Canggih, Ilmuwan Ciptakan Alat yang Bisa Prediksi Lokasi Kecelakaan
loading...
Kecelakaan lalu lintas selalu terjadi di belahan dunia manapun. (Foto: JPost)
A
A
A
JAKARTA - Kecelakaan lalu lintas selalu terjadi di belahan dunia manapun. Maka, ada sebuah studi yang melahirkan alat yang bisa memprediksi lokasi kecelakaan sebagai antisipasi pengguna jalan.
Angka kecelakaan lalu lintas yang semakin meningkat membuat sejumlah ilmuwan di Universitas Massachusetts-Amherst telah menggunakan pembelajaran mesin untuk memprediksi jalan mana yang mungkin paling berbahaya. Lantaran banyak korban kecelakaan tewas akibat ceroboh, kelalaian pejalan kaki serta kondisi jalanan yang berbahaya.
Laman Jerusalem Post melansir, Rabu (21/2/2024), kondisi jalanan berpotensi menimbulkan kecelakaan tidak diperbaiki dengan alasan anggaran minim untuk memperlebar jalan, membangun pembatas, dan meningkatkan penanda jalur.
Studi baru para ilmuwan tadi fokus pada solusi penyebab kecelakaan, termasuk masalah desain jalan, seperti perubahan batas kecepatan yang terlalu tiba-tiba atau masalah pembatas jalan. Ada pula kerusakan permukaan jalan berupa retakan di tengah jalan dan penandaan jalan yang tidak lengkap.
Studi tersebut diterbitkan dalam jurnal Transportation Research Record dan berjudul "Feature Engineering and Decision Trees for Predicting High Crash-Risk Locations Using Roadway Indicators." Penelitian ini berupa proyek bersama profesor teknik sipil dan lingkungan Jimi Oke, Eleni Christofa, dan Simos Gerasimidis dengan insinyur sipil dari Egnatia Odos, sebuah perusahaan rekayasa milik publik di Yunani.
Untuk mengidentifikasi fitur-fitur ini, para peneliti menggunakan kumpulan data 15.000 kilometer jalan di 7.000 lokasi di Yunani, tetapi mereka percaya bahwa temuan tersebut relevan di luar negara tersebut.
"Obyek permasalahannya ditemukan secara global—tidak hanya untuk Yunani, tetapi untuk AS dan negara-negara lain," kata Oke.
Perbedaan dalam desain jalan mungkin memengaruhi peringkat variabel, tetapi mengingat sifat intuitif fitur-fitur tersebut penting selain faktor lokasi. "Indikator-indikator itu sendiri adalah jenis observasi universal, jadi tidak ada alasan untuk percaya bahwa mereka tidak akan bisa digeneralisasikan ke AS," kata Oke.
Ia juga mencatat bahwa pendekatan ini dapat dengan mudah diterapkan pada data baru dari lokasi lain juga. Ada banyak aplikasi futuristik untuk karya ini karena terdapat sekira 60 indikator. Indikator tersebut untuk memahami bagaimana fitur tertentu berkontribusi pada kecelakaan dan kemudian mengukur untuk melihat apakah dapat memperbaiki masalah itu, lalu secara aktif mengurangi jumlah insiden yang terjadi.
Metode ini dipercaya bisa digunakan untuk melatih kecerdasan buatan AI untuk pemantauan kondisi jalan secara real-time."Ini adalah aplikasi AI dunia nyata yang menarik," Gerasimidis menyimpulkan.
Implementasinya bisa diwujudkan sebagai peta jalan untuk kerja sama masa depan antara akademisi dan insinyur pada topik perhitungan alat matematik bersama dengan data nyata merupakan kombinasi yang benar-benar kuat saat melihat masalah-masalah di lapangan.
Angka kecelakaan lalu lintas yang semakin meningkat membuat sejumlah ilmuwan di Universitas Massachusetts-Amherst telah menggunakan pembelajaran mesin untuk memprediksi jalan mana yang mungkin paling berbahaya. Lantaran banyak korban kecelakaan tewas akibat ceroboh, kelalaian pejalan kaki serta kondisi jalanan yang berbahaya.
Laman Jerusalem Post melansir, Rabu (21/2/2024), kondisi jalanan berpotensi menimbulkan kecelakaan tidak diperbaiki dengan alasan anggaran minim untuk memperlebar jalan, membangun pembatas, dan meningkatkan penanda jalur.
Studi baru para ilmuwan tadi fokus pada solusi penyebab kecelakaan, termasuk masalah desain jalan, seperti perubahan batas kecepatan yang terlalu tiba-tiba atau masalah pembatas jalan. Ada pula kerusakan permukaan jalan berupa retakan di tengah jalan dan penandaan jalan yang tidak lengkap.
Studi tersebut diterbitkan dalam jurnal Transportation Research Record dan berjudul "Feature Engineering and Decision Trees for Predicting High Crash-Risk Locations Using Roadway Indicators." Penelitian ini berupa proyek bersama profesor teknik sipil dan lingkungan Jimi Oke, Eleni Christofa, dan Simos Gerasimidis dengan insinyur sipil dari Egnatia Odos, sebuah perusahaan rekayasa milik publik di Yunani.
Untuk mengidentifikasi fitur-fitur ini, para peneliti menggunakan kumpulan data 15.000 kilometer jalan di 7.000 lokasi di Yunani, tetapi mereka percaya bahwa temuan tersebut relevan di luar negara tersebut.
"Obyek permasalahannya ditemukan secara global—tidak hanya untuk Yunani, tetapi untuk AS dan negara-negara lain," kata Oke.
Perbedaan dalam desain jalan mungkin memengaruhi peringkat variabel, tetapi mengingat sifat intuitif fitur-fitur tersebut penting selain faktor lokasi. "Indikator-indikator itu sendiri adalah jenis observasi universal, jadi tidak ada alasan untuk percaya bahwa mereka tidak akan bisa digeneralisasikan ke AS," kata Oke.
Ia juga mencatat bahwa pendekatan ini dapat dengan mudah diterapkan pada data baru dari lokasi lain juga. Ada banyak aplikasi futuristik untuk karya ini karena terdapat sekira 60 indikator. Indikator tersebut untuk memahami bagaimana fitur tertentu berkontribusi pada kecelakaan dan kemudian mengukur untuk melihat apakah dapat memperbaiki masalah itu, lalu secara aktif mengurangi jumlah insiden yang terjadi.
Metode ini dipercaya bisa digunakan untuk melatih kecerdasan buatan AI untuk pemantauan kondisi jalan secara real-time."Ini adalah aplikasi AI dunia nyata yang menarik," Gerasimidis menyimpulkan.
Implementasinya bisa diwujudkan sebagai peta jalan untuk kerja sama masa depan antara akademisi dan insinyur pada topik perhitungan alat matematik bersama dengan data nyata merupakan kombinasi yang benar-benar kuat saat melihat masalah-masalah di lapangan.
(msf)
Lihat Juga :
