Peristiwa pengereman mendadak sebagai indikator risiko kecelakaan pada segmen jalan

• Peristiwa pengereman mendadak (HBE) terbukti memiliki korelasi positif yang signifikan secara statistik dengan tingkat kecelakaan pada segmen jalan nyata
• Statistik kecelakaan dari laporan polisi yang ada selama ini merupakan indikator yang jarang dan tertunda, tetapi HBE memberikan data yang kontinu dan berkepadatan tinggi
• Hasil analisis data selama 10 tahun di California dan Virginia menunjukkan bahwa jumlah segmen jalan tempat HBE teramati 18 kali lebih banyak daripada segmen dengan laporan kecelakaan
• Melalui analisis regresi, korelasi yang konsisten antara frekuensi HBE dan tingkat kecelakaan tetap terbukti bahkan setelah mengendalikan variabel seperti volume lalu lintas, jenis jalan, kemiringan, dan perubahan jumlah lajur
• Penelitian ini dilakukan oleh tim Mobility AI Google Research, dan data HBE telah diintegrasikan ke Roads Management Insights di Google Maps Platform untuk digunakan dalam pengelolaan keselamatan lalu lintas yang proaktif

---

Keterbatasan evaluasi keselamatan lalu lintas konvensional

• Evaluasi keselamatan lalu lintas secara tradisional bergantung pada statistik kecelakaan dari laporan polisi
  • Data ini dianggap sebagai ‘gold standard’ karena berkaitan langsung dengan kematian, cedera, dan kerusakan properti
• Namun, data kecelakaan merupakan indikator yang jarang dan tertunda, sehingga memiliki keterbatasan untuk pemodelan prediktif
  • Standar pelaporan berbeda menurut wilayah, dan di beberapa jalan kecelakaan hanya terjadi sekali dalam beberapa tahun
• Karena itu, dibutuhkan ‘indikator pendahulu’ yang lebih sering terjadi daripada kecelakaan tetapi tetap berkorelasi dengan keselamatan

Definisi dan pemanfaatan peristiwa pengereman mendadak (HBE)

• HBE didefinisikan sebagai manuver penghindaran yang terjadi ketika perlambatan ke depan kendaraan mencapai -3m/s² atau lebih
• HBE dikumpulkan berdasarkan data kendaraan terhubung, sehingga lebih skalabel dibanding indikator berbasis kedekatan yang memerlukan sensor tetap
• Para peneliti memanfaatkan data HBE anonim dan teragregasi dari platform Android Auto lalu menggabungkannya dengan data kecelakaan publik dari Virginia dan California untuk dianalisis
• Hasilnya, ditemukan korelasi positif yang signifikan antara frekuensi HBE dan tingkat kecelakaan pada semua tingkat keparahan kecelakaan

Analisis kepadatan data

• Hasil perbandingan data kecelakaan publik dan data HBE selama 10 tahun menunjukkan bahwa jumlah segmen jalan tempat HBE teramati 18 kali lebih banyak daripada segmen dengan laporan kecelakaan
• Data kecelakaan di beberapa wilayah membutuhkan waktu bertahun-tahun untuk mengamati satu kejadian, sedangkan HBE menyediakan aliran data yang berkelanjutan dan berkepadatan tinggi
• Dengan demikian, HBE berperan dalam menutup kekosongan data pada peta keselamatan jalan

Verifikasi statistik

• Para peneliti menggunakan model Negative Binomial Regression untuk memverifikasi hubungan antara frekuensi HBE dan tingkat kecelakaan
  • Metode ini merupakan pendekatan standar yang digunakan dalam Highway Safety Manual (HSM)
• Model tersebut mengendalikan faktor perancu seperti volume lalu lintas, panjang jalan, jenis jalan, kemiringan, keberadaan ramp, dan perubahan jumlah lajur
• Hasilnya, di kedua negara bagian terkonfirmasi bahwa semakin tinggi frekuensi HBE pada segmen jalan, semakin tinggi pula tingkat kecelakaannya
• Secara khusus, segmen yang memiliki ramp menunjukkan risiko kecelakaan yang lebih tinggi di kedua wilayah

Studi kasus: segmen pertemuan berisiko tinggi

• Dilakukan analisis pada segmen pertemuan yang menghubungkan Highway 101 dan 880 di California
  • Tingkat kejadian HBE di segmen ini 70 kali lebih tinggi dibanding rata-rata jalan tol, dan kecelakaan terjadi kira-kira sekali setiap 6 minggu
• Segmen tersebut termasuk dalam 1% teratas berdasarkan frekuensi HBE, dan dapat diidentifikasi sebagai segmen berisiko bahkan tanpa catatan kecelakaan selama 10 tahun
• Ini membuktikan bahwa HBE adalah indikator proksi yang andal untuk mendeteksi dini segmen berisiko tinggi bahkan tanpa data kecelakaan jangka panjang

Penerapan nyata dan perluasan

• Verifikasi HBE memungkinkan data sensor diubah menjadi alat keselamatan lalu lintas yang dapat diandalkan
• Tim Mobility AI Google Research telah mengintegrasikan data ini ke Roads Management Insights di Google Maps Platform
  • Otoritas lalu lintas dapat memanfaatkan data anonim berkepadatan tinggi untuk melakukan evaluasi keselamatan jalan yang lebih cepat dan lebih luas
• Pendekatan ini memungkinkan identifikasi segmen berisiko berdasarkan indikator pendahulu tanpa bergantung pada catatan kecelakaan

Arah penelitian selanjutnya

• Meski HBE telah dikonfirmasi sebagai indikator pendahulu yang kuat untuk risiko kecelakaan, penelitian berikutnya berencana menyempurnakan sinyal melalui pengurangan kelangkaan data dan pengelompokan spasial
• Ke depan, tujuannya adalah beralih ke intervensi infrastruktur yang konkret seperti penyesuaian timing sinyal, perbaikan rambu, dan perubahan desain lajur pertemuan

Riset bersama dan ucapan terima kasih

• Penelitian ini merupakan kolaborasi antara Google dan para peneliti Virginia Tech
• Penelitian ini melibatkan Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska, Feng Guo, dan lainnya
• Aurora Cheung, Andrew Stober, Reymund Dumlao, Nick Kan berkontribusi pada tahap penerapan nyata penelitian ini

[GN⁺]

Komentar Hacker News

• Saya pernah memakai dongle pelacak kebiasaan mengemudi untuk port OBD2 yang diberikan perusahaan asuransi
  Awalnya notifikasi “pengereman mendadak” sering berbunyi dan saya tidak tahu kenapa, tetapi akhirnya saya sadar perangkat itu telah melatih saya
  Penyebabnya bukan kecepatan, melainkan jarak antarkendaraan yang kurang. Saya terlalu mepet mengikuti mobil di depan, jadi lebih sering mengerem mendadak
  Selama perangkat itu terpasang, saya secara alami membentuk kebiasaan menjaga jarak, dan kenyamanan berkendara juga membaik. Premi asuransi tetap sama, tetapi rasanya kemungkinan kecelakaan berkurang

  • Di jalan tol yang padat, menjaga jarak aman memang sangat sulit
    Begitu mobil di depan disalip dan ada yang masuk, kita mengurangi kecepatan, lalu celah itu diisi mobil lain lagi… hal seperti ini berulang sepanjang perjalanan pulang-pergi
    Di jalan kota memang berbeda, tetapi masalahnya adalah kepadatan di jalan tol
  • Saya juga baru membeli mobil baru, jadi saat itu saya mengemudi dengan jarak yang lebih lebar dari biasanya, lalu tepat di depan saya terjadi tabrakan beruntun empat mobil
    Karena itu saya punya cukup waktu untuk melambat, dan bisa menghindari kecelakaan
  • Ini bukan cuma mengurangi kemungkinan saya sendiri mengalami kecelakaan, tetapi juga mengurangi kemungkinan kecelakaan pada banyak kendaraan yang mengikuti di belakang
    Setelah melihat diagram ini, cara pandang saya soal menjaga jarak benar-benar berubah
  • Saat muda saya memakai perangkat serupa, tetapi hanya dengan beberapa kali pengereman mendadak saja, diskon asuransinya hampir tidak ada
    Pada akhirnya saya menyesal membagikan data berkendara
  • Menarik melihat pengalaman seperti ini dibagikan secara terbuka. Menurut saya ini contoh yang bagus tentang kesadaran diri dan perbaikan

• Penelitian tentang kecelakaan jalan raya sangat berharga, tetapi jarang dilakukan
  Kita biasanya melihat kecelakaan jalan sebagai kesalahan individu, sedangkan kecelakaan penerbangan ditangani dengan pendekatan yang mencari penyebab sistemik
  Bahkan kesalahan pilot pun dianalisis untuk memahami mengapa kesalahan itu bisa terjadi. Sebaliknya, di jalan raya, meski kecelakaan yang sama berulang, lingkungannya tetap tidak berubah

  • Di penerbangan, analisis sistemik dimungkinkan pada dasarnya karena orang yang tidak terampil atau ceroboh tersaring lebih dulu
    Sebagian besar kecelakaan jalan disebabkan oleh satu pelanggar aturan
  • Ini juga sekadar perbedaan skala. Ada 100 ribu penerbangan per hari dan 1 miliar perjalanan mengemudi, jadi kecelakaan jalan tentu jauh lebih banyak
    Meski begitu, NTSB kadang juga menyelidiki kecelakaan mobil dari sudut pandang sistem

• Setelah pulang-pergi 1,5 jam setiap hari, saya menyadari bahwa penting untuk menjaga jalan tetap halus seperti ‘laminar flow’
  Pengereman mendadak mengubah energi menjadi panas dan menciptakan gelombang kekacauan yang berdampak sampai ke mobil di belakang
  Karena itu saya berusaha mengatur kecepatan sehalus mungkin

  • Namun ada pengemudi yang menganggap “mengemudi halus” seperti ini justru memperlambat arus lalu lintas
    Mereka melihatnya sebagai hanya memakan ruang dan menurunkan kecepatan keseluruhan
  • Saya juga mengemudi dengan pemikiran yang sama. Akan sangat membantu jika mobil bisa menampilkan kecepatan relatif terhadap kendaraan di depan
  • Video ini menunjukkan dengan baik reaksi berantai yang terjadi ketika orang menginjak rem
    Pada praktiknya, kemacetan muncul dari akumulasi kesalahan kecil
  • Tentu pengereman mendadak menciptakan gelombang, tetapi menurut saya dampaknya dilebih-lebihkan
    Kapasitas maksimum jalan ditentukan oleh jarak antarkendaraan (waktu). Jika jaraknya 2 detik, berarti 0,5 mobil per detik; jika jarak bertambah, kapasitas menurun
  • Jika kita melihat jauh ke depan dan mendeteksi lebih awal saat lalu lintas mulai memadat lalu perlahan mengurangi kecepatan, itu juga membantu pengemudi di belakang

• Di industri asuransi, pengereman mendadak sudah dikenal sebagai indikator kuat risiko kecelakaan
  Di Cambridge Mobile Telematics, mereka membuat aplikasi yang memberi bunyi notifikasi saat pengereman mendadak terjadi ketika mengemudi. Notifikasi sederhana saja sudah bisa memicu perubahan perilaku

  • Menarik bahwa perusahaan asuransi melihat pengereman mendadak sebagai sinyal risiko dari pengemudi, sedangkan Google melihatnya sebagai sinyal risiko dari desain jalan
    Penyebabnya berbeda, tetapi keduanya sama-sama bisa dimanfaatkan
  • Ibu saya juga memasang perangkat untuk diskon asuransi, tetapi sebagian besar pengereman mendadak terjadi karena perilaku berbahaya pengemudi lain
  • Saya penasaran apakah notifikasi sederhana saja benar-benar mengubah perilaku. Dalam praktiknya, mungkin insentif finansial yang lebih berpengaruh
  • Saya juga penasaran apakah mengurangi perilaku pengereman mendadak ikut memperbaiki kebiasaan mengemudi secara keseluruhan
    Pada akhirnya, kuncinya mungkin belajar kebiasaan defensive driving secara menyeluruh
  • Tapi apakah perangkat benar-benar perlu memberi tahu bahwa kita baru saja mengerem mendadak? Sinyal yang dirasakan tubuh rasanya sudah jauh lebih jelas

• Penelitian Google kali ini menarik karena menunjukkan pergeseran dari data berpusat pada pengemudi ke data berpusat pada infrastruktur
  Melihat pengereman mendadak bukan sebagai indikator risiko individu, melainkan indikator risiko jalan, terasa inovatif

  • Suatu hari nanti, jika mobil otonom sudah cukup banyak, data seperti ini mungkin bisa dipakai untuk mendorong pemerintah memperbaiki jalan
  • Akan bagus jika data seperti ini disediakan sebagai overlay terbuka di peta

• Saya masih menganggap Google Maps sebagai salah satu produk big tech yang paling mengesankan secara teknis
  Dari data pengguna, mereka bisa mendapatkan insight yang tidak intuitif seperti kepadatan kerumunan atau risiko jalan

  • Untuk pemanfaatan data seperti ini, saya lebih mementingkan kepentingan publik daripada privasi
    Menurut saya Google adalah contoh yang baik dalam memanfaatkan data secara bertanggung jawab
  • Jika data semacam ini dipakai untuk riset terbuka, nilai sosialnya akan sangat besar
    Perusahaan seperti Google sudah menghasilkan uang lebih dari cukup, jadi saya berharap mereka membuka datanya dan berkontribusi ke masyarakat

• Ada yang berpendapat penelitian ini sebenarnya tidak memberi wawasan baru
  Misalnya, simpang 880/101 di San Jose sudah lama disebut warga setempat sebagai persimpangan terburuk
  Masalahnya bukan kurang data, melainkan keterbatasan fisik dan administratif
  Google menyebut ini machine learning, tetapi menurut mereka sebenarnya lebih mirip promosi
  Tautan artikel terkait dan penyedia data yang sudah ada: Mercury News, TomTom, Inrix, StreetLight

  • Namun menurut artikelnya, yang penting adalah bahwa kita bisa mengidentifikasi ruas berisiko bahkan sebelum kecelakaan terjadi
    Data pengereman mendadak jauh lebih melimpah dan lebih cepat tersedia dibanding data kecelakaan
  • Data seperti ini juga bisa dipakai untuk pengenalan risiko pada mobil otonom
    Misalnya, kendaraan bisa mengenali persimpangan yang sering terlihat puing kecelakaan lalu menjadi lebih waspada
  • Google dan Apple sudah mengumpulkan hampir semua data kendaraan di AS, jadi penyedia lama bisa terancam
  • Caltrans mungkin bisa memperbaiki keadaan hanya dengan menurunkan batas kecepatan dan menerapkan desain peredaan lalu lintas
  • Sebenarnya ini lebih merupakan analisis korelasi antara pengereman mendadak dan tingkat kecelakaan daripada machine learning

• Saya penasaran kenapa data jalan tol Virginia terlihat berbeda dari negara bagian lain
  Bisa jadi karena perbedaan budaya atau faktor kebijakan, atau mungkin datanya sendiri salah ditampilkan

• Akan bagus jika saat mengemudi ada heatmap risiko di HUD
  Dalam kondisi normal berwarna hijau, lalu berubah merah di ruas berbahaya

  • Dulu Waze juga menampilkan bahaya sementara seperti kendaraan mogok atau lubang jalan, dan sekarang Google Maps juga punya
    Bahaya yang tetap membutuhkan rambu fisik atau perbaikan jalan
  • Jika fitur seperti ini diintegrasikan ke navigasi, rasanya akan lebih berguna daripada peringatan kamera kecepatan

• Jika benar ada peta indikator ruas berbahaya seperti ini, saya pasti ingin memakainya saat berkendara di daerah yang tidak familiar
  Untuk rute yang sering dilewati kita tahu titik berbahayanya, tetapi di jalan yang baru pertama kali dilalui, petunjuk visual akan sangat membantu