Sistem Analisis Kepadatan Lalu Lintas Menggunakan Teknologi YOLOv8
AbstractKemacetan lalu lintas menjadi salah satu tantangan utama di perkotaan yang memengaruhi efisiensi transportasi dan produktivitas masyarakat. Penelitian ini mengembangkan sistem analisis kepadatan lalu lintas berbasis YOLOv8, teknologi terbaru dalam deteksi objek. Dataset yang digunakan mencakup gambar kendaraan beranotasi dari berbagai kondisi. Model YOLOv8 dilatih untuk mendeteksi dan menghitung kendaraan secara real-time pada video. Evaluasi dilakukan berdasarkan akurasi dan kecepatan pemrosesan dalam berbagai kondisi pencahayaan dan cuaca. Hasil menunjukkan YOLOv8 mencapai akurasi deteksi 88%, membuktikan kemampuannya untuk menganalisis kepadatan lalu lintas secara efisien. Sistem ini berpotensi diimplementasikan dalam manajemen lalu lintas cerdas untuk mengoptimalkan waktu sinyal dan mengurangi kemacetan. Penelitian selanjutnya dapat mengintegrasikan sistem ini dengan perangkat IoT untuk aplikasi transportasi cerdas yang lebih luas.
|
Full Text:
References
M. Syafiih, N. Nadiyah, M. Khairi, M. F. Rahman, and M. Muafi, “PkM Peningkatan Kemampuan Masyarakat Desa Terhadap Teknologi Informasi Melalui Jaringan Internet Sebagai Penerapan IoT Desa Cerdas,” GUYUB J. Community Engagem., vol. 4, no. 2, pp. 142–154, 2023.
E. Michelle, M. Jusuf, and J. Julian, “Efektivitas pelaksanaan kebijakan berdasarkan Pergub No 66 Tahun 2020 tentang uji emisi kendaraan bermotor di Jakarta,” ADIL J. Huk., vol. 12, no. 1, 2021.
A. F. Aini, “Analisis Analisis Dampak Urbanisasi Terhadap Pertumbuhan Ekonomi Kota Surabaya,” J. Econ. Strateg., vol. 3, no. 2, pp. 60–67, 2022.
A. Sasmita, M. Reza, S. Elystia, and S. Adriana, “Analisis pengaruh kecepatan dan volume kendaraan terhadap emisi dan konsentrasi karbon monoksida di jalan jenderal sudirman, kota pekanbaru,” J. Tek. Sipil, vol. 16, no. 4, pp. 269–279, 2022.
M. Syafiih, “Penerapan Teknologi QR Code untuk Optimalisasi Absensi di PT. Sejahtera Paiton,” J. Electr. Eng. Comput., vol. 6, no. 2, pp. 519–530, 2024.
M. Syafiih, M. R. Ufron, and M. Muizzuddin, “Pengaruh Strategi Promosi Digital terhadap Peningkatan Jumlah Pendaftar Mahasiswa Baru di Universitas Nurul Jadid,” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 6, no. 1, pp. 67–75, 2025.
J. Irawan and M. Syafiih, “SISTEM PENDUKUNG KEPUTUSAN (SPK) MENGGUNAKAN METODE SIMPLE MULTI ATTRIBUTE RATING TECHNUE (SMART) DALAM MENENTUKAN JENIS PELANGGARAN DAN SANKSI DI MADRASAH ALIYAH NURUL JADID (MANJ),” INFOTECH J., vol. 10, no. 2, pp. 218–227, 2024.
J. Ramadhanni and S. K. Irdawati, “Hubungan pengetahuan orang tua mengenai pencegahan kecelakaan dengan insiden kecelakaan pada toddler di wilayah kerja Puskesmas Gambirsari Surakarta.” Universitas Muhammadiyah Surakarta, 2022.
R. E. Nalawati, D. Y. Liliana, and B. Warsuta, “Peningkatan Keselamatan Berkendara dengan Fitur Deteksi Helm pada Sistem Transportasi Cerdas,” in Seminar Nasional Inovasi Vokasi, 2023, pp. 136–146.
E. D. Azzahra and M. A. S. Yudono, “Systematic Literature Review: Efektivitas Sistem Pengaturan Lampu Lalu Lintas Untuk Mengurai Tingkat Kemacetan,” 2024.
I. W. A. A. Wiguna, R. R. Huizen, and G. A. Pradipta, “Model Deteksi Objek Menggunakan Yolov5 untuk Pengendalian Pengaturan Lalu Lintas,” in Seminar Hasil Penelitian Informatika dan Komputer (SPINTER)| Institut Teknologi dan Bisnis STIKOM Bali, 2024, pp. 840–844.
M. I. Hadi, D. K. Silalahi, and I. P. D. Wibawa, “Pengaturan Lampu Lalu Lintas Berdasarkan Deteksi Volume Kendaraan Menggunakan Metode Yolov3,” eProceedings Eng., vol. 9, no. 5, 2022.
D. Ariyoga, R. A. Rajagede, and R. Rahmadi, “Penelitian Terkini Tentang Sistem Pendeteksi Pelanggaran Lalu Lintas Berbasis Deep Learning: Sebuah Kajian Pustaka,” AUTOMATA, vol. 2, no. 1, 2021.
N. E. Budiyanta, M. Mulyadi, and H. Tanudjaja, “Sistem Deteksi Kemurnian Beras berbasis Computer Vision dengan Pendekatan Algoritma YOLO,” J. Inform. J. Pengemb. IT, vol. 6, no. 1, pp. 51–55, 2021.
I. Virgiawan, F. Maulana, M. A. Putra, D. D. Kurnia, and E. Sinduningrum, “Deteksi dan tracking objek secara real time berbasis computer vision menggunakan metode YOLO V3,” Humantech J. Ilm. Multidisiplin Indones., vol. 3, no. 3, 2024.
A. A. M. Suradi, M. F. Rasyid, and N. Nasaruddin, “Sistem Perhitungan Jumlah Kendaraan Berbasis Computer Vision,” in SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, 2022, pp. 89–97.
H. H. Marfuah, F. Syah, and Y. T. Hapsari, “Evaluasi Ergonomi Desain Ruang Kerja dengan Pendekatan Computer Vision Berbasis Postur Tubuh Menggunakan Metode Haar Cascade,” in Prosiding Seminar Nasional Teknik Industri (SENASTI), 2023, pp. 1–10.
A. I. Pradana, H. Harsanto, and W. Wijiyanto, “Deteksi Rambu Lalu Lintas Real-Time di Indonesia dengan Penerapan YOLOv11: Solusi Untuk Keamanan Berkendara,” J. Algoritm., vol. 21, no. 2, pp. 145–155, 2024.
H. N. P. Wisudawan, M. Riskhi, R. Rosiana, and M. Kusriyanto, “Sistem Monitoring Kerusakan Lampu Lalu Lintas dan Notifikasi Secara Real-Time Berbasis Internet-of-Things,” J. Ilmu Pengetah. dan Teknol., vol. 9, no. 1, pp. 6–11, 2025.
M. B. A. N. Fathurrahman, A. Virgono, and R. R. Septiawan, “Impelementasi LoRA pada Perancangan Sistem Pemantauan Informasi Posisi Kendaraan Secara Real-Time,” eProceedings Eng., vol. 11, no. 6, pp. 6823–6826, 2024.
W. Samek, G. Montavon, S. Lapuschkin, C. J. Anders, and K.-R. Müller, “Explaining deep neural networks and beyond: A review of methods and applications,” Proc. IEEE, vol. 109, no. 3, pp. 247–278, 2021.
Y. Yin, H. Li, and W. Fu, “Faster-YOLO: An accurate and faster object detection method,” Digit. Signal Process., vol. 102, p. 102756, 2020.
C. Chen et al., “Yolo-based uav technology: A review of the research and its applications,” Drones, vol. 7, no. 3, p. 190, 2023.
Z. Sun, X. Leng, Y. Lei, B. Xiong, K. Ji, and G. Kuang, “BiFA-YOLO: A novel YOLO-based method for arbitrary-oriented ship detection in high-resolution SAR images,” Remote Sens., vol. 13, no. 21, p. 4209, 2021.
K. Amulya, M. Sahithya, M. Trisha, S. Hariharan, A. V. S. Kumar, and R. Karthikeyan, “Efficient Traffic Density Calculation for Diverse Road Traffic using Yolov8 Algorithm,” in 2025 IEEE 14th International Conference on Communication Systems and Network Technologies (CSNT), IEEE, 2025, pp. 535–539.
S. Pudaruth and I. M. Boodhun, “Reducing Traffic Congestion Using Real-Time Traffic Monitoring with YOLOv8.,” Int. J. Adv. Comput. Sci. Appl., vol. 15, no. 10, 2024.
M. J. N. P. Markavathi, N. Saravanaselva, M. R. Viswam, M. Veeramani, and M. Pandikannan, “Real-Time Traffic Density Monitoring and Adaptive Signal Control Using YOLOv8 and Arduino-Based LED System,” in 2024 9th International Conference on Communication and Electronics Systems (ICCES), IEEE, 2024, pp. 227–232.
M. Syafiih, N. Aisyah, N. Nadiyah, N. W. Hastuti, T. Qomariah, and M. I. Z. Syauqillah, “Aplikasi Terintegrasi SIPONTREN dalam Meningkatkan Efisiensi Administrasi di Yayasan Nurul Amin,” GUYUB J. Community Engagem., vol. 5, no. 3, pp. 746–764, 2024.
M. Syafiih, “Nadiyah," Klasifikasi Biji Jagung Berdasarkan Tekstur Dan Warna Menggunakan Metode BackpropagationBerbasis Web,",” J. Elektron. Ilmu Komput. Udayana, vol. 12, no. 4, pp. 761–774, 2024.
K. C. Hari, M. Pokharel, and S. Shrestha, “Video Content Analysis for Detection of Road Traffic Congestion Pattern: An Optimized YOLOv8 Based Approach,” J. Adv. Res. Appl. Sci. Eng. Technol, vol. 57, pp. 180–193, 2024.
| 10.33650/coreai.v6i1.12217 |
|
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Nadiyah . Nadiyah, Beny Yusman, Moh. Furqan
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi
Published by Technic Faculty of Nurul Jadid University, Probolinggo, East Java, Indonesia.