View/Open

Author
Muhammad, A.M Hikar Syahrial

Date Published
15 Jul 2026

Advisor
Ilham Firman Ashari, S.Kom., M.T,
Andika Setiawan, S.Kom., M.Cs.,

Subject
Teknik Informatika

Publisher

Kemacetan lalu lintas dapat menghambat kendaraan layanan gawat darurat, khususnya ambulans, dalam menuju lokasi pasien maupun rumah sakit. Kondisi tersebut dapat berdampak serius karena ambulans membutuhkan waktu tempuh yang cepat dalam keadaan darurat. Lampu lalu lintas yang digunakan saat ini umumnya masih bekerja berdasarkan pola waktu tertentu dan belum mampu mengenali keberadaan ambulans secara otomatis. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan purwarupa sistem deteksi dan pengaturan lampu lalu lintas berbasis Tiny Machine Learning (TinyML) untuk memberikan prioritas kepada ambulans. Sistem yang dikembangkan menggunakan mikrokontroler ESP32 sebagai pusat kendali, mikrofon INMP441 sebagai sensor penangkap suara sirine ambulans, dan modul LED lampu lalu lintas sebagai keluaran sistem. Data audio diproses menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) untuk mengekstraksi fitur suara, kemudian diklasifikasikan menggunakan model Convolutional Neural Network (CNN). Model yang telah dilatih dikonversi ke format TensorFlow Lite agar dapat dijalankan pada perangkat ESP32. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 98,33% pada data uji. Hasil pengujian latensi menunjukkan rata-rata waktu deteksi sebesar 15 detik pada jarak 5 cm, 26 detik pada jarak 15 cm, dan 32,33 detik pada jarak 25 cm. Berdasarkan hasil tersebut, sistem berhasil mendeteksi suara sirine ambulans dan mengatur lampu lalu lintas pada skala purwarupa.

URI
https://repo.itera.ac.id/depan/submission/SB2607080025

Keyword
ambulans CNN ESP32 lampu lalu lintas MFCC TinyML