Keterlambatan informasi pasca-kecelakaan lalu lintas sering kali menghambat pertolongan darurat dan meningkatkan risiko fatalitas bagi korban. Maka, perlu adanya suatu sistem yang secara responsif mampu mendeteksi adanya indikasi kecelakaan serta tahan dalam segala kondisi medan cuaca dan kepadatan lalu lintas. Untuk mengatasi hal ini, penelitian ini mengembangkan sistem deteksi kecelakaan mobil berbasis Convolutional Neural Network (CNN) yang mengintegrasikan sensor IMU dan mikrofon melalui arsitektur parallel computing pada perangkat edge NVIDIA Jetson Nano. Sistem terdiri dari dua model klasifikasi, dimana model pertama dilatih dengan data audio yang diubah menjadi citra Mel-spektogram, dan model kedua menggunakan data IMU dari sensor virtual. Untuk tujuan evaluasi, metodologi penelitian ini melibatkan perancangan dan perbandingan empat arsitektur CNN pada masing-masing model. Hasil terbaik diperoleh dari model CNN berbasis Mel-spektogram untuk data IMU dengan akurasi 95% dan efisiensi daya 2,77 FPS/W, serta MobileNetV2 Lite untuk data audio dengan akurasi 96% dan efisiensi daya 4 FPS/W. Pada pengujian terpadu, sistem mencapai akurasi 87%, presisi 90%, kecepatan end-to-end sebesar 0,33 FPS, dan konsumsi daya 7,4 W saat beroperasi. Sistem juga dilengkapi fitur notifikasi darurat melalui Telegram yang didukung oleh modul GPS dengan deviasi rata-rata 9 m. Dengan demikian, Penelitian ini menunjukkan potensi pengembangan lebih lanjut untuk implementasi di dunia nyata.