Pada bagian pertama, kita membahas konsep dasar edge computing dan kenapa latensi rendah begitu penting untuk kendaraan terkoneksi, khususnya pada skenario sensor fusion dan collision avoidance. Di bagian kedua ini, kita akan masuk lebih dalam ke pola arsitektur yang membuat semua itu mungkin, serta trade-off yang perlu dipahami dibanding pendekatan yang sepenuhnya mengandalkan cloud.
Edge Node di Dalam Kendaraan
Lapisan edge yang paling dekat dengan sumber data adalah unit komputasi yang terpasang langsung di dalam kendaraan itu sendiri, sering disebut edge node atau on-board unit. Unit ini bertugas mengolah data dari sensor secara langsung - mendeteksi objek, memperkirakan jarak, dan mengambil keputusan cepat - tanpa perlu mengirim data mentah ke tempat lain terlebih dahulu. Karena berada tepat di dalam kendaraan, lapisan ini menawarkan latensi paling rendah dari seluruh arsitektur edge computing kendaraan terkoneksi.
Roadside Unit sebagai Lapisan Kedua
Selain unit di dalam kendaraan, arsitektur edge computing untuk kendaraan terkoneksi sering melibatkan roadside unit - perangkat komputasi yang dipasang di sepanjang jalan, misalnya di persimpangan atau titik rawan. Roadside unit ini bisa mengumpulkan data dari beberapa kendaraan sekaligus di sekitarnya, memungkinkan koordinasi yang lebih luas, seperti memberi peringatan dini tentang kondisi jalan atau kendaraan lain di luar jangkauan sensor satu kendaraan saja, tetap dengan latensi yang jauh lebih rendah dibanding harus menghubungi server pusat yang jauh.
Peran Jaringan 5G
Jaringan 5G berperan penting sebagai penghubung antar lapisan edge computing ini. Dibanding generasi jaringan seluler sebelumnya, 5G menawarkan latensi komunikasi yang jauh lebih rendah dan kapasitas yang lebih besar untuk menangani banyak perangkat sekaligus. Ini memungkinkan komunikasi antara kendaraan, roadside unit, dan lapisan edge lain berjalan nyaris real-time, melengkapi pemrosesan lokal yang sudah dilakukan di dalam kendaraan itu sendiri.
Trade-Off Dibanding Pemrosesan Penuh di Cloud
Meski edge computing menawarkan latensi rendah, pendekatan ini bukan tanpa trade-off. Perangkat edge di dalam kendaraan maupun di pinggir jalan punya keterbatasan daya komputasi dibanding server cloud skala besar, sehingga tugas pemrosesan yang sangat berat tetap lebih cocok dijalankan di cloud. Pendekatan yang umum digunakan adalah membagi tugas: keputusan yang butuh respons dalam hitungan milidetik diproses di edge, sementara analisis yang lebih kompleks dan tidak sensitif terhadap waktu - seperti pelatihan model atau agregasi data jangka panjang - tetap dikirim ke cloud. Kombinasi dari kedua bagian primer ini menunjukkan bahwa edge computing bukan pengganti cloud, melainkan pelengkap yang menempatkan pemrosesan tepat di mana kecepatan paling dibutuhkan.