Penentuan Tingkat Keselamatan Lalu Lintas Di Jalan Tol Berdasarkan Peraturan Pemerintah No 15 Tahun 2005
DOI:
https://doi.org/10.26740/mitrans.v1n3.p315-325Keywords:
Jalan Tol PP No 15 Tahun 2005 Sarana Prasarana Manajemen Resiko Karakteristik KecelakaanAbstract
Jalan tol merupakan jalan bebas hambatan yang harus mempertimbangkan aspek keselamatan berkendara. Jalan tol ruas Ngawi-Kertosono merupakan mega proyek jalan tol Trans Jawa yang beroperasi penuh serta manajemen resiko yang dibutuhkan. Jalan tol Ngawi-Kertosono menurut Peraturan Pemerintah No 15 Tahun 2005 sudah sesuai dengan pasl-pasalnya. Namun ada beberapa faktor yang menyebabkan kecelakaan lalu lintas seperti, faktor manusia (pengemudi), faktor kendaraan, dan faktor kualitas sarana jalan tol sendiri. Masalah kecelakaan perlu dilakukan penelitian dengan tujuan untuk mengetahui karakteristik kecelakaan yang terjadi. Berdasarkan data korban kecelakaan tahun 2022 penelitian ini menggunakan metode kualitatif dengan menunjukan karakteristik tingkat fatalitas dan faktor penyebab utama dalam parameter waktu tiap bulan. Berdasarkan hasil analisis data yang diolah, kecelakaan yang terjadi di jalan tol Ngawi-Kertosono faktor utama disebabkan oleh faktor manusia (pengemudi) dengan tingkat fatalitas luka ringan (LR).
References
Asfarian, A., Herdiyeni, Y., Rauf, A., & Mutaqin, K. H. (2013). Paddy diseases identification with texture analysis using fractal descriptors based on fourier spectrum. Computer, Control, Informatics and Its Applications (IC3INA), 2013 International Conference on (hal. 77-81). Jakarta: IEEE.
Bashish, D. A., Braik, M., & Ahmad, S. B. (2010). A framework for detection and classification of plant leaf and stem diseases. Signal and Image Processing (ICSIP), 2010 International Conference on (hal. 113-118). Chennai: IEEE.
Busin, L., Vandenbroucke, N., & Macaire, L. (2008). Color spaces and image segmentation. Advances in Imaging and Electron Physics, 151, 65-168.
Chaudhary, P., Chaudhari, A. K., Cheeran, A. N., & Godara, S. (2012). Color transform based approach for disease spot detection on plant leaf. International Journal of Computer Science and Telecommunications, 3(6), 65-70.
Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21-27.
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610-621.
Kadir, A., Nugroho, L. E., Susanto, A., & Santosa, P. I. (2013). Leaf classification using shape, color, and texture features. International Journal of Computer Trends and Technology, 225-230.
Kusuma, A. P., & Darmanto. (2016). Pengenalan angka pada sistem operasi android dengan menggunakan metode template matching. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 2(2), 68-78.
Meunkaewjinda, A., Kumsawat, P., Attakitmongcol, K., & Srikaew, A. (2008). Grape leaf disease detection from color imagery using hybrid intelligent system. Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, 2008. ECTI-CON 2008. 5th International Conference on (hal. 513-516). Krabi: IEEE.
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62-66.
Rathod, A. N., Tanawal, B., & Shah, V. (2013). Image processing techniques for detection of leaf disease. International Journal of Advanced Research in Computer Science and Software Engineering, 3(11), 397-399.
Rott, P. (2000). A guide to sugarcane diseases. Paris: Quae.
Sungkur, R. K., Baichoo, S., & Poligadu, A. (2013). An automated system to recognise fungi-caused diseases on sugarcane leaves. Proceedings of Global Engineering, Science and Technology Conference. Bencoolen, Singapura: Global Institute of Science & Technology.
Vibhute, A., & Bodhe, S. K. (2012). Applications of image processing in agriculture: A survey. International Journal of Computer Applications, 52(2), 34-40.
Abstract views: 288
,
PDF Downloads: 445
