POLITANI SAMARINDAPOLITANI SAMARINDA

TEPIANTEPIAN

Sektor logistik menghadapi tantangan meningkat terkait keselamatan jalan dan efisiensi operasional akibat perilaku berkendara yang tidak aman, tingkat kecelakaan tinggi, dan kinerja pengiriman yang tidak konsisten. Pendekatan pemantauan tradisional sering bersifat reaktif dan terbatas dalam kemampuan menangkap pola berkendara kompleks secara real-time. Studi ini mengusulkan kerangka kerja poin perilaku pengemudi berbasis kecerdasan buatan yang mengintegrasikan telematika kendaraan, data rute GPS, dan pemantauan di kabin untuk meningkatkan kinerja keselamatan dan efisiensi operasi logistik. Penelitian menggunakan data historis dan real-time yang dikumpulkan dari sistem diagnosa kendaraan, termasuk kecepatan, akselerasi, pola pengereman, dan durasi berkendara. Tiga model kecerdasan buatan, Random Forest, Long Short-Term Memory (LSTM), dan hybrid CNN–LSTM dikembangkan dan dievaluasi untuk mengklasifikasikan perilaku berkendara berisiko dan memprediksi kejadian kritis keselamatan. Hasil eksperimen menunjukkan bahwa hybrid CNN–LSTM mencapai kinerja terbaik dengan akurasi 96,1% dan error absolut rata-rata 0,054. Penerapan tiga bulan pada lingkungan armada menunjukkan manfaat praktis, dengan rata-rata skor keselamatan pengemudi meningkat dari 78,4 menjadi 89,7 dan tingkat pengiriman tepat waktu meningkat dari 91,2% menjadi 96,5%. Temuan ini menyoroti efektivitas analitik perilaku pengemudi multimodal dalam meningkatkan keselamatan jalan dan kinerja logistik. Kerangka kerja yang ditawarkan memberikan wawasan pengambilan keputusan yang dapat diterapkan untuk manajer armada dan berkontribusi pada kemajuan sistem transportasi dan logistik berbasis kecerdasan buatan.

Penggunaan kecerdasan buatan dalam pemantauan perilaku pengemudi secara signifikan meningkatkan keselamatan dan efisiensi operasional logistik.Integrasi data telematika, GPS, dan pemantauan kabin memungkinkan identifikasi pola perilaku berisiko dan prediksi kejadian kritis.Evaluasi menunjukkan peningkatan signifikan dalam skor keselamatan pengemudi dan tingkat pengiriman tepat waktu, membuktikan manfaat kerangka kerja ini dalam lingkungan nyata.

Berdasarkan temuan penelitian ini, beberapa saran penelitian lanjutan dapat dikembangkan. Pertama, penelitian dapat mengkaji dampak kondisi cuaca ekstrem terhadap perilaku berkendara dan efektivitas sistem pemantauan berbasis AI dalam lingkungan tersebut. Kedua, pengembangan model prediksi risiko yang lebih akurat dengan mengintegrasikan data lingkungan tambahan seperti kondisi jalan dan volume lalu lintas. Ketiga, evaluasi jangka panjang pengaruh sistem poin perilaku pengemudi terhadap budaya keselamatan di perusahaan logistik, termasuk bagaimana mekanisme insentif dan pelatihan dapat meningkatkan adopsi teknologi ini. Penelitian ini dapat memberikan wawasan baru untuk meningkatkan keandalan dan skalabilitas solusi berbasis AI dalam industri logistik.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... etrr.springeropen.com/articles/10.1186/s12544-024-00691-9Client Challenge client challenge javascript disabled browser please enable proceed required part site etrr springeropen articles 10 1186 s12544 024 00691 9
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s13177-025-00471-2Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s13177 025 00471 2
  3.  . 0 mdpi.com/1424-8220/21/14/4704A 0 mdpi 1424 8220 21 14 4704
Read online
File size516.24 KB
Pages8
DMCAReport

Related /

ads-block-test