Hasil Pencarian  ::  Simpan CSV :: Kembali

"Menjaga jarak aman saat berkendara adalah hal penting yang perlu diperhatikan terutama saat berkendara dalam kecepatan tinggi. Jalan tol yang bebas hambatan dapat membuat pengemudi mobil memacu kendaraannya dalam kecepatan tinggi sehingga sulit untuk menjaga jarak aman. Jarak aman yang relatif terhadap kecepatan kendaraan menambah sulit penerapan jarak aman di jalan tol. Aturan tiga-detik bisa menjadi solusi karena jarak waktu adalah konstan pada kecepatan berapapun. Namun, menghitung jarak waktu dapat berisiko mengurangi konsentrasi padahal penting bagi pengemudi untuk tetap fokus menyetir ketika di jalan tol. Kemajuan teknologi kecerdasan buatan dapat menjadi solusi untuk membantu menjaga jarak aman berkendara tanpa harus khawatir menghitungnya secara manual. Penelitian ini mengusulkan penggunaan model deep learning dan pendekatan pemrosesan gambar untuk menghitung jarak aman berkendara di jalan tol. Kemudian, memberikan feedback berupa peringatan visual apabila kendaraan tidak berada pada jarak aman. Pendekatan dilakukan dengan mengestimasi kecepatan kendaraan pengemudi dan jarak kendaraan di depan kendaraan pengemudi berdasarkan garis lajur di jalan tol. Model deep learning YOLOv8, algoritma Canny Edge Detection, Hough Transformation, dan teknik transformasi perspektif dipadukan untuk mencapai tujuan tersebut. Program dapat mengestimasi kecepatan kendaraan pengemudi dengan rata-rata error sebesar 7.66 Km/jam pada 93% kesalahan yang dibuat. Sementara itu, ratarata error estimasi kecepatan adalah 25.8 Km/jam pada 100% kesalahan yang dibuat. Hasil observasi juga menunjukkan bahwa hasil estimasi kecepatan lebih konsisten pada video 30 fps dibandingkan video 60 fps. Konsistensi ini ditunjukkan dengan rata-rata perubahan hasil estimasi kecepatan antar perhitungan pada video 30 fps adalah 29.76 Km/jam sedangkan pada video 60 fps adalah 76.74 Km/jam. Program akan semakin optimal apabila faktor seperti garis lajur jalan yang terputus, memudar, ataupun tertutup dapat diminimalisir. Selain itu, konfigurasi kamera yang dapat memengaruhi posisi gambar, perlu untuk diperhatikan agar garis lajur jalan tidak keluar dari gambar. Penelitian ini mengharapkan bahwa penggunaan model deep learning dan pendekatan pemrosesan gambar dapat membantu pengawasan jarak aman berkendara di jalan tol dengan menggunakan garis lajur jalan sebagai faktor utama untuk mengestimasi kecepatan dan jarak kendaraan.

---

Keeping a safe distance while driving becomes an important aspect that needs to be considered, especially when driving at high speeds. Toll roads that are freeway can tempt car drivers to accelerate their vehicles to high speeds, thus making it difficult to maintain a safe distance. The relative safe distance in relation to the vehicle's speed adds to the challenge of implementing safe driving distances on toll roads. The three-second rule can be a solution since the time distance remains constant regardless of the speed. However, calculating the time distance can be risky as it may reduce the driver's concentration which is important to stay focused while driving on toll roads. The advancements in artificial intelligence technology can provide a solution to help maintain a safe distance without having to worry about calculating it manually. This research proposes the use of deep learning models and image processing approaches to calculate the safe distance on toll roads. Then, it provides feedback in the form of a visual warning if the vehicle is not at a safe distance. The approach is carried out by estimating the driver's speed and the distance of the vehicle in front of the driver based on the lane lines on the toll road. The deep learning model YOLOv8, Canny Edge Detection algorithm, Hough Transformation, and perspective transformation techniques are combined to achieve this objective. The program can estimate the driver's speed with an average error of 7.6 Km/h for 93% of the errors made. Meanwhile, the average error in speed estimation is 25.8 Km/h for 100% of the errors made. The observation results also indicate that speed estimation is more consistent in 30 fps videos compared to 60 fps videos. This consistency is shown by the average change in speed estimation results between calculations on 30 fps videos is 29.76 Km/h, while on 60 fps videos it is 76.74 Km/h. The program will be more optimal if factors such as discontinuous, faded, or obstructed lane lines can be minimized. Furthermore, the configuration of the camera, which can affect the image's position, needs to be considered to prevent the lane lines from going outside the image. This research expects that the use of deep learning models and image processing approaches can assist in monitoring the safe distance on toll roads by utilizing lane lines as the main factor to estimate vehicle speed and distance."

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."