Kasus-Kasus Tepi yang Bertahun-Tahun Menunda Otonom Berkendara

Ketika sebuah kendaraan otonom keluar ke jalan raya, 99,9% hidupnya dihabiskan dengan melakukan hal-hal yang sama: berjalan di jalur, berhenti saat lampu merah, menjaga jarak dengan kendaraan di depan. Namun pertanyaan sebenarnya adalah: apa yang terjadi pada momen-momen aneh yang hanya terjadi di potongan kecil yang tersisa, yaitu sekali setiap jutaan kilometer? Inilah momen-momen itulah yang menunda janji "siap besok" dari berkendara otonom - dan dalam tulisan ini saya akan menjelaskan mengapa momen-momen itu masih belum bisa dipecahkan.
Apa Itu Kasus Tepi, dan Mengapa Ekor Panjang Itu Hal yang Berbeda?
Mari kita perjelas terminologinya terlebih dahulu, karena kedua konsep ini sering tertukar. Kasus tepi (edge case) adalah skenario langka yang berada di luar data pelatihan sebuah sistem berkendara otonom: tangga yang terjatuh di jalan tol, gerakan tangan polisi lalu lintas yang tidak biasa, kondisi cuaca yang luar biasa. Hal-hal ini bisa didefinisikan sebelumnya, setidaknya secara teori.
Ekor panjang (long tail) adalah konsep yang lebih menakutkan: jumlah dari semua hal yang bahkan tak terpikirkan oleh Anda. Proyek konstruksi yang berubah dari malam ke siang, kasur yang terguling dari sebuah pikap saat hujan, atau skenario di ujung ekor yang tak pernah terpikir oleh siapa pun untuk menuliskannya dalam daftar masalah. Jika kasus tepi adalah sebuah teka-teki, maka ekor panjang adalah seperti kotak yang Anda tidak tahu berapa banyak kepingnya.
Kelangkaan juga memiliki berbagai jenis. Yang pertama adalah kelas langka: benda-benda yang jarang dijumpai di jalan seperti keledai atau ambulans. Yang kedua, dan lebih licik, adalah skenario langka: benda-bendanya sendiri sangat biasa tetapi susunannya aneh - pejalan kaki yang tiba-tiba muncul dari belakang truk atau pesepeda yang membawa tangga. Jenis kedua jauh lebih sulit ditemukan, karena setiap komponen dalam sistem sudah terdefinisi; masalahnya adalah pada bagaimana semuanya berkumpul bersama.
Para ahli membagi kasus tepi ke dalam empat kategori utama: lingkungan (cuaca, kondisi cahaya), berbasis objek (objek langka), perilaku (pengguna jalan yang tak terduga), dan spesifik sensor (kegagalan perangkat keras, titik buta). Setiap kategori sudah menjadi masalah tersendiri; dan semuanya bersama-sama menjelaskan mengapa ekornya begitu panjang.
Sorotan
- Sebuah sistem dengan akurasi 99% dapat menghadapi skenario berbahaya yang tidak dapat dipecahkannya kira-kira sekali setiap 10.000 mil berkendara.
- Sementara dalam dataset yang umum terdapat 493.322 anotasi untuk mobil, anotasi untuk ambulans hanya 49.
- 30 kelas objek paling langka masing-masing hanya muncul kurang dari 250 kali dalam 344.966 bingkai data berlabel yang tersedia untuk publik.
- Jika sistem otonom berkendara seperti manusia, ia hanya dapat mencegah sekitar sepertiga dari semua kecelakaan.
Kelangkaan dalam Angka: Mengapa Ekor Ini Begitu Panjang?

Memahami skala kelangkaan membutuhkan sedikit matematika. Akurasi 99% terdengar hebat, bukan? Tapi hitunglah: sebuah sistem dengan akurasi tersebut akan jatuh ke skenario berbahaya yang tidak dapat dipecahkannya sendiri kira-kira sekali setiap 10.000 mil berkendara. Bahkan untuk penggunaan sehari-hari angka ini sudah sangat besar - dan untuk otonomi penuh, angkanya berukuran bencana, karena ambang keamanan menuntut tingkat kesalahan yang ultra-rendah.
Gambaran di sisi data bahkan lebih mencolok lagi. Perbandingan SearchAD, hasil kolaborasi Mercedes-Benz dan Universitas Esslingen, meneliti 423.798 frame dari 11 dataset berkendara: 90 kategori langka, 513.265 anotasi manual. Hasilnya? Masing-masing dari 30 kelas paling langka muncul kurang dari 250 kali dalam data berlabel publik sebanyak 344.966 frame. Di sebuah perusahaan spesialis yang mencoba menemukan kasus langka ini secara manual, pekerjaan memakan waktu delapan bulan, rata-rata lebih dari satu menit dihabiskan untuk setiap frame, dan setiap frame diperiksa minimal dua kali.
| Kelas Objek | Jumlah Anotasi dalam Dataset Contoh |
|---|---|
| Mobil | 493.322 |
| Kereta dorong bayi | 1.072 |
| Ambulans | 49 |
Tabel ini menunjukkan ketimpangan dunia itu sendiri: mobil ada di mana-mana, ambulans hampir tidak ada. Dan masalahnya bukan hanya penemuan; pencarian berbasis label hanya mengembalikan kelas yang telah ditentukan sebelumnya. Jika tidak ada yang memberi label pada pejalan kaki yang memakai kantong plastik di tengah hujan, tidak ada kueri yang mencari data itu akan menemukannya. Metrik keberhasilan agregat juga dapat menyembunyikan kemunduran pada kelas langka di dalam skor keseluruhan yang kuat.
Bagaimana Kalau Kita Mengumpulkan Lebih Banyak Data?
Jawabannya untuk sebagian besar adalah tidak, dan alasannya adalah satu fakta dalam satu kalimat: ketimpangan data adalah ketimpangan dunia. Sebagian besar data berkendara yang dikumpulkan dari jalan dipenuhi perilaku biasa - mengikuti lajur, mematuhi lampu lalu lintas, jalan lurus. Ketika Anda menggandakan dataset, pada dasarnya Anda menambahkan dua kali lebih banyak contoh biasa; yang langka tenggelam lebih dalam lagi di dalam antrean. Ini adalah masalah imbal hasil yang menurun klasik: menskalakan daya komputasi dan data tidak memberikan hasil yang memadai pada tingkat kesalahan ultra-rendah.
Lalu bagaimana kalau kita menciptakan kembali skenario langka di panggung? Di sinilah tembok kedua berada: sebagian besar kasus langka berbahaya atau mustahil. Mengoreografikan seorang pejalan kaki yang muncul dari balik truk tidak bisa dianggap sebagai usaha yang masuk akal. Lebih dari itu, antreannya berujung terbuka - tidak memiliki titik akhir, artinya momen untuk mengatakan "kami telah menyelesaikan semuanya" tidak akan pernah tiba.
Simulasi karenanya adalah pembantu yang brilian, tapi bukan penyelamat. Tidak ada jumlah pengujian di jalan nyata yang dapat menjamin keselamatan dengan sendirinya; apalagi menghasilkan peristiwa langka secara artifisial juga merupakan masalah rekayasa yang sulit dengan sendirinya. Pendekatan Waymo di sini menarik perhatian: tim merekonstruksi skenario tabrakan yang berakhir fatal di dunia nyata dan menempatkan Waymo Driver pada posisi kendaraan yang memulai tabrakan. Dalam simulasi, ia menghindari semua tabrakan. Mengesankan - tetapi ini berarti berhasil pada skenario yang telah ditentukan, bukan menghabiskan seluruh antrean.
Bagaimana Produsen Menyikapi Masalah yang Sama?
Mobileye: Kecerdasan buatan yang memburu kegagalan
Dua kendaraan yang diperkenalkan Mobileye pada 2026 menghadirkan solusi sistematis untuk masalah ini. Meteor, analis data kecerdasan buatan multi-agen, memindai jutaan jam video berkendara menggunakan embedding model visual-bahasa dan penalaran otomatis. Dan yang dicarinya menarik: bukan keajaiban tunggal yang disebut angsa hitam, melainkan kegagalan yang dapat diulang - pola berulang seperti pejalan kaki yang tersembunyi sebagian, pengguna jalan yang tidak jelas. Rantai eksplorasi, hipotesis, kueri skenario, verifikasi, dan data pelatihan diproses secara otomatis. Sementara sistem pendamping Genario mengubah setiap kegagalan yang terverifikasi menjadi skenario sintetis fotorealistis dan menggandakannya dengan variasi malam/siang, hujan, salju, es, dan kabut. Di balik semua ini ada pengalaman lebih dari 25 tahun, lebih dari 230 juta kendaraan, dan unggahan data dari 8 juta kendaraan per hari.
Waymo: Area terbatas, aturan ketat
Strategi Waymo bukan memperpendek antrean, melainkan memperkecil area tempat antrean dapat masuk. Operational Design Domain (ODD) atau area desain operasional yang mereka sebut; didefinisikan dengan geografi, jenis jalan, rentang kecepatan, cuaca, dan waktu dalam sehari. Menurut dokumen regulasi perusahaan, area sasarannya mencakup jalan-jalan dengan batas kecepatan hingga 65 mph. Kendaraan beroperasi sepenuhnya otonom; operator manusia dari jauh tidak mengemudikan kendaraan dengan joystick, hanya memberikan panduan tingkat tinggi. Pada Oktober 2026, mereka juga menerbitkan kerangka baru mengenai latihan manajemen insiden untuk kesiapsiagaan menghadapi situasi tak terduga. Pesan dari sisi manajemen jelas: kendaraan otonom dapat mengurangi kecelakaan secara dramatis tetapi tidak dapat mencapai 100%, dan tentang hal ini perlu dibicarakan secara terbuka dan jujur. Data perusahaan menunjukkan jumlah kecelakaan per juta mil robotaksi mereka jauh lebih rendah dibandingkan tahun-tahun sebelumnya. Pengamatan lain adalah bahwa definisi ODD dan konsep keselamatan dapat digunakan kembali di lebih dari satu kota - fleksibilitas ini juga menimbulkan pertanyaan tentang batas-batas bidang ini.
Tesla dan NVIDIA: Dua taruhan berbeda
Tesla telah bertaruh bahwa miliaran mil data dunia nyata dari jutaan kendaraan lambat laun akan menerangi antrean tersebut. Pada rilisan Full Self-Driving (Supervised), pengguna melaporkan lebih sedikit intervensi, dan menurut perusahaan, FSD mengurangi kemungkinan tabrakan akibat kesalahan manusia lebih dari 80% - tetapi ini adalah data perusahaan sendiri dan masalah verifikasi independennya masih diperdebatkan; Tesla tidak pernah menerbitkan data pemisahan (disengagement) resmi. Laporan pengguna pun, meskipun tingkat anekdot, penuh dengan petunjuk: kewajiban keluar dari sistem di depan truk yang berpindah jalur, atau sistem yang mendekati truk konstruksi yang berhenti di lajur kiri dengan kecepatan tinggi.
NVIDIA justru melihat ke arah sebaliknya: menalar melewati situasi yang tidak diketahui dengan simulasi dan kecerdasan yang dapat digeneralisasi. Proyek Alpamayo-R1 menunjukkan bahwa model yang dilatih dengan data penalaran meningkatkan akurasi perencanaan hingga 12% pada kasus-kasus sulit dan mengurangi tabrakan nyaris terjadi sebesar 35%. Kedua filosofi itu - sama seperti penambangan data berbasis hipotesis Mobileye dan pendekatan kecerdasan buatan ujung-ke-ujung Wayve - belum terbukti sebagai solusi pasti. Tidak ada yang melihat ujung antrean.
Intervensi Manusia Jarak Jauh: Jaring Pengaman atau Celah Keamanan?
Jaminan praktis perusahaan robotaksi adalah teleoperasi: sistem kewalahan atau mengalami kerusakan, seorang operator manusia jarak jauh masuk untuk mengambil alih. Sebuah sidang Senat AS mengungkap bahwa perusahaan robotaksi justru mengandalkan hal ini. Sudah ada keyakinan di kalangan industri bahwa robotaksi Cruise sering membutuhkan intervensi dari operator jarak jauh.
Namun jaring pengaman ini memiliki sebuah tangga. Pada model Waymo, operator jarak jauh hanya memberikan panduan tingkat tinggi; tidak mengambil alih kemudi. Sementara pada peluncuran robotaksi Tesla di Austin, dilaporkan bahwa staf dukungan jarak jauh dapat mengambil kendali sementara pada kecepatan 2 mph ke bawah dan mengemudikan kendaraan dari jarak jauh, dan sebuah laporan dinas perhubungan negara bagian tahun 2025 mendokumentasikan bahwa Tesla menerapkan operasi jarak jauh untuk kasus tepi yang jarang terjadi dan lingkungan yang menantang. Koneksi 5G dan 6G dengan latensi rendah membuat model-model ini secara teknis memungkinkan. Pertanyaannya adalah: apakah manusia yang menyelesaikan skenario yang tak mampu diselesaikan sistem benar-benar sebuah solusi, ataukah kita hanya memindahkan masalah ke antrean yang tak terlihat?
Apa Kata Hukum tentang Jarak antara Janji dan Kenyataan?
Di sini urusan menjadi serius, karena kecelakaan yang terjadi pada kasus tepi yang jarang tidak hanya memunculkan pertanyaan teknis tetapi juga hukum. Di AS, NHTSA menerbitkan sebuah pembaruan aturan sistem berkendara otonom pada April 2026. Di sisi hukum, ada pembedaan yang menarik: kendaraan yang memenuhi standar keselamatan tidak membuatnya sempurna; tuntutan kelalaian adalah jalur hukum yang sama sekali berbeda dan para pengacara penggugat justru bermain di titik ini. Menurut panduan hukum yang disusun di Texas, argumen yang digunakan dalam perkara adalah perbedaan antara janji perusahaan dan apa yang sebenarnya dilakukan mobil. Risiko teknis yang disorot Brookings juga terhubung ke titik yang sama: kesalahan yang tak terduga dalam sistem persepsi dan prediksi dapat menyebabkan kendaraan melakukan hal yang salah di waktu yang salah.
Tingkatan dalam standar J3016 dari SAE juga mengungkap kenyataan janji tersebut. Pada skala dari Level 0 hingga Level 5, mayoritas mutlak kendaraan di jalan masih berada di Level 1 atau Level 2. Level 3 menciptakan pergeseran beban besar yang memindahkan tanggung jawab dari pengemudi ke pabrikan. Untuk Level 5, sebagian pakar berpikir seperti ini: kendaraan yang bekerja di mana pun manusia bisa mengemudi tidak akan pernah ada. Bahkan sebuah makalah ilmiah dari 2026 mengajukan klasifikasi tambahan berbasis lingkungan dan situasi dengan menyatakan bahwa tingkatan yang ada saat ini tidak mencerminkan kemampuan di dunia nyata.
Bisakah Antrean Dikonsumsi? Jawaban yang Jujur
Aku akan mengatakan padamu dalam bentuk yang paling jelas: Kasus tepi adalah skenario yang secara statistis sangat jarang namun tak terduga, yang menunda tercapainya otonomi penuh yang dijanjikan oleh berkendara otonom; baik mengumpulkan data tanpa batas maupun simulasi tidak dapat sendirian menghabiskan antrean terbuka ini. Pihak optimis memiliki kecelakaan nyata dalam genggamannya: Data Waymo menunjukkan jumlah kecelakaan per juta mil memang menurun, dan produksi skenario sintetis dari Mobileye secara sistematis mempersempit antrean tersebut. Pihak pesimis juga memiliki fakta dalam genggamannya: jika kamu mengemudi seperti manusia, kamu hanya bisa mencegah sekitar sepertiga dari kecelakaan; menurut beberapa lembaga keselamatan, kemampuan tanpa sopir belum tiba, kegagalan pada tugas-tugas dasar masih terjadi secara teratur. Dan perdebatan berikutnya sudah ada di depan pintu: jika kita entah bagaimana menyelesaikan kasus-kasus ekstrem, kali ini bagaimana kita akan menjamin keakuratan model kecerdasan artifisial yang dapat digeneralisasi?
Pembacaan saya begini: mengemudi otonom bukanlah sebuah perlombaan, melainkan pekerjaan penyaringan di jalur produksi. Menempuh ribuan kilometer setiap hari tanpa masalah tidak mengesankan siapa pun; yang membuat perbedaan adalah apa yang kamu lakukan pada momen aneh yang datang sekali dalam sejuta mil. Dan apa yang akan kamu lakukan saat itu, tidak diketahui bahkan sejak hari kamu membayangkan skenario tersebut. Menurutmu, apakah robotaksi akan mengalahkan antrean ini, ataukah ia akan selalu kabur satu langkah di depan? Saya penasaran dengan pendapatmu di kolom komentar.
Sumber
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)