Pernah membuka Google Maps sebelum berangkat, lalu melihat satu jalan berwarna merah sementara jalan di sebelahnya berwarna hijau? Selain menunjukkan kondisi lalu lintas saat ini, Google Maps juga bisa memperkirakan berapa lama perjalanan akan berlangsung dan menyarankan rute alternatif ketika sebuah jalan diperkirakan akan mengalami kemacetan. Kemampuan tersebut terlihat sederhana bagi pengguna, tetapi sebenarnya melibatkan pengolahan data dalam jumlah besar dan sistem prediksi yang cukup kompleks.
Google Maps tidak memiliki kamera yang mengawasi setiap kendaraan di seluruh jalan. Sebaliknya, sistem memanfaatkan berbagai sumber informasi, seperti data lokasi yang diagregasi, kondisi lalu lintas secara real-time, pola lalu lintas historis, informasi mengenai jalan, serta laporan mengenai insiden tertentu. Data-data tersebut kemudian diproses untuk memperkirakan bagaimana kondisi lalu lintas akan berubah dari waktu ke waktu.
Salah satu sumber informasi penting bagi Google Maps berasal dari perangkat yang digunakan untuk bernavigasi. Ketika banyak perangkat bergerak melewati ruas jalan yang sama, sistem dapat mengamati pola pergerakannya secara agregat. Jika sejumlah besar perangkat bergerak dengan kecepatan rendah pada ruas yang biasanya dapat dilalui dengan lebih cepat, kondisi tersebut dapat menjadi indikasi bahwa lalu lintas sedang mengalami perlambatan.
Google menjelaskan bahwa data lokasi yang diagregasi dapat digunakan untuk memperkirakan kecepatan kendaraan dan memahami kondisi lalu lintas secara real-time. Dengan menggabungkan informasi dari banyak perangkat, sistem dapat memperoleh gambaran mengenai kondisi sebuah ruas jalan tanpa harus mengetahui identitas setiap pengendara. Data tersebut kemudian dapat dibandingkan dengan kondisi jalan lainnya untuk memahami bagaimana lalu lintas sedang bergerak di suatu wilayah.
Namun, sistem tidak sekadar menghitung berapa banyak kendaraan yang berada di sebuah jalan. Kecepatan kendaraan, lokasi, arah pergerakan, dan perubahan kondisi dari waktu ke waktu juga dapat memberikan informasi mengenai tingkat kepadatan. Dari sinilah Google Maps dapat menghasilkan visualisasi lalu lintas yang kita lihat sebagai warna hijau, kuning, oranye, atau merah pada peta.
Bayangkan sebuah jalan yang saat ini masih terlihat lancar pada pukul 16.30. Jika jalan tersebut biasanya mulai padat pada pukul 17.00 karena jam pulang kerja, informasi mengenai kondisi saat ini saja tidak akan cukup untuk memperkirakan perjalanan beberapa menit ke depan. Sistem membutuhkan informasi mengenai apa yang biasanya terjadi pada waktu dan lokasi tersebut.
Karena itu, pola lalu lintas historis menjadi bagian penting dalam prediksi. Data dari perjalanan sebelumnya dapat membantu sistem mengetahui bagaimana kecepatan kendaraan biasanya berubah pada jam tertentu, hari tertentu, atau lokasi tertentu. Google menjelaskan bahwa prediksi lalu lintas menggabungkan kondisi lalu lintas saat ini dengan pola historis untuk memperkirakan kondisi lalu lintas di masa mendatang.
Tetapi data historis bukan berarti sistem hanya mengulang pola lama. Kondisi lalu lintas dapat berubah karena pembangunan jalan, perubahan kebiasaan masyarakat, penutupan jalan, kecelakaan, atau berbagai kejadian lainnya. Karena itu, prediksi harus terus menyesuaikan antara apa yang biasanya terjadi dan apa yang sedang terjadi sekarang.
Menggabungkan data real-time dan historis terdengar sederhana, tetapi lalu lintas sebenarnya merupakan sistem yang sangat dinamis. Kemacetan pada satu ruas jalan dapat menyebabkan kendaraan berpindah ke jalan lain, sementara kecelakaan atau penutupan jalan dapat mengubah pola perjalanan dalam waktu singkat. Model prediksi harus mampu mengenali hubungan yang kompleks tersebut agar estimasi yang dihasilkan tetap berguna.
Google menggunakan machine learning untuk mempelajari pola lalu lintas dan memperkirakan kondisi yang mungkin terjadi dalam waktu dekat. Sistem dapat membandingkan kondisi terkini dengan pola yang pernah diamati sebelumnya, kemudian menghasilkan prediksi mengenai kecepatan atau waktu perjalanan. Dengan pendekatan ini, Google Maps tidak hanya menjawab pertanyaan tentang kondisi jalan saat ini, tetapi juga mencoba memperkirakan bagaimana kondisi tersebut akan berubah.
Yang menarik, prediksi tersebut tidak harus selalu benar untuk setiap kendaraan. Tujuannya adalah menghasilkan estimasi yang cukup akurat untuk membantu pengguna mengambil keputusan. Dalam konteks navigasi, selisih beberapa menit saja dapat menentukan apakah seseorang memilih tetap berada di rute utama atau mengambil jalan alternatif.
Ada alasan lain mengapa prediksi lalu lintas merupakan masalah yang menarik dari sudut pandang ilmu komputer. Jaringan jalan dapat direpresentasikan sebagai sebuah graph, yaitu struktur yang terdiri dari node dan edge. Persimpangan dapat dianggap sebagai node, sedangkan ruas jalan yang menghubungkan persimpangan tersebut dapat dianggap sebagai edge.
Representasi tersebut penting karena kondisi sebuah jalan tidak berdiri sendiri. Jika sebuah ruas mengalami kemacetan, kendaraan yang tertahan dapat memengaruhi persimpangan berikutnya dan kemudian memengaruhi ruas jalan lain. Dengan kata lain, kondisi lalu lintas memiliki hubungan spasial dengan bagian lain dari jaringan jalan.
Google DeepMind menggunakan pendekatan Graph Neural Network (GNN) untuk membantu melakukan prediksi waktu perjalanan. Model tersebut memungkinkan sistem mempertimbangkan hubungan antar-ruas jalan sekaligus perubahan kondisi lalu lintas dari waktu ke waktu. Dalam penelitian yang dipublikasikan Google DeepMind, pendekatan ini digunakan untuk meningkatkan prediksi ETA dengan melakukan spatiotemporal reasoning, yaitu mempertimbangkan dimensi ruang dan waktu secara bersamaan.
Informasi mengenai kondisi dan prediksi lalu lintas kemudian digunakan untuk menentukan rute. Google Maps tidak selalu memilih jalan dengan jarak paling pendek karena jarak bukan satu-satunya faktor yang menentukan waktu perjalanan. Sebuah jalan yang lebih pendek dapat membutuhkan waktu lebih lama jika kendaraan harus melewati kemacetan.
Misalnya, terdapat dua rute menuju tujuan yang sama. Rute pertama memiliki jarak 10 kilometer tetapi diperkirakan mengalami kemacetan, sedangkan rute kedua memiliki jarak 12 kilometer dengan lalu lintas yang lebih lancar. Jika prediksi menunjukkan bahwa rute kedua membutuhkan waktu lebih sedikit, sistem dapat merekomendasikan rute tersebut kepada pengguna.
Dalam menentukan rute, Google juga mempertimbangkan berbagai informasi lain seperti kondisi lalu lintas, jaringan jalan, batas kecepatan, konstruksi, penutupan jalan, serta insiden yang dilaporkan. Dengan demikian, garis biru yang muncul di Google Maps bukan sekadar hasil mencari jalur terpendek, melainkan hasil dari proses optimasi berdasarkan kondisi jaringan jalan.
Salah satu tantangan terbesar dalam prediksi lalu lintas adalah bahwa pola masa lalu tidak selalu berlaku selamanya. Jalan yang biasanya ramai pada jam tertentu dapat berubah menjadi lebih sepi setelah adanya perubahan pola kerja, pembangunan infrastruktur, atau perubahan kebiasaan masyarakat. Jika model hanya bergantung pada data lama, prediksinya dapat menjadi kurang akurat.
Pandemi COVID-19 merupakan salah satu contoh perubahan besar tersebut. Ketika aktivitas perjalanan masyarakat berubah secara drastis, pola lalu lintas yang sebelumnya dianggap normal menjadi tidak lagi relevan. Google menjelaskan bahwa sistem prediksi lalu lintas harus dapat beradaptasi terhadap perubahan pola tersebut dan memberikan perhatian lebih besar terhadap data yang lebih baru ketika kondisi lalu lintas berubah.
Hal ini menunjukkan bahwa machine learning dalam sistem seperti Google Maps bukan sekadar memasukkan data ke dalam model lalu membiarkannya bekerja selamanya. Sistem harus terus beradaptasi dengan dunia nyata yang juga terus berubah. Semakin berbeda kondisi saat ini dari pola historis, semakin penting bagi sistem untuk memperhatikan informasi terbaru.
Ketika Google Maps menunjukkan bahwa sebuah jalan sedang macet atau memperkirakan perjalanan membutuhkan waktu 35 menit, angka tersebut merupakan hasil dari berbagai proses yang terjadi di belakang layar. Sistem dapat memanfaatkan data pergerakan kendaraan secara agregat untuk memahami kondisi saat ini, membandingkannya dengan pola historis, kemudian menggunakan machine learning untuk memperkirakan bagaimana kondisi lalu lintas kemungkinan akan berubah.
Prediksi tersebut kemudian dipadukan dengan representasi jaringan jalan dan berbagai informasi lainnya untuk menentukan rute yang diperkirakan paling efisien. Karena itulah rute yang ditampilkan Google Maps tidak selalu merupakan jalan yang paling pendek. Sistem lebih tertarik pada pertanyaan yang lebih penting bagi pengguna: rute mana yang kemungkinan membuat perjalanan selesai lebih cepat?
Pada akhirnya, Google Maps sebenarnya tidak benar-benar bisa melihat masa depan. Aplikasi tersebut menggunakan data masa lalu dan kondisi saat ini untuk membuat perkiraan tentang apa yang kemungkinan terjadi beberapa menit kemudian. Yang terlihat oleh pengguna hanyalah garis biru sederhana di layar, tetapi di belakangnya terdapat sistem yang menggabungkan data lokasi, statistik, machine learning, graph, dan optimasi untuk membantu kita memilih jalan.
