Publisher

PELITABANGSAPELITABANGSA

Journal Prosiding Sains dan TeknologiProsiding Sains dan Teknologi Abstract

Ketersediaan parkir di lingkungan kampus menjadi permasalahan serius seiring meningkatnya jumlah kendaraan dan keterbatasan lahan parkir, khususnya di Universitas Singaperbangsa Karawang (UNSIKA). Sistem parkir konvensional yang belum terotomatisasi menyebabkan waktu pencarian parkir yang panjang dan inefisiensi operasional. Penelitian ini bertujuan untuk mengembangkan MODEPA-8, yaitu model deteksi parkir berbasis YOLOv8 (You Only Look Once), serta menganalisis pengaruh perbedaan jumlah epoch pelatihan terhadap performa deteksi parkir. Metode yang digunakan adalah penelitian eksperimental kuantitatif dengan pendekatan visi komputer, di mana model dilatih menggunakan dua konfigurasi epoch, yaitu 30 dan 50 epoch, pada dataset citra area parkir kampus UNSIKA. Evaluasi performa dilakukan menggunakan metrik mAP50–95, mAP50, precision, recall, F1 Score, dan Confusion Matrix. Hasil eksperimen menunjukkan bahwa MODEPA-8 dengan pelatihan 30 epoch mencapai mAP50–95 sebesar 0,91862, mAP50 sebesar 0,97516, precision 0,97679, dan recall 0,95186 dengan waktu pelatihan sekitar 5.690 detik. Sementara itu, pelatihan 50 epoch menghasilkan mAP50–95 sebesar 0,92259 dan recall 0,95783, namun membutuhkan waktu pelatihan yang jauh lebih lama, yaitu sekitar 14.143 detik. Selisih peningkatan performa yang kurang dari 1% menunjukkan adanya diminishing returns pada penambahan epoch. Oleh karena itu, MODEPA-8 dengan konfigurasi pelatihan 30 epoch direkomendasikan sebagai solusi paling efisien dan optimal untuk implementasi sistem parkir cerdas di lingkungan kampus.

Conclusion

Kesimpulan dari penelitian ini menunjukkan bahwa MODEPA-8 mampu mendeteksi kondisi parkir kampus UNSIKA secara akurat dan konsisten menggunakan pendekatan YOLOv8.Hasil eksperimen membuktikan bahwa pelatihan selama 30 epoch telah menghasilkan performa tinggi dengan nilai mAP50–95 sebesar 0,91862, precision 0,97679, dan recall 0,95186, yang tidak berbeda signifikan dibandingkan pelatihan 50 epoch.Meskipun pelatihan 50 epoch memberikan peningkatan kecil pada beberapa metrik, peningkatan tersebut tidak sebanding dengan tambahan waktu pelatihan yang meningkat lebih dari dua kali lipat.Analisis komparatif secara menyeluruh menunjukkan adanya kondisi diminishing returns pada penambahan epoch setelah model mencapai konvergensi.Oleh karena itu, MODEPA-8 dengan konfigurasi pelatihan 30 epoch direkomendasikan sebagai solusi paling efisien dan rasional untuk implementasi sistem parkir kampus.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa arah pengembangan lebih lanjut yang dapat dilakukan. Pertama, perlu dilakukan pengujian pada dataset yang lebih beragam, termasuk variasi kondisi pencahayaan, cuaca, dan sudut pandang kamera, untuk meningkatkan robustitas model terhadap perubahan lingkungan. Kedua, eksplorasi teknik augmentasi data yang lebih canggih, seperti generative adversarial networks (GANs), dapat dipertimbangkan untuk memperkaya dataset dan meningkatkan kemampuan generalisasi model. Ketiga, integrasi sistem MODEPA-8 dengan platform manajemen parkir yang ada, seperti aplikasi mobile atau sistem informasi kampus, dapat memberikan kemudahan bagi pengguna dan pengelola parkir dalam memantau ketersediaan slot parkir secara real-time.

Metadata

File size	504.74 KB
Pages	12
DMCA	Report