Otomatisasi Pembuatan Diagram Kecelakaan dengan Model Visi-Bahasa (VLM): Studi Kasus Bundaran Multi-Jalur untuk Keselamatan Lalu Lintas

Pentingnya Diagram Kecelakaan dalam Analisis Keselamatan Lalu Lintas

      Diagram kecelakaan merupakan instrumen fundamental dalam analisis keselamatan transportasi. Representasi visual standar ini menggambarkan konfigurasi tabrakan, lintasan kendaraan, dan faktor-faktor penyebab di lokasi kecelakaan. Diagram ini berfungsi sebagai komponen vital dalam basis data keselamatan di tingkat negara bagian dan nasional, memungkinkan lembaga transportasi untuk mengidentifikasi pola kecelakaan, mengenali bahaya sistemik, dan mengembangkan tindakan pencegahan keselamatan yang terarah. Sifat visual diagram ini memfasilitasi pemahaman cepat terhadap dinamika tabrakan yang kompleks, menjadikannya sangat diperlukan bagi para insinyur keselamatan, penegak hukum, dan pembuat kebijakan dalam upaya mereka mengurangi cedera dan kematian akibat lalu lintas.

Tantangan Proses Manual dalam Pembuatan Diagram Kecelakaan

      Meskipun sangat penting, proses pembuatan diagram kecelakaan saat ini sebagian besar masih manual dan membutuhkan banyak sumber daya. Para profesional keselamatan lalu lintas yang terlatih harus menafsirkan narasi kecelakaan tertulis dari laporan polisi, yang sering kali terfragmentasi, ambigu, atau tidak lengkap, lalu menerjemahkannya ke dalam representasi visual yang terstandardisasi. Proses manual ini menghadirkan beberapa tantangan signifikan: membutuhkan investasi waktu yang besar, dengan setiap diagram memakan waktu 15–30 menit untuk dibuat; menuntut keahlian khusus dalam rekonstruksi kecelakaan dan konvensi diagram; rawan variabilitas interpretasi antar analis yang berbeda; dan menciptakan hambatan skalabilitas saat memproses volume data kecelakaan yang besar.

      Keterbatasan ini sangat menonjol untuk persimpangan dengan geometri kompleks seperti bundaran multi-jalur. Di bundaran multi-jalur, kendaraan masuk dari berbagai pendekatan, berputar dalam dua jalur konsentris di sekitar pulau tengah, dan keluar pada persimpangan berikutnya. Hal ini menghasilkan lintasan melengkung, manuver pindah jalur, dan beberapa titik konflik di pintu masuk, di dalam jalur putar, dan di pintu keluar. Kompleksitas geometris ini meningkatkan kesulitan dalam menafsirkan dan menggambarkan skenario kecelakaan secara akurat. Alat-alat yang ada saat ini, seperti fungsi diagram dalam Transportation Injury Mapping System (TIMS) atau platform komersial Crash Magic, masih sangat bergantung pada data kecelakaan terstruktur yang sudah dikodekan, tidak mengatasi tantangan awal mengubah laporan teks bebas atau formulir yang dipindai menjadi diagram yang lengkap dan koheren secara spasial.

Inovasi AI: Model Visi-Bahasa untuk Otomatisasi

      Kemajuan pesat dalam kecerdasan buatan generatif (generative AI) menawarkan peluang yang belum pernah ada sebelumnya untuk meningkatkan alat bantu dalam keselamatan lalu lintas. Vision-Language Models (VLMs) adalah sistem AI multimodal yang secara bersamaan memproses input tekstual dan visual untuk melakukan tugas penalaran dan generasi. Model ini mampu menganalisis deskripsi teks dari laporan polisi, kode kerusakan kendaraan standar, dan bahkan sketsa awal, kemudian menyintesis gambar diagram kecelakaan yang baru. Tidak seperti sistem AI sebelumnya yang hanya menganalisis gambar yang sudah ada, VLM generatif modern menggunakan arsitektur canggih untuk menciptakan konten visual baru yang mempertahankan akurasi semantik (makna) dan koherensi spasial (ketepatan posisi).

      Teknologi ini memiliki potensi transformatif untuk mengotomatiskan konversi laporan kecelakaan tekstual menjadi diagram visual standar. Namun, penerapannya pada domain teknis khusus seperti keselamatan transportasi masih belum banyak dieksplorasi. Pembuatan diagram kecelakaan menghadirkan tantangan unik: kepatuhan ketat terhadap simbologi standar dan konvensi diagram, lokalisasi spasial yang tepat dalam lingkungan geometris terbatas, interpretasi akurat terminologi domain khusus dan kode kerusakan, serta pemeliharaan akurasi teknis yang sesuai untuk analisis teknik dan dokumentasi hukum. ARSA Technology, sebagai penyedia solusi AI & IoT, melihat potensi besar dalam teknologi seperti AI Video Analytics dan AI Box Series untuk mengintegrasikan kemampuan pemrosesan visual canggih ini ke dalam alur kerja industri.

Metodologi Studi dan Evaluasi Kualitas Diagram

      Sebuah studi kasus yang dilakukan oleh Xiao Lu, Hao Zhen, dan Jidong J. Yang dari University of Georgia menyelidiki penggunaan Model Visi-Bahasa (VLM) untuk mengotomatiskan pembuatan diagram kecelakaan dari laporan polisi, dengan fokus pada bundaran multi-jalur sebagai kasus uji yang menantang (Sumber: Automating Crash Diagram Generation Using Vision-Language Models: A Case Case Study on Multi-Lane Roundabouts). Untuk memandu penalaran model melalui interpretasi, ekstraksi, dan sintesis visual, dikembangkan kerangka perintah terstruktur tiga bagian. Kerangka ini memastikan model memahami konteks, mengekstrak informasi relevan (seperti kode kerusakan pada laporan polisi yang merupakan indikator numerik standar yang menjelaskan titik benturan utama pada setiap kendaraan), dan kemudian menyusun diagram.

      Sistem evaluasi 10 metrik dirancang untuk menilai kualitas diagram dalam hal akurasi semantik (ketepatan makna), fidelitas spasial (ketepatan posisi objek dan lintasan), dan kejelasan visual. Tiga model populer, yaitu GPT-4o, Gemini-1.5-Flash, dan Janus-4o, diuji pada 79 laporan kecelakaan. Pemilihan model ini mencerminkan spektrum sistem AI multimodal saat ini: GPT-4o (proprietary), Gemini-1.5-Flash (penelitian komersial), dan Janus-4o (sumber terbuka). Studi ini berupaya untuk memahami sejauh mana VLM dapat memenuhi persyaratan ketat dalam domain teknis yang sangat terspesialisasi ini.

Temuan Utama dan Implikasi Signifikan

      Hasil analisis menunjukkan bahwa GPT-4o mencapai kinerja rata-rata tertinggi (6,29 dari 10), diikuti oleh Gemini-1.5-Flash (5,28) dan Janus-4o (3,64). Analisis mengungkapkan penalaran spasial GPT-4o yang unggul dan keselarasan yang lebih baik antara data kecelakaan yang diekstraksi dan divisualisasikan. Model ini mampu menghasilkan diagram yang lebih akurat dan mudah diinterpretasikan, bahkan untuk skenario kompleks di bundaran multi-jalur.

      Temuan ini menyoroti potensi besar sekaligus keterbatasan VLM saat ini dalam tugas visualisasi teknik. Otomatisasi pembuatan diagram kecelakaan dapat secara drastis mengurangi waktu yang dihabiskan oleh para profesional keselamatan, mengurangi variabilitas interpretasi manusia, dan memungkinkan analisis data dalam skala besar yang saat ini tidak mungkin dilakukan secara manual. Ini berarti lembaga transportasi dapat lebih cepat mengidentifikasi titik rawan kecelakaan dan menerapkan tindakan pencegahan yang efektif. Dengan kemampuan solusi AI khusus yang dimiliki ARSA Technology, penelitian semacam ini dapat dikembangkan lebih lanjut menjadi platform yang disesuaikan untuk kebutuhan spesifik perusahaan dan instansi pemerintah.

Penerapan Praktis dan Prospek Masa Depan

      Studi ini meletakkan dasar untuk mengintegrasikan AI generatif ke dalam alur kerja analisis kecelakaan, meningkatkan efisiensi, konsistensi, dan interpretasi. Meskipun penelitian ini berfokus pada evaluasi kelayakan VLM menggunakan structured prompt, pekerjaan di masa depan dapat mengeksplorasi strategi prompting yang lebih canggih, seperti pembelajaran dalam konteks (in-context learning), untuk lebih memahami bagaimana desain prompt memengaruhi penalaran model dan akurasi diagram.

      Penerapan praktis dari teknologi ini mencakup:

• Peningkatan Efisiensi: Mengurangi waktu yang diperlukan untuk membuat diagram kecelakaan dari 15-30 menit menjadi hitungan detik atau menit.
• Peningkatan Konsistensi: Mengeliminasi subjektivitas dan variasi interpretasi antar analis, menghasilkan diagram yang lebih seragam dan standar.
• Skalabilitas Data: Memungkinkan pemrosesan ribuan laporan kecelakaan secara otomatis, yang sangat penting untuk analisis tren dan identifikasi pola bahaya di tingkat nasional atau regional.
• Pengambilan Keputusan Lebih Cepat: Dengan diagram yang cepat dan akurat, para pembuat kebijakan dan insinyur keselamatan dapat membuat keputusan yang lebih tepat dan tepat waktu untuk meningkatkan keamanan lalu lintas.

      Sebagai teknologi yang terus berkembang, VLM akan memainkan peran yang semakin penting dalam mengubah cara kita mendekati analisis keselamatan lalu lintas, menjembatani kesenjangan antara data mentah dan intelijen operasional yang dapat ditindaklanjuti.

      Transformasi digital dalam analisis keselamatan lalu lintas adalah langkah krusial untuk menciptakan lingkungan transportasi yang lebih aman. Jika perusahaan Anda ingin mengeksplorasi bagaimana teknologi AI dan IoT dapat meningkatkan operasi dan keselamatan, tim ARSA Technology siap membantu. Kami menawarkan berbagai solusi dan keahlian untuk mewujudkan inovasi ini. Untuk mempelajari lebih lanjut atau menjadwalkan konsultasi, jangan ragu untuk menghubungi kami.