Deteksi Kecelakaan Pengendara Kendaraan Berdasarkan Kamera CCTV Menggunakan Metode YOLOv9
Abstract
Kecelakaan lalu lintas merupakan salah satu
bencana non-alam yang paling sering terjadi di Indonesia dan
sering dilaporkan. Kecelakaan dapat terjadi di berbagai jenis
jalan, mulai dari jalan raya, jalan tol, hingga jalan kecil.
Berdasarkan tingkat keseriusannya, kecelakaan lalu lintas
dapat dikategorikan sebagai ringan, sedang, atau berat.
Kecelakaan ringan umumnya menyebabkan luka ringan atau
bahkan tanpa luka, sementara kecelakaan dengan tingkat
keseriusan sedang hingga berat dapat mengakibatkan cedera
serius yang dapat mengancam nyawa pengendara. Dalam
kondisi tersebut, penanganan medis yang cepat sangat penting
untuk menyelamatkan nyawa korban. Untuk meminimalkan
risiko korban jiwa, penting bagi pihak berwajib untuk
mengetahui kondisi sekitar lokasi kecelakaan secara akurat,
termasuk jumlah korban yang terlibat. Hal ini bertujuan agar
bantuan medis dan tim penyelamat dapat dikirim dengan cepat
dan tepat sasaran dalam memberi pertolongan. Dalam
penelitian ini, penulis mengusulkan solusi berupa sistem deteksi
pengendara yang terlibat kecelakaan lalu lintas dengan
memanfaatkan data dari CCTV dan menggunakan metode
YOLOv9 untuk deteksi objek. Hasil penelitian menunjukkan
bahwa sistem yang dibuat dapat mendeteksi pengendara yang
terlibat kecelakaan hanya dengan menggunakan data dari
CCTV dan menunjukkan bahwa model YOLOv9 dapat meraih
nilai AP@50 sebesar 0,72, precision 0,75, recall 0,61, average
confidence 0,63 dan IoU 0,73. Dengan hasil yang diperoleh
mencerminkan performa yang cukup baik dan diharapkan
dapat meningkatkan efektivitas respons cepat dalam situasi
darurat.
Kata kunci— YOLO, Deteksi Pengendara Kecelakaan,
Kecelakaan, Lalu Lintas
References
World Health organization, “Road traffic injuries.”
[Online]. Available: https://www.who.int/newsroom/fact-sheets/detail/road-traffic-injuries
Badan Pusat Statistik, “Jumlah Kecelakaan, Korban
Mati, Luka Berat, Luka Ringan, dan Kerugian Materi,
”
D. Setiawan and M. Asima, “PEMETAAN RISIKO
KECELAKAAN LALU LINTAS DI RUAS JALAN
TOL CIPULARANG,” Nov. 2019.
Polisi Republik Indonesia, “Jurnal data pusiknas
bareskrim polri tahun 2023 edisi 2024,” Jun. 2024,
[Online]. Available:
https://pusiknas.polri.go.id/jurnal_detail/jurnal_data_
pusiknas_bareskrim_polri_tahun_2023_edisi_2024
Ismurrizal, “Analisis Faktor Penyebab Kematian Pada
Kecelakaan Lalu Lintas,” p. 4, Oct. 2020, [Online].
Available:
https://ejournal.delihusada.ac.id/index.php/JK2M/arti
cle/download/403/299
A. P. Melani, V. S. A. Nawangsih, N. U. K. Devi, F.
Laseda, Moch. S. Rizal, and A. Hoirullah, “Analisis
Keterlambatan Penanganan Korban Kecelakaan
Tanpa Identitas di RSUD Waluyo Jati Kraksaan,”
Jurnal Publik, vol. 18, no. 02, pp. 119–128, Dec.
, doi: 10.52434/jp.v18i02.416.
Kementrian Kesehatan, “Sistem Penanggulangan
Gawat Darurat Terpadu (SPGDT),” Oct. 2024.
Accessed: Feb. 07, 2025. [Online]. Available:
https://pusatkrisis.kemkes.go.id/__pub/files935881_F
inal_Buku_Pedoman_Teknis_SPGDT.pdf
J. T. Valente and M. A. Perez, “Emergency response
to vehicle collisions: Feedback from emergency
medical service providers,” Safety, vol. 6, no. 4, 2020,
doi: 10.3390/safety6040048.
K. S. S. Wiwekananda, R. P. Hamukti, K. S. S.
Yogananda, K. E. Calisto, and P. S. Utomo,
“Understanding factors of ambulance delay and crash
to enhance ambulance efficiency: an integrative
literature review,” Journal of Community
Empowerment for Health, vol. 3, no. 3, p. 213, Dec.
, doi: 10.22146/jcoemph.57338.
K. Adi, A. Subagio, S. A. Widyanto, and A. B.
Putranto, “Motor vehicle condition monitoring and
recording system using arduino mega,” International
Review of Electrical Engineering, vol. 16, no. 3, pp.
–294, 2021, doi: 10.15866/iree.v16i3.18344.
Prabakar S, AN ENHANCED ACCIDENT
DETECTION AND VICTIM STATUS INDICATING
SYSTEM: PROTOTYPE. IEEE, 2012.
K. A. V. Prof. S. R. J. Bankar Sanket Anil, Intelligent
System for Vehicular Accident Detection and
Notification. IEEE, 2014.
A. Lupinska-Dubicka et al., “In-Car eCall Device for
Automatic Accident Detection, Passengers Counting
and Alarming,” in Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in Bioinformatics),
vol. 11960 LNCS, Springer, 2020, pp. 36–57. doi:
1007/978-3-662-61092-3_3.
M. I. Basheer Ahmed et al., “A Real-Time Computer
Vision Based Approach to Detection and
Classification of Traffic Incidents,” Big Data and
Cognitive Computing, vol. 7, no. 1, Mar. 2023, doi:
3390/bdcc7010022.
Y. Xiao et al., “A review of object detection based on
deep learning,” Multimed Tools Appl, vol. 79, no. 33–
, pp. 23729–23791, Sep. 2020, doi:
1007/s11042-020-08976-6.
T.-Hang. Meen, Knowledge Innovation and
Invention : 1st IEEE International Conference on
Knowledge Innovation and Invention (IEEE ICKII
: Jeju Island, South Korea, July 23-27, 2018.
International Institute of Knowledge Innovation and
Invention (IIKII), 2018.
W. Y. Hsu and W. Y. Lin, “Ratio-and-Scale-Aware
YOLO for Pedestrian Detection,” IEEE Transactions
on Image Processing, vol. 30, pp. 934–947, 2021, doi:
1109/TIP.2020.3039574.
Y. Li, J. Wang, J. Huang, and Y. Li, “Research on
Deep Learning Automatic Vehicle Recognition
Algorithm Based on RES-YOLO Model,” Sensors,
vol. 22, no. 10, May 2022, doi: 10.3390/s22103783.
Z. Zou, K. Chen, Z. Shi, Y. Guo, and J. Ye, “Object
Detection in 20 Years: A Survey,” May 2019,
[Online]. Available: http://arxiv.org/abs/1905.05055
