Sistem Prediksi Kecelakaan Lalu Lintas Menggunakan Deep Learning Convolutional Neural Network (CNN) untuk Pencegahan Efektif: Indonesia

Sausan Faza; Rafika Puteri Wulandari; Findi Ayu Sariasih; Imam Sutoyo; Syifa Nur Rakhmah

Authors

Sausan Faza, Universitas Bina Sarana Informatika, Indonesia
Rafika Puteri Wulandari, Universitas Bina Sarana Informatika, Indonesia
Findi Ayu Sariasih, Universitas Bina Sarana Informatika, Indonesia
Imam Sutoyo, Universitas Bina Sarana Informatika, Indonesia
Syifa Nur Rakhmah, Universitas Bina Sarana Informatika, Indonesia

Keywords:

Kecelakaan Lalu Lintas, Convolutional Neural Network, Feature Driven Development, Dashcam, Aplikasi Web

Abstract

Kecelakaan lalu lintas merupakan masalah global yang memerlukan pendekatan inovatif berbasis teknologi visi komputer. Penelitian ini bertujuan mengembangkan aplikasi web yang mampu mengidentifikasi probabilitas terjadinya kecelakaan kendaraan menggunakan citra dashcam dengan pendekatan deep learning berbasis Convolutional Neural Network (CNN). Pengembangan aplikasi dilakukan menggunakan metodologi Feature Driven Development (FDD) untuk memastikan integrasi fitur yang modular dan berorientasi pada kebutuhan pengguna. Dataset yang digunakan bersumber dari Kaggle Car Crash Dataset sebanyak 10.000 citra yang dibagi menjadi data training (7.000), validation (1.500), dan testing (1.500). Hasil penelitian menunjukkan bahwa model CNN berhasil mencapai akurasi pelatihan sebesar 83,66% dan akurasi validasi sebesar 82,13%. Meskipun demikian, terdapat tantangan pada ketidakseimbangan data yang menyebabkan nilai recall untuk kelas kecelakaan berada di angka 37,79%. Implementasi sistem pada antarmuka web memungkinkan pengguna mengunggah citra dan menerima hasil klasifikasi risiko berupa "High Risk" atau "Low Risk" secara real-time. Sistem ini diharapkan dapat menjadi prototipe awal bagi pengembangan teknologi keselamatan berkendara yang lebih responsif di masa depan.

Downloads

Download data is not yet available.

References

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.

S. Tariq and others, “Accident Detection and Classification using Surveillance and Dashcam Images via Deep Learning,” International Journal of Intelligent Transportation Systems Research, 2021.

S. Li and X. Wu, “Vision-Based Highway Traffic Accident Detection Using Deep CNNs,” IEEE Access, 2019.

A. Bansal and others, “Real-time Vehicle Accident Detection and Classification using Convolutional Neural Networks,” Journal of Computing and Information Technology, 2020.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Commun ACM, 2012.

F. Chollet, Deep Learning with Python. Manning Publications, 2017.

J. Deng and others, “ImageNet: A large-scale hierarchical image database,” in IEEE Conference on Computer Vision and Pattern Recognition, 2009.

N. V Chawla and others, “SMOTE: Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, 2002.

H. He and E. A. Garcia, “Learning from Imbalanced Data,” IEEE Trans Knowl Data Eng, 2009.

S. R. Palmer and J. M. Felsing, A Practical Guide to Feature-Driven Development. Prentice Hall, 2002.

P. Tamir, “Implementasi Metode Feature Driven Development Pada Perancangan Web Portal Lomba,” Kohesi: Jurnal Multidisiplin Saintek, vol. 1, no. 6, pp. 1–10, 2023.

J. Highsmith, Agile Software Development Ecosystems. Addison-Wesley Professional, 2002.

M. Grinberg, Flask Web Development: Developing Web Applications with Python. O’Reilly Media, 2018.

I. Sommerville, Software Engineering. Pearson Education, 2015.