Pendahuluan

Setiap orang yang mengendarai sepeda motor atau skuter tahu: kendaraan roda dua membutuhkan reaksi seketika. Dan jika ditambah tenggat waktu yang ketat — misalnya ketika harus tiba di tujuan tepat waktu — situasinya menjadi benar-benar berbahaya. Stres akibat tekanan waktu memperburuk penilaian jarak, memperlambat waktu pengambilan keputusan, dan mendorong pengambilan risiko yang tidak perlu. Sebagian besar sistem bantuan pengemudi yang ada hanya mengevaluasi kondisi fisik berkendara, mengabaikan konteks psikologis.

Kelompok peneliti memperkenalkan kerangka kerja MotoSafety yang memecahkan masalah ini di tepi jaringan. Model bekerja langsung di perangkat, tanpa mengirim data ke cloud, dan memperhitungkan tidak hanya lintasan tetapi juga tingkat tekanan waktu. Pendekatan ini memungkinkan sistem untuk memperingatkan pengendara tentang risiko tabrakan pada saat-saat ketika ia sendiri tidak menyadarinya.

Dataset dan Kondisi Eksperimen Simulator

Untuk mengajarkan model memahami pengaruh tenggat waktu, para penulis membangun kumpulan data besar berbasis simulator. Sebanyak 51 orang berpartisipasi dalam eksperimen, masing-masing melakukan tiga kali perjalanan. Total terkumpul 153 sesi simulator, dan sampel akhir mencakup lebih dari 129.000 jendela deret waktu multivariat yang telah dilabeli.

Skenario dibedakan berdasarkan tingkat tekanan waktu: tanpa batasan waktu (No TP), dengan tenggat waktu sedang (Low TP), dan tenggat waktu ketat (High TP). Pembagian ini memungkinkan isolasi pengaruh stres sebagai variabel terpisah.

Untuk setiap jendela waktu, dicatat 64 atribut. Ini bukan hanya kecepatan dan akselerasi, tetapi juga parameter kemudi, jarak ke objek terdekat, serta indikator pelanggaran aturan. Berkat kelengkapan data ini, model dapat membedakan manuver berbahaya yang disebabkan oleh kurangnya pengalaman dan manuver yang dipicu oleh keinginan untuk tepat waktu.

Cara Kerja MotoSafety

Ide kunci dari kerangka kerja ini adalah konsep learned temporal importance (LTI). Alih-alih memproses semua momen waktu dengan bobot yang sama, model secara mandiri mengidentifikasi bagian perjalanan mana yang benar-benar kritis untuk prediksi risiko. Misalnya, perubahan lintasan yang tajam satu detik sebelum potensi tabrakan lebih penting daripada gerakan lurus yang seragam selama lima detik. Ini mengurangi biaya komputasi sekaligus meningkatkan akurasi.

Arsitektur dan Performa

Dari segi spesifikasi teknis, MotoSafety terlihat sangat menarik untuk implementasi nyata. Hanya 1,15 juta parameter, dengan latensi 0,135 milidetik per contoh pada prosesor yang murah. Bandingkan dengan jaringan saraf besar yang membutuhkan server dengan GPU — di sini chip tertanam yang ringkas sudah cukup.

Pada data uji, model mencapai akurasi 94,97% dan area di bawah kurva ROC sebesar 99,33%. Ini adalah angka yang sangat baik untuk sistem penilaian risiko. Model ini juga mengungguli sepuluh algoritma dasar, termasuk transformer kuat seperti TimesNet dan LLM4TS. Kesalahan prediksi tercatat 0,039 MSE dan 0,094 MAE — 4,4 kali lebih kecil dibandingkan Time-LLM dan iTransformer yang dianggap sebagai baseline kuat untuk deret waktu.

Memperhitungkan Tekanan Waktu sebagai Bias Induktif

Yang paling menarik adalah hasil penggunaan label tekanan waktu. Jika nilai sebenarnya (ground truth) dari tingkat stres dimasukkan sebagai fitur tambahan, akurasi meningkat dari 94,09% menjadi 94,97%. Kenaikannya tampak kecil, tetapi untuk tugas keselamatan ini adalah perbedaan yang signifikan — pada ratusan ribu perjalanan, hal ini dapat mencegah banyak kecelakaan.

Yang lebih penting, model dapat memprediksi tingkat tekanan waktu secara mandiri. Dalam kasus ini, akurasi hanya turun menjadi 94,82% — hanya 0,15 poin persentase lebih rendah dibandingkan saat menggunakan label asli. Ini membuka jalan untuk penerapan sistem di dunia nyata, di mana kondisi psikologis pengendara tidak diketahui sebelumnya. MotoSafety mampu menilai tingkat tekanan waktu dari gaya berkendara dan kemudian menyesuaikan prediksi risiko.

Kompak dan Bekerja di Tepi Jaringan

Untuk penggunaan produksi massal, kemudahan integrasi sangat penting. Dan di sini kerangka kerja ini juga menunjukkan hasil yang sangat baik. Jika sebagian besar sensor dihilangkan dan hanya menyisakan 21 sinyal dari IMU dan GPS, akurasi tetap berada di angka 93,91%. Ini berarti sistem dapat berjalan di atas smartphone biasa yang dipasang di stang, atau modul murah yang tertanam di helm.

Jumlah fitur yang sedikit menurunkan biaya produksi dan konsumsi daya. Selain itu, berkat otonomi penuh perangkat, masalah latensi komunikasi dan privasi data dapat dihilangkan. Semua komputasi terjadi secara lokal — pengendara tidak bergantung pada internet dan tidak mengirimkan data pergerakannya ke server eksternal.

Portabilitas ke Bidang Lain

Arsitektur LTI ternyata bukan sekadar solusi yang baik khusus untuk kendaraan bermotor. Para penulis mengujinya pada tugas pengenalan aktivitas manusia — akurasinya mencapai 97,66%. Dan pada deret waktu klinis (misalnya, data pasien di unit perawatan intensif), model mencapai 99,65%. Ini menegaskan bahwa gagasan pembelajaran pentingnya segmen waktu tertentu bersifat universal: ia dapat bekerja di berbagai bidang yang memiliki aliran sinyal dari sensor.

Kesimpulan

Penelitian ini dilakukan dalam logika Safe System Approach — konsep yang menggeser fokus dari mencari siapa yang salah menjadi menciptakan lingkungan yang aman. Sistem transportasi cerdas yang didasarkan pada algoritma semacam itu dapat memperingatkan pengendara sepeda motor lebih awal tentang bahaya dan mengompensasi kesalahan yang disebabkan oleh stres.

Tentu saja, data simulator selalu berbeda dari jalan nyata. Tetapi latensi 0,135 milidetik, kekompakan model, dan ketahanan terhadap pengurangan jumlah fitur menjadikan MotoSafety kandidat nyata untuk pembuatan prototipe pada kendaraan sesungguhnya. Jika tahap-tahap berikutnya berhasil, kita mungkin akan melihat sistem yang benar-benar memahami ketika pengendara sedang terburu-buru — dan membantunya untuk tidak mengambil risiko.