SISTEM LAMPU LALU LINTAS PINTAR PRIORITAS AMBULANS BERBASIS CNN DAN TDOA

ABSTRAK

SISTEM LAMPU LALU LINTAS PINTAR PRIORITAS AMBULANS BERBASIS CNN DAN TDOA

Oleh
Galih Sulistiyo
240103236

Keterlambatan ambulans akibat kemacetan di persimpangan jalan menjadi salah satu penyebab meningkatnya risiko keselamatan pasien dalam kondisi darurat. Sistem lalu lintas konvensional belum mampu memberikan prioritas otomatis kepada kendaraan darurat, terutama ketika terjadi penghalang visual. Penelitian ini menggunakan pendekatan metode prototype untuk mengembangkan sistem pendeteksi ambulans berbasis suara, dengan memanfaatkan kombinasi Convolutional Neural Network (CNN) untuk klasifikasi suara dan Time Difference of Arrival (TDOA) untuk deteksi arah kedatangan.
Sistem dibangun menggunakan perangkat ESP32 untuk perekaman suara dan penghitungan TDOA, serta server Virtual Private Server (VPS) untuk menjalankan model CNN yang telah dikonversi ke format TensorFlow Lite. Dataset yang digunakan terdiri dari suara ambulans dan kebisingan jalan yang telah diekstraksi fitur akustiknya menggunakan MFCC 20 koefisien. Model CNN menunjukkan akurasi pelatihan lebih dari 95%. Komunikasi dilakukan melalui HTTP Flask untuk upload suara dan MQTT untuk pengiriman hasil ke perangkat ESP32 pengendali lampu lalu lintas.
Hasil pengujian menunjukkan tingkat keberhasilan 100% dalam mengklasifikasikan suara ambulans dan kebisingan jalan serta ketepatan dalam mendeteksi arah suara. Rata-rata waktu respons sistem dari pengiriman suara hingga aktivasi lampu darurat tercatat sebesar 4,53 detik. Dengan demikian, sistem ini terbukti efektif diterapkan sebagai solusi untuk mendukung prioritas ambulans di persimpangan jalan.