ITB ADITB AD

Jurnal Teknologi Informasi (JUTECH)Jurnal Teknologi Informasi (JUTECH)

Pertumbuhan jumlah kendaraan di Kota Depok mendorong kebutuhan akan sistem pemantauan lalu lintas yang akurat dan efisien. Penelitian ini mengimplementasikan algoritma You Only Look Once (YOLO) versi 8 untuk mendeteksi dan mengklasifikasikan kendaraan secara otomatis menggunakan Python dan OpenCV. Fokus penelitian ini adalah pada empat jenis kendaraan, yaitu sepeda motor, mobil pribadi, bus, dan truk. Dataset diperoleh dari rekaman CCTV dan dokumentasi lapangan, kemudian dianotasi menggunakan LabelImg dan diproses ke dalam format YOLO. Proses pelatihan dilakukan menggunakan model YOLOv8 yang telah dilatih sebelumnya, sementara pengujian sistem dilakukan pada video jalanan Kota Depok. Kinerja model dievaluasi menggunakan metrik mAP@0.5 dan mAP@0.5:mAP95, presisi, recall, dan F1 score. Hasil evaluasi menunjukkan bahwa model mencapai mAP@0.5 sebesar 91% dan mAP@0.5:mAP95 sebesar 75.1%, presisi sebesar 88.5%, recall sebesar 85.2%, dan F1-score sebesar 86.8%. Dengan hasil ini, model mampu mendeteksi dan mengklasifikasikan kendaraan secara real time dengan akurasi tinggi dalam berbagai kondisi pencahayaan dan sudut kamera. Selain itu, sistem ini terintegrasi dengan antarmuka web menggunakan Flask untuk visualisasi langsung hasil deteksi. Penelitian ini berkontribusi dalam mendukung sistem transportasi cerdas di lingkungan perkotaan dan memberikan solusi potensial untuk manajemen lalu lintas berbasis data.

Penelitian ini berhasil mengimplementasikan model YOLOv8 untuk klasifikasi dan pelacakan kendaraan berbasis OpenCV dan Flask.Model ini menunjukkan performa yang sangat baik dalam mendeteksi dan mengklasifikasikan empat jenis kendaraan, yaitu mobil, motor, bus, dan truk.Tingkat akurasi model terbukti tinggi, dengan nilai mAP@0.8%, menunjukkan kemampuan model dalam memberikan prediksi yang akurat dan seimbang.

Penelitian lanjutan dapat difokuskan pada peningkatan akurasi deteksi kendaraan dalam kondisi cuaca buruk seperti hujan atau kabut, dengan memanfaatkan teknik augmentasi data atau model yang lebih robust terhadap variasi lingkungan. Selain itu, eksplorasi penggunaan model yang lebih ringan dan efisien, seperti YOLO-NAS, dapat dilakukan untuk memungkinkan implementasi sistem pada perangkat embedded dengan sumber daya terbatas, sehingga dapat diterapkan secara luas di berbagai lokasi. Terakhir, pengembangan sistem yang mampu memprediksi kepadatan lalu lintas berdasarkan data deteksi kendaraan secara real-time dapat memberikan informasi berharga bagi perencanaan transportasi dan manajemen kemacetan, serta integrasi dengan sistem navigasi untuk memberikan rekomendasi rute yang optimal kepada pengguna jalan. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam mewujudkan sistem transportasi yang lebih cerdas, efisien, dan berkelanjutan di perkotaan.

  1. (PDF) Traffic Monitoring System Using Machine Learning And Python OpenCV and YOLOv8. pdf traffic monitoring... doi.org/10.13140/RG.2.2.12182.46408PDF Traffic Monitoring System Using Machine Learning And Python OpenCV and YOLOv8 pdf traffic monitoring doi 10 13140 RG 2 2 12182 46408
  2. Real-Time Image Processing Using Deep Learning With Opencv And Python | Journal of Pharmaceutical Negative... doi.org/10.47750/pnr.2023.14.03.246Real Time Image Processing Using Deep Learning With Opencv And Python Journal of Pharmaceutical Negative doi 10 47750 pnr 2023 14 03 246
  3. Computer Vision Application Analysis based on Object Detection | IJSREM. loading article computer vision... doi.org/10.55041/ijsrem19015Computer Vision Application Analysis based on Object Detection IJSREM loading article computer vision doi 10 55041 ijsrem19015
  4. Desain dan Pengembangan Website untuk Mendeteksi Malware Menggunakan Framework Flask yang Diintegrasikan... openjournal.unpam.ac.id/index.php/JTSI/article/view/42003Desain dan Pengembangan Website untuk Mendeteksi Malware Menggunakan Framework Flask yang Diintegrasikan openjournal unpam ac index php JTSI article view 42003
Read online
File size1.75 MB
Pages11
DMCAReport

Related /

ads-block-test