kecelakaan AV di "pencahayaan buruk, bahkan dengan lampu jalan menyala" (Topik 11) menghasilkan "jumlah korban yang jauh lebih tinggi".   

Dan bukan hanya cahaya, tapi juga "kekacauan" visual. Bagi kita, pohon, semak, tempat sampah, dan halte bus (Topik 10) adalah latar belakang. Bagi AI, itu semua adalah "kebisingan" (noise). Paper itu menyatakan, "Semakin banyak objek seperti itu berarti lingkungan semakin kompleks" bagi AV untuk mengidentifikasi mana ancaman nyata (anak kecil berlari) dan mana yang bukan (daun berguguran).   

Implikasinya? Kita mungkin perlu "membersihkan" dan menyederhanakan lanskap kota kita hanya agar robot bisa bernavigasi.

Perjalanan (Bagian 2: Desain Fisik Jalan Kita)

Jika Bagian 1 adalah tentang bagaimana AV melihat, bagian ini adalah tentang bagaimana mereka merasakan dan berinteraksi dengan desain fisik jalan.

Ironi Presisi: Saat Mobil Pintar Merusak Jalannya Sendiri

Ini adalah temuan favorit saya, karena sangat ironis.

Coba perhatikan cara Anda mengemudi. Anda tidak pernah mengemudi di garis lurus yang sempurna di tengah lajur. Anda secara alami sedikit melayang ke kiri dan ke kanan. Ini disebut "wheel wander" (jejak roda yang berkelana).   

Ternyata, ketidaksempurnaan manusia ini baik untuk jalan. Itu menyebarkan beban kendaraan ke seluruh permukaan aspal, membuatnya lebih awet.

Masalahnya? AV (Topik 3) terlalu presisi. Mereka melacak di tepat tengah lajur, atau di jalur yang sama persis setiap saat. Ini menciptakan "beban berulang di titik yang sama" yang menyebabkan kelelahan material dan rutting (pembentukan alur di jalan) yang dipercepat.   

Satu studi (Zhou et al., 2019) yang dikutip paper ini memperkirakan bahwa presisi AV dapat "mempersingkat umur kelelahan perkerasan hingga 22% dan meningkatkan kedalaman alur hingga 30%".   

Solusi yang dibahas di paper ini? Sebuah paradoks indah: kita mungkin harus memprogram AV untuk "berkeliaran secara merata" di lajur—pada dasarnya, memprogram mereka untuk meniru ketidaksempurnaan manusia agar jalan kita selamat.   

Geometri Jalan yang Dibuat untuk Nenek, Bukan untuk Robot

Desain jalan kita saat ini (Topik 1)—seberapa tajam tikungan, seberapa curam bukit—didasarkan pada satu hal: Perception-Reaction Time (PRT) manusia. Rata-rata, kita butuh sekitar 2,5 detik untuk melihat bahaya dan menginjak rem.   

AV memiliki PRT super cepat (misalnya, 0,5 detik). Ini berarti Stopping Sight Distance (SSD) mereka jauh lebih pendek. Secara teori, ini adalah peluang: kita bisa membangun jalan baru di masa depan dengan tikungan lebih tajam dan tanjakan lebih curam, menghemat miliaran biaya konstruksi dan pembebasan lahan.   

Namun, untuk jalan yang sudah ada, desain lama ini justru berbahaya. Tikungan horizontal yang tajam dan puncak bukit (vertical crest curves) adalah mimpi buruk bagi AV Level 2 saat ini. Sensor mereka tidak bisa "melihat menembus" bukit atau "melihat mengitari" tikungan. Paper ini mencatat bahwa fungsi driver-assist seringkali mati mendadak (disengaged) di situasi ini, membuat pengemudi terkejut.   

Lajur yang Menyempit dan Bahu Jalan yang Tiba-tiba Menjadi Krusial

Ini adalah temuan lain yang berlawanan dengan intuisi saya.

• Mitos: AV sangat presisi, jadi kita bisa membuat "lebar lajur yang lebih sempit" (Topik 2).   

• Realitas: Ide ini populer. Bayangkan, kita bisa "memuat lajur tambahan" di jalan tol yang ada tanpa konstruksi baru. Di kota, ruang ekstra bisa untuk jalur sepeda. TETAPI, tes pada AV Level 2 saat ini menunjukkan sistem LKA cenderung gagal di lajur sempit (di bawah 2,75 meter). Ditambah lagi, "stabilitas posisi" setiap merek mobil sangat bervariasi.   

• Mitos: AV sangat aman, jadi kita tidak perlu bahu jalan.

• Realitas: Paper ini berargumen bahwa bahu jalan akan "lebih dibutuhkan dari sebelumnya".   

Mengapa? Untuk AV Level 3-4, ada konsep Operational Design Domain (ODD)—semacam "zona nyaman" di mana AV dirancang untuk bekerja (misalnya, jalan tol, cuaca cerah). Jika mobil menghadapi situasi di luar ODD—seperti badai salju mendadak atau zona konstruksi—ia harus menyerahkan kembali kendali ke manusia. Jika manusia tidak merespons (mungkin sedang tidur), mobil memerlukan "safe harbour" (pelabuhan aman) untuk berhenti darurat. Bahu jalan adalah pelabuhan itu.   

Ini berarti kita mungkin perlu menambah tempat pemberhentian darurat, terutama di jembatan atau terowongan yang tidak memiliki bahu jalan. Ini adalah tantangan Manajemen Infrastruktur yang masif.   

Perjalanan (Bagian 3: Kekacauan Manusiawi di Persimpangan)

Ini adalah bagian tersulit. Di sinilah logika biner AI bertemu dengan kekacauan tak terduga dari perilaku manusia dan struktur warisan.

Struktur Raksasa: Saat Iring-iringan Truk Pintar Menghancurkan Jembatan Tua

Platooning (iring-iringan) truk otonom adalah fitur efisiensi bahan bakar yang hebat. Tapi itu adalah mimpi buruk bagi insinyur sipil (Topik 8).

Desain jembatan saat ini mengasumsikan beban terdistribusi (kendaraan acak, menyebar). Platooning menciptakan beban terkonsentrasi yang ekstrem—beberapa truk super berat, berdekatan, tanpa "wheel wander"—yang "tidak dipertimbangkan" oleh standar desain jembatan saat ini.   

Implikasinya? Jembatan bentang panjang yang ada mungkin perlu "dihitung ulang secara struktural" atau bahkan "diperkuat". Di terowongan, masalahnya beda lagi: sinyal satelit (GPS) hilang, membuat penentuan posisi sulit, dan perubahan pencahayaan yang cepat di pintu masuk/keluar dapat "membutakan" sensor kamera.   

Anarki Bundaran yang Ditakuti AI

Persimpangan (Topik 6) adalah "situasi lalu lintas yang kompleks" dan mewakili "kemacetan". Ironisnya, di sinilah kecelakaan AV paling sering terjadi. Sebuah studi (Favarò et al., 2017) menemukan bahwa 89% kecelakaan AV yang dilaporkan (kebanyakan tabrakan dari belakang oleh manusia) terjadi di persimpangan.   

Para ahli terpecah. Beberapa percaya AV akan membuat bundaran lebih efisien. Namun, paper ini menyoroti bahwa persimpangan bersinyal (lampu merah/hijau) mungkin "lebih mudah ditangani oleh AV" karena lebih "deterministik" (perintah berhenti/jalan yang dapat diprediksi).   

Bundaran membutuhkan "negosiasi" sosial—kontak mata, anggukan kepala, membaca bahasa tubuh—yang sangat manusiawi. Algoritma lebih menyukai perintah biner "merah" atau "hijau".

Tantangan Terbesar: Kita (Pejalan Kaki)

Dan inilah hambatan terbesar: kita. Vulnerable Road Users (VRUs)—pejalan kaki, pengendara sepeda (Topik 9)—disebut sebagai "hambatan terbesar" bagi sistem penghindaran tabrakan.   

Masalahnya dua:

1. Deteksi: Paper ini mengutip studi (Combs et al., 2019) yang menemukan bahwa kamera saja (opsi termurah) hanya dapat mencegah <30% kematian pejalan kaki. Hanya kombinasi mahal (Kamera + Lidar + Radar) yang bisa mencapai >90%.   

2. Interaksi: Bagaimana AV berinteraksi dengan kita? Paper ini mengusulkan solusi radikal: mengganti zebra cross (yang ambigu dan butuh negosiasi) dengan perlintasan bersinyal (lampu pejalan kaki) yang "jauh lebih deterministik" untuk AV.   

Ini adalah poin besar. Kita mungkin harus mengubah tatanan kota kita—membuatnya kurang cair dan kurang spontan—hanya untuk mengakomodasi robot.

Ironi Parkir Valet Otonom yang Tidak Menemukan Sinyal

Terakhir, Automated Valet Parking (AVP) (Topik 7) terdengar hebat. Mobil mengantar Anda dan parkir sendiri.   

Masalahnya? Sebagian besar tempat parkir (terutama di perkotaan) ada di bawah tanah, di mana "sinyal GPS tidak kuat." Selain itu, tempat parkir ini sering dioperasikan secara pribadi dan "tidak menggunakan marka jalan standar," yang membingungkan sensor.   

Paper ini memprediksi kita tidak akan menghilangkan parkir, tapi memindahkannya. Kita akan membutuhkan "area pemuatan di tepi jalan yang diperluas" untuk pick-up dan drop-off (PUDO). Ruang tepi jalan akan menjadi komoditas yang "semakin berharga".   

Opini Pribadi Saya: Kita Tidak Hanya Membutuhkan Mobil yang Lebih Pintar

Membaca 13 topik ini seperti disiram air dingin. Paper ini, bagi saya, adalah dakwaan senyap terhadap mentalitas "Silicon Valley-sentris" dalam pengembangan AV. Para raksasa teknologi berlomba-lomba membuat AI yang sempurna, dengan asumsi dunia adalah lingkungan yang steril dan sempurna seperti di sandbox simulasi mereka.   

Kenyataannya, dunia nyata berantakan. Catnya pudar (Topik 4), aspalnya berlubang (Topik 3), drainasenya buruk (Topik 12), dan rambunya tertutup pohon (Topik 10).

Meski temuannya hebat, paper ini (sebagai review) hanya bisa merangkum masalah. Saya masih penasaran dengan solusi birokrasinya. Paper ini menyoroti (di bagian Kesimpulan) bahwa industri teknologi "seringkali enggan untuk berbagi apa yang mereka harapkan dari infrastruktur jalan" karena mereka "dalam persaingan serius".   

Ini gila.

Jadi, Departemen PU (disebut IOOs dalam paper) dibiarkan menebak-nebak. Standar apa yang harus mereka gunakan untuk mengecat marka? Seberapa terang lampu yang dibutuhkan? Haruskah mereka membangun bahu jalan atau lajur sempit? Kekacauan komunikasi ini adalah penghalang terbesar, bukan teknologinya.

Paper ini ditutup dengan peringatan tentang "equity gap" (kesenjangan keadilan). Jika kita tidak hati-hati, AV mungkin hanya akan berfungsi di lingkungan kaya yang baru dibangun dan terawat baik, sementara gagal di pusat kota yang lebih tua atau jalan pedesaan. Ini adalah resep untuk apartheid mobilitas.   

• 🚀 Hasilnya luar biasa: Paper ini membuktikan bahwa AV membutuhkan jalan yang dirawat dengan standar jauh lebih tinggi dari yang kita miliki saat ini.   

• 🧠 Inovasinya: Mengalihkan fokus dari AI di dalam mobil ke kualitas aspal, cat, dan drainase di luar mobil.   

• 💡 Pelajaran: Kita perlu berhenti bertanya, "Kapan mobil self-driving siap?" dan mulai bertanya, "Kapan jalan kita siap untuk mereka?".   

Jadi, Apa yang Bisa Saya Terapkan Hari Ini?

Jika Anda berpikir ini semua adalah masalah masa depan, Anda salah.

Masalah-masalah ini sudah terjadi sekarang. Sistem LKA dan driver-assist (Level 1-2) di mobil baru Anda sudah menghadapi masalah marka jalan yang pudar dan desain tikungan yang membingungkan. Ini adalah masalah Keselamatan Infrastruktur Jalan  saat ini, bukan besok.   

Tapi ada harapan, dan itu datang dari tempat yang tidak terduga.

Paper ini menyoroti (Topik 13) bahwa AV di masa depan dapat menjadi alat perawatan jalan terbaik. Bayangkan: setiap mobil di jalan adalah inspektur jalan. Sensor mereka (kamera, lidar) dapat "mengumpulkan data inventaris dan kondisi" jalan—retakan, lubang, marka pudar—secara real-time dan mengirimkannya ke otoritas.   

Ini dapat merevolusi Manajemen Infrastruktur. Alih-alih survei manual yang lambat dan mahal, kita bisa mendapatkan peta panas real-time tentang di mana perbaikan paling dibutuhkan.   

Tentu saja, ini menimbulkan pertanyaan baru: Siapa yang memiliki data itu? Bagaimana kita mengelola big data ini?.   

Pada akhirnya, paper ini meyakinkan saya akan satu hal: revolusi AV tidak akan dimenangkan oleh pembuat kode di Silicon Valley saja. Ini membutuhkan generasi baru insinyur sipil yang memahami(https://www.diklatkerja.com/course/teknik-jalan/)  dan computer vision, serta manajer aset yang memahami big data sama baiknya dengan mereka memahami campuran aspal.   

Jalan pulang saya mungkin masih akan macet untuk waktu yang lama. Tapi setidaknya sekarang saya tahu mengapa.

Kalau kamu tertarik dengan "dapur" dari semua masalah ini—dan ini benar-benar menarik—coba baca paper aslinya.

(https://doi.org/10.1016/j.tre.2022.102989)

Jujur saja, saya seorang penggila keselamatan mobil. Selama bertahun-tahun, saya terobsesi dengan crash test rating, jumlah airbag, dan bagaimana chassis baja dapat menyerap benturan. Saya selalu berpikir bahwa "keselamatan jalan" berarti membuat mobil—kotak-kotak baja yang kita kendarai—menjadi benteng yang tidak bisa ditembus. Saat saya mengemudi, dikelilingi oleh sensor, lane-keeping assist, dan blind-spot monitoring, saya merasa aman dalam "gelembung" teknologi saya.

Saya pikir kita telah memecahkan masalah keselamatan. Ternyata, saya salah besar.

Minggu lalu, saya menemukan sebuah paper penelitian dari Swedia yang benar-benar menjungkirbalikkan asumsi saya. Judulnya teknis, "Characteristics of future crashes in Sweden," tapi temuannya adalah sesuatu yang harus dibaca oleh setiap perencana kota, insinyur teknologi, dan, terus terang, siapa pun yang berjalan kaki atau bersepeda.   

Para peneliti ini melakukan sesuatu yang brilian. Mereka pada dasarnya bertindak sebagai peramal, tetapi menggunakan data. Mereka ingin memprediksi seperti apa kecelakaan dan cedera di masa depan (spesifiknya tahun 2020 dan 2030).   

Bayangkan begini: Mereka mengambil data dasar semua cedera kecelakaan di Swedia dari tahun 2014. Kemudian, mereka secara sistematis "mengurangi" jumlah cedera tersebut berdasarkan semua intervensi keselamatan yang direncanakan. Ini termasuk infrastruktur baru seperti pembatas median jalan, dan yang lebih penting, semua teknologi kendaraan canggih yang sedang kita kembangkan—pikirkan Autonomous Emergency Braking (AEB) yang bisa mendeteksi pejalan kaki, Lane Keeping Assist (LKA) yang canggih, dan Electronic Stability Control (ESC) yang lebih baik.   

Logikanya, dengan semua teknologi hebat ini, jumlah cedera di masa depan seharusnya anjlok di semua kategori, bukan?

Nah, di sinilah letak masalahnya.

Paradoks Hebat: Mengapa Teknologi Mobil Terbaik Gagal Melindungi Kita

Temuan inti dari paper ini mengungkap apa yang saya sebut sebagai "Kesenjangan Intervensi" yang masif. Ini adalah sebuah paradoks yang seharusnya membuat kita semua berhenti sejenak.   

Bayangkan Anda adalah seorang raja yang membangun kastil di Abad Pertengahan. Anda menghabiskan 90% anggaran pertahanan untuk membangun tembok benteng yang lebih tinggi, lebih tebal, dan anti-meriam. Dan Anda berhasil! Benteng Anda (yaitu, mobil penumpang) menjadi luar biasa aman. Tidak ada yang bisa menembusnya.

Tapi kemudian Anda menyadari bahwa 80% dari populasi Anda sebenarnya adalah petani dan pedagang yang tinggal di gubuk-gubuk kayu tipis di luar tembok benteng. Dan semua meriam musuh sekarang hanya mengarah ke mereka.

Itulah yang terjadi di jalan raya kita.

• Di Dalam Benteng (Penumpang Mobil): Untuk orang-orang di dalam mobil, beritanya fantastis. Paper tersebut mengonfirmasi bahwa intervensi yang ada—terutama ESC dan pembatas median jalan—telah sukses luar biasa dalam mengurangi kecelakaan fatal. Studi ini memproyeksikan tren positif ini akan berlanjut. Berkat teknologi yang lebih baik, jumlah cedera serius (PMI1%+) untuk penumpang mobil diperkirakan turun sebesar 28% antara 2014 dan 2030. Kita benar-benar berhasil membuat "benteng" kita lebih aman.   

• Di Luar Benteng (VRU): Tapi bagaimana dengan semua orang di luar benteng? Para peneliti menyebut mereka VRU (Vulnerable Road Users)—Pengguna Jalan yang Rentan. Ini adalah pengendara sepeda, pejalan kaki, dan pengendara motor. Dan untuk mereka, paper itu memberikan kesimpulan yang brutal: tindakan yang direncanakan "diperkirakan tidak memadai untuk pengguna jalan yang rentan".   

Mengapa kita begitu hebat dalam melindungi satu kelompok tetapi gagal total pada kelompok lain? Jawabannya, ternyata, terletak pada apa yang kita putuskan untuk dihitung.

Berhenti Menghitung Kematian, Mulai Menghitung "Kehidupan yang Berubah"

Ini adalah bagian dari paper yang membuat saya terdiam. Selama beberapa dekade, cara kita mengukur "keselamatan jalan" pada dasarnya salah.

Kita secara historis terfokus pada fatalitas—jumlah orang yang meninggal. Data ini biasanya berasal dari laporan polisi. Dan tebak di mana sebagian besar fatalitas terjadi? Di jalan pedesaan, dalam tabrakan berkecepatan tinggi, yang melibatkan... Anda bisa menebaknya... penumpang mobil. Jadi, secara logis, kita menghabiskan semua uang dan R&D kita untuk memecahkan masalah itu (ESC, pembatas median, airbag).   

Tetapi para peneliti Swedia ini berkata, "Tunggu dulu." Alih-alih hanya menggunakan data polisi tentang kematian, mari kita gunakan data rumah sakit tentang cedera. Dan alih-alih hanya menghitung setiap cedera sebagai "satu", mari kita ukur konsekuensi jangka panjangnya.   

Mereka menggunakan metrik yang mengubah permainan yang disebut RPMI—Risk for Permanent Medical Impairment (Risiko Cacat Medis Permanen).   

Dalam bahasa manusiawi, RPMI tidak hanya bertanya, "Apakah Anda terluka?" RPMI bertanya, "Apakah cedera ini akan mengubah hidup Anda selamanya?"

Metrik ini menghitung risiko seseorang menderita cacat permanen 1% atau lebih, yang didefinisikan sebagai "hilangnya fungsi, rasa sakit, dan/atau disfungsi mental". Ini adalah perbedaan antara pergelangan tangan yang terkilir yang sembuh dalam enam minggu, dan pergelangan tangan yang tidak akan pernah bisa Anda gunakan untuk mengangkat cangkir kopi atau menggendong anak Anda lagi.   

Saat Anda mengubah metrik dari kematian menjadi kecacatan permanen, seluruh lanskap masalah berubah total.

Masalah terbesar bukan lagi tabrakan di jalan tol. Masalah terbesarnya adalah kecelakaan yang tampaknya "ringan" di perkotaan yang menghancurkan hidup. Dan siapa yang paling menderita akibat ini? Pengguna Jalan Rentan.   

Apa yang Paling Bikin Saya Terkejut (Ada Dua Hal)

Di sinilah data menjadi benar-benar menakutkan. Ketika para peneliti memproyeksikan data RPMI ini ke tahun 2030 (setelah menerapkan semua teknologi canggih kita), dua kelompok muncul sebagai tantangan keselamatan terbesar di masa depan.

Dan keduanya adalah kelompok yang hampir sepenuhnya diabaikan oleh revolusi teknologi mobil kita.

Musuh Terbesar Pengendara Sepeda... Bukanlah Mobil

Saya selalu berasumsi bahwa bahaya terbesar bagi pengendara sepeda adalah ditabrak mobil. Jadi, saya pikir, teknologi AEB baru yang dapat mendeteksi pengendara sepeda akan menjadi penyelamat.

Saya salah.

Lihatlah data proyeksi 2030 (Gambar 3 di paper). Cedera penumpang mobil anjlok (penurunan 28%). Cedera pengendara sepeda? Jumlahnya nyaris tidak bergerak. Perkiraan penurunannya hanya 4%.   

Empat persen!

Faktanya, pada tahun 2030, pengendara sepeda diproyeksikan menjadi kelompok pengguna jalan dengan cedera serius paling banyak dalam lalu lintas, melampaui penumpang mobil.   

Bagaimana ini bisa terjadi? Bukankah AEB akan menyelamatkan mereka? Nah, inilah twist-nya. Paper tersebut memang memperhitungkan AEB. Dan teknologi itu berhasil! Kecelakaan antara sepeda dan kendaraan bermotor diperkirakan turun 37%.   

Lalu mengapa total cederanya tidak berkurang?

Inilah bomnya, yang tersembunyi di Gambar 6 dari paper tersebut: 79% dari semua cedera sepeda yang parah adalah KECELAKAAN TUNGGAL.   

Baca lagi. Tujuh puluh sembilan persen.

Ini bukan mobil yang menabrak sepeda. Ini adalah orang-orang yang jatuh sendiri. Mereka jatuh karena jalan berlubang, kerikil yang tidak dibersihkan, tambalan aspal yang buruk, trotoar yang retak, atau lapisan es tipis di pagi hari.

Mobil Tesla Anda yang seharga 1 miliar rupiah, dengan semua sensor Lidar dan AI-nya, sama sekali tidak berdaya untuk mencegah 79% dari masalah cedera sepeda yang paling serius. Kita telah dibutakan oleh teknologi. Kita pikir masalahnya adalah "mobil vs sepeda", padahal masalah utamanya adalah "pengendara sepeda vs aspal".

Ancaman Tak Terlihat yang Ditertawakan oleh Industri Keselamatan

Jika Anda pikir data sepeda itu mengejutkan, data pejalan kaki akan membuat Anda marah.

Dalam sebuah langkah radikal, para peneliti ini memasukkan data untuk "pejalan kaki yang jatuh di sistem transportasi jalan tanpa keterlibatan kendaraan".   

Pikirkan tentang ini: nenek Anda terpeleset di trotoar yang membeku saat berjalan ke halte bus. Secara tradisional, kita tidak menyebut ini sebagai "masalah keselamatan lalu lintas". Kita menyebutnya "nasib buruk".

Para peneliti ini menyebutnya sebagai krisis data.

Lihatlah angka-angka baseline tahun 2014 (Tabel I).   

• Cedera penumpang mobil (MAIS1+): 3.996

• Cedera pengendara sepeda: 10.736

• Cedera pejalan kaki jatuh: 11.641

Kelompok "pejalan kaki jatuh" ini sudah menjadi yang terbesar. Itu bahkan sebelum kita berbicara tentang populasi yang menua.   

Dan sekarang, inilah bagian terburuknya. Inilah proyeksi untuk tahun 2030. Ketika para peneliti melihat daftar panjang intervensi keselamatan yang direncanakan—ESC, AEB, LKA, Pembatas Median, dll. (Tabel III) —mereka mencari satu intervensi yang ditujukan untuk mencegah pejalan kaki jatuh.   

Dan mereka tidak menemukan apa-apa.

Saya akan mengutip langsung dari paper karena ini sangat penting: "Karena tidak ada asumsi intervensi keselamatan jalan yang terencana yang menargetkan kelompok ini, tidak ada pengurangan untuk kelompok ini yang diperkirakan".   

NOL.

Tidak ada satu pun dari teknologi miliaran dolar kita yang ditujukan untuk masalah cedera terbesar di sistem transportasi kita.

Lihat saja Gambar 7 di paper. Ini adalah grafik batang yang menunjukkan jumlah cedera pada tahun 2030. Batang untuk "Pejalan Kaki Jatuh" menjulang tinggi di atas segalanya, membuat batang "penumpang mobil" terlihat seperti kesalahan pembulatan statistik.   

Pelajaran yang Bisa Saya Terapkan Hari Ini

Membaca paper ini seperti disiram air es. Ini mengubah cara saya berpikir tentang data, teknologi, dan apa arti "aman".

Inilah yang saya bawa pulang:

• 🚀 Hasilnya luar biasa: Teknologi di dalam mobil (seperti ESC dan desain crashworthiness) benar-benar berfungsi. Mereka telah dan akan terus menyelamatkan penumpang mobil dari cedera parah. Penurunan 28% itu nyata dan harus dirayakan.   

• 🧠 Inovasinya: Inovasi terbesar dalam paper ini bukanlah teknologi; itu adalah metodologi. Keberanian untuk mengubah metrik dari 'fatalitas' (data polisi) menjadi 'RPMI' (cacat permanen dari data rumah sakit) adalah tindakan jenius. Ini adalah contoh sempurna tentang bagaimana data, jika dilihat dengan cara yang benar, dapat mengungkap kebenaran yang tersembunyi.   

• 💡 Pelajaran: Kita terjebak dalam pola pikir 'melindungi mobil'. Masa depan keselamatan adalah merancang sistem holistik untuk semua orang. Seperti yang disimpulkan paper ini, kita perlu "mendefinisikan sistem keselamatan untuk pengguna jalan yang rentan".   

Opini Pribadi & Kritik Halus Saya

Meskipun temuan ini mengubah paradigma, metode analisisnya sendiri memiliki beberapa kelemahan, yang secara jujur diakui oleh penulis di bagian "Diskusi".   

Pertama, model mereka adalah "metode deterministik," bukan "prediksi statistik sejati". Dalam bahasa manusiawi, ini lebih merupakan perhitungan "bagaimana-jika" raksasa daripada ramalan yang pasti. Keakuratannya sepenuhnya bergantung pada asumsi yang mereka buat tentang seberapa efektif teknologi masa depan (misalnya, AEB akan mengurangi tabrakan X sebesar 50%) dan seberapa cepat teknologi itu akan diadopsi oleh masyarakat.   

Kedua, mereka mengakui bahwa ini adalah skenario "bisnis seperti biasa" (business-as-usual). Model ini tidak memperhitungkan guncangan tak terduga. Ini ditulis pada tahun 2016. Model ini tidak tahu tentang pandemi COVID-19 yang mengubah pola lalu lintas, atau ledakan e-scooter yang tiba-tiba, yang menciptakan kategori VRU baru yang sangat berbahaya. Hal ini membuat proyeksi 2030 mereka terasa agak rapuh dan terlalu abstrak, meskipun saya yakin arah umumnya 100% benar.   

Menghubungkan ke Keterampilan

Wawasan seperti ini—menemukan bahwa 79% cedera sepeda adalah kecelakaan tunggal—tidak muncul begitu saja. Itu datang dari kemampuan untuk menggali data mentah dan menantang asumsi yang ada. Ini adalah inti dari apa yang dilakukan oleh analisis data.   

Kemampuan untuk tidak hanya melaporkan angka ("cedera sepeda tidak turun") tetapi juga menggali mengapa ("karena itu kecelakaan tunggal, bukan tabrakan mobil") adalah yang membedakan seorang analis sejati. Jika Anda tertarik untuk belajar bagaimana menemukan cerita tersembunyi di balik angka-angka di bidang Anda sendiri, kursus seperti(https://diklatkerja.com/course/big-data-analytics-data-visualization-and-data-science/) adalah tempat yang luar biasa untuk memulai.   

Kesimpulan: Kita Ingin Kota yang Sehat, Tapi Apakah Kita Siap Membayar Harga Keselamatannya?

Inilah ironi terakhir yang diangkat oleh paper ini, yang paling melekat pada saya.

Para penulis mencatat bahwa Swedia, seperti kebanyakan negara maju, secara aktif mendorong warganya untuk beralih ke "moda transportasi yang lebih ramah lingkungan dan mempromosikan kesehatan" seperti bersepeda.   

Pikirkan tentang paradoks kebijakan ini sejenak.

Kita, sebagai masyarakat, secara aktif mendorong orang untuk keluar dari lingkungan yang relatif aman (mobil, dengan penurunan risiko cedera 28%) dan masuk ke lingkungan yang jauh lebih berbahaya (sepeda, dengan penurunan risiko cedera hanya 4%).   

Para penulis memberikan peringatan keras: "sangat penting untuk tidak menukar manfaat dan kerugian satu sama lain". Kita tidak bisa mempromosikan bersepeda untuk kesehatan jangka panjang jika itu berarti kita mengabaikan epidemi cedera traumatis jangka pendek.   

Kita membutuhkan pendekatan holistik.   

Masa depan keselamatan jalan raya tidak akan ditemukan di dalam chip silikon mobil otonom. Itu akan ditemukan dalam hal-hal yang membosankan namun sangat penting: kualitas aspal di jalur sepeda. Pembersihan salju dan es di trotoar. Desain trotoar yang lebih baik yang tidak membuat orang tersandung. Pencahayaan kota yang lebih baik.

Kita telah menghabiskan 50 tahun terakhir untuk membangun benteng yang luar biasa bagi mobil. Sekarang saatnya untuk akhirnya mulai melindungi orang-orang yang tinggal di luarnya.

Ini baru permukaan. Kalau kamu tertarik dengan data mentah dan ingin melihat analisis lengkapnya—terutama Tabel III yang merinci setiap intervensi dan asumsi efektivitasnya—coba baca paper aslinya.

(http://www.ircobi.org/wordpress/downloads/irc16/pdf-files/15.pdf)

Penulis: cakHP (Heru Prabowo)

Pagi itu, Dika, murid kelas lima SD, menatap layar gawai dengan dahi berkerut. “ChatGPT, tolong buatkan karangan tentang pahlawanku,” tulisnya. Lima detik kemudian, paragraf demi paragraf mengalir rapi. Ia tersenyum puas — tapi ibunya hanya diam.

Di sisi lain kota, Bu Sari, guru bahasa Indonesia di sekolah semi-rural, memeriksa tugas-tugas muridnya yang semua tampak “terlalu sempurna”. Ia gelisah: “Apakah anak-anak ini masih belajar menulis, atau sekadar menyalin dari mesin?”

Kisah kecil ini bukan sekadar anekdot. Ia adalah cermin zaman: anak-anak kita tumbuh bersama kecerdasan buatan (AI) — kadang tanpa tahu bagaimana ia bekerja, apa batasnya, dan kapan harus berkata “tidak” pada mesin pintar.

Artikel ini membahas urgensi literasi AI bagi anak-anak di rumah dan sekolah, menelaah aspek kognitif, afektif, dan psikomotorik yang perlu dikembangkan, serta meninjau praktik baik dari berbagai negara. Dengan pendekatan reflektif dan berbasis bukti ilmiah, tulisan ini mengajak guru dan orang tua untuk mendampingi anak mengenali AI bukan sebagai “pengganti otak”, melainkan sahabat belajar yang harus dijinakkan dengan akal, hati, dan etika.

 

Pendahuluan: Anak, Mesin, dan Rasa Ingin Tahu

Dika bukan satu-satunya. Di banyak rumah, anak-anak kini terbiasa “berdialog” dengan chatbot — dari mencari ide tugas, minta ringkasan pelajaran, hingga curhat soal teman. Mereka hidup di dunia di mana rekomendasi YouTube, filter spam, dan algoritma TikTok sudah menjadi bagian dari rutinitas sehari-hari.

Namun, di balik kecanggihan itu, muncul tanya yang sunyi: apakah anak-anak memahami *bagaimana* mesin-mesin itu berpikir? Ataukah mereka hanya menuruti logika yang tak mereka pahami?

Dalam salah satu survei UNESCO (2023), lebih dari 60% siswa usia sekolah dasar di Asia mengaku menggunakan alat berbasis AI untuk membantu belajar, tetapi kurang dari 15% memahami prinsip dasarnya. UNICEF (2021) menegaskan bahwa anak berhak mengetahui cara kerja sistem yang memengaruhi kehidupannya — dari algoritma yang menentukan video yang mereka tonton, hingga aplikasi yang mengumpulkan datanya.

Literasi AI bukan soal mengajarkan coding atau robotika semata, tetapi membantu anak memahami hubungan antara manusia dan mesin. Ini soal melatih mereka berpikir kritis terhadap informasi, berempati dalam dunia digital, dan bertanggung jawab dalam menggunakan kecerdasan buatan.

 

Mengapa Anak Perlu Literasi AI

1. AI sudah menjadi lingkungan belajar anak

Kecerdasan buatan bukan lagi “alat masa depan” — ia sudah hadir di ruang belajar hari ini. Sistem adaptive learning seperti Khanmigo atau Duolingo, chatbot seperti ChatGPT, hingga fitur autocorrect dan search prediction di ponsel — semuanya berbasis AI.

Menurut Long & Magerko (2020), anak-anak berinteraksi dengan sistem cerdas rata-rata 30 kali per hari tanpa menyadarinya. Maka, memahami AI berarti memahami dunia di sekitar mereka.

2. Risiko manipulasi dan miskonsepsi

Anak yang tidak memahami batas AI rentan misinformed — mudah percaya pada jawaban yang salah atau bias algoritma. Penelitian dari MIT Media Lab (2023) menunjukkan bahwa anak-anak yang menganggap chatbot “serba benar” cenderung menunjukkan learning helplessness, yakni kehilangan inisiatif belajar mandiri karena terlalu bergantung pada mesin.

Tanpa literasi, anak tidak belajar “berpikir dengan AI”, tetapi “disetir oleh AI”.

3. Kesiapan menghadapi masa depan kerja dan etika digital

OECD (2021) mencatat bahwa 65% pekerjaan masa depan akan melibatkan sistem berbasis AI. Namun, tantangan terbesar bukan sekadar teknis, melainkan etis: bagaimana anak-anak membuat keputusan yang adil, menghormati privasi, dan mempertimbangkan dampak sosial teknologi.

Karenanya, literasi AI juga bagian dari pendidikan karakter — melatih akal sekaligus budi.

 

Aspek Kognitif, Afektif, dan Psikomotorik Literasi AI

Mengacu pada kerangka AI Literacy Framework (Ng et al., 2021; Druga et al., 2019), pendidikan literasi AI yang komprehensif perlu mengembangkan tiga ranah utama:

1. Aspek Kognitif: Memahami dan Menalar

Anak diajak memahami konsep dasar seperti data, algoritma, bias, dan pembelajaran mesin.

Tujuannya bukan menjadikan mereka ahli komputer, tetapi *pembelajar kritis* yang bisa menilai kebenaran informasi. Misalnya, saat chatbot memberi jawaban, anak dilatih untuk bertanya:

> “Dari mana datanya? Apakah semua orang akan mendapatkan jawaban yang sama?”

2. Aspek Afektif: Nilai, Etika, dan Empati Digital

AI sering kali “dingin” — ia tak punya hati. Di sinilah pendidikan berperan.

Anak perlu diajak merenung: apakah adil jika robot menggantikan pekerjaan manusia? Apakah etis jika AI mengenali wajah tanpa izin?

UNESCO (2023) menekankan *rights-based approach* — bahwa setiap anak harus belajar tentang hak privasi, keberagaman, dan tanggung jawab digital.

3. Aspek Psikomotorik: Membuat, Menguji, dan Mengendalikan

Anak belajar *hands-on* membuat model sederhana: mengenali pola, mengatur logika keputusan, atau melatih chatbot mini.

Melalui kegiatan ini, mereka bukan hanya pengguna, tetapi *pencipta sadar*. Di sekolah dasar Finlandia, misalnya, anak-anak dilatih membuat sistem klasifikasi warna menggunakan *machine learning* sederhana — bukan untuk lomba, tapi untuk memahami cara berpikir mesin.

.

Best Practices Literasi AI di Berbagai Negara

Finlandia – “Elements of AI” untuk Semua Usia

Program nasional Elements of AI tidak hanya untuk mahasiswa, tapi juga diadaptasi untuk anak-anak. Pendekatannya humanistik: AI diajarkan sebagai cara berpikir, bukan sekadar teknologi. Guru dibekali modul “AI for Teachers” agar bisa mengintegrasikan konsep sederhana ke pelajaran harian.

Amerika – "AI + Ethics”

MIT mengembangkan kurikulum AI + Ethics for Kids (2023) yang mengajarkan anak usia 8–13 tahun melalui permainan peran dan eksperimen. Anak belajar menebak bagaimana mesin mengambil keputusan dan mendiskusikan apakah keputusan itu adil.

Singapura – AI For Everyone (AIFE) dan AI for Students

Singapura memasukkan literasi AI sejak SD melalui program “AI for Students” (Infocomm Media Development Authority, 2022). Fokusnya: awareness, ethics, dan application. Anak diajak melihat manfaat AI dalam kehidupan nyata — dari transportasi hingga lingkungan.

Korea Selatan – Smart Learning Schools

Korea membangun ekosistem pembelajaran berbasis AI di sekolah semi-rural, agar kesenjangan digital tidak makin lebar. Programnya menekankan *AI inclusion*, memastikan setiap anak, meski di desa, memiliki akses dan pemahaman dasar.

.

Refleksi dan Implikasi bagi Pendidikan di Indonesia

Indonesia menghadapi dua realitas: anak-anak kota yang sudah akrab dengan ChatGPT, dan anak-anak desa yang baru mengenal ponsel pintar. Namun keduanya menghadapi bahaya yang sama: *ketergantungan tanpa pemahaman.*

Guru perlu menumbuhkan rasa ingin tahu yang sehat — bukan sekadar mengajarkan teknologi, tetapi membimbing anak bertanya, menguji, dan berefleksi. Orang tua, di sisi lain, harus hadir sebagai “penerjemah zaman”: tidak melarang teknologi, tapi menuntun arah penggunaannya.

Seperti kata Ki Hadjar Dewantara, pendidikan adalah tuntunan bagi segala kekuatan kodrat anak agar mereka mencapai keselamatan dan kebahagiaan setinggi-tingginya. Di era AI, tuntunan itu berarti membimbing mereka agar tetap menjadi *manusia merdeka berpikir* — bukan manusia yang digerakkan oleh mesin.

.

 

Penutup: Antara Hati, Otak, dan Mesin

Malam itu, Dika kembali membuka laptopnya. Ia menatap kursor yang berkedip di layar. Kali ini ia tidak langsung mengetik “ChatGPT, buatkan karangan…”. Ia menulis sendiri, lalu bertanya pada mesin:

> “Bisakah kamu bantu saya memperbaikinya?”

Sang ibu tersenyum dari pojok dapur. Bukan karena Dika menulis sempurna, tapi karena ia *belajar berdialog dengan teknologi, bukan diperintah olehnya*.

Itulah tujuan akhir literasi AI — bukan menolak kecerdasan buatan, melainkan menumbuhkan *kecerdasan manusia* yang lebih jernih, beretika, dan berpihak pada kehidupan.

.

Glosarium

AI (Artificial Intelligence): Sistem komputer yang meniru cara berpikir dan belajar manusia.

Algoritma: Serangkaian instruksi logis yang mengatur bagaimana komputer membuat keputusan.

Bias algoritmik:Ketidakseimbangan hasil keputusan AI akibat data yang tidak netral.

Chatbot:Program yang bisa “berdialog” dengan manusia, seperti ChatGPT.

Learning Helplessness:Kondisi ketika anak terlalu bergantung pada bantuan luar hingga kehilangan motivasi belajar mandiri.

Adaptive Learning:Sistem pembelajaran yang menyesuaikan materi dengan kemampuan dan gaya belajar pengguna.

Ethical AI: Prinsip penggunaan AI yang adil, transparan, dan menghormati hak manusia.

.

Daftar Pustaka:

Druga, S., Williams, R., Breazeal, C., & Resnick, M. (2019). *How do children conceptualize AI?* Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 1–13. [ https://doi.org/10.1145/3290605.3300533 ] ( https://doi.org/10.1145/3290605.3300533 )

Infocomm Media Development Authority. (2022). *AI for Students: Building an AI-ready generation.* Government of Singapore.

Long, D., & Magerko, B. (2020). *What is AI literacy? Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems*, 1–16. [ https://doi.org/10.1145/3313831.3376727 ] ( https://doi.org/10.1145/3313831.3376727 )

MIT Media Lab. (2023). *AI + Ethics for Kids Curriculum.* Massachusetts Institute of Technology.

Ng, D., Chu, S., & Koo, A. (2021). *A Framework for Artificial Intelligence Literacy in K–12 Education.* SpringerOpen.

OECD. (2021). *AI and the Future of Skills, Volume 1: Capabilities and Assessments.* OECD Publishing.

UNESCO. (2023). *Guidelines for Policy Makers on Child Rights and AI.* United Nations Educational, Scientific and Cultural Organization.

UNICEF. (2021). *Policy Guidance on AI for Children.* United Nations Children’s Fund.