Pengenalan Pola Ketersediaan Slot Parkir Berbasis Ekstraksi Fitur Visual Menggunakan YOLOv8 untuk Sistem Parkir Cerdas

DOI: https://doi.org/10.33650/coreai.v7i1.15671
Authors

(1) * Juliyana Herman   (Universitas Halu Oleo)  
        Indonesia
(*) Corresponding Author

Abstract


Pertumbuhan jumlah kendaraan di perkotaan mendorong kebutuhan sistem parkir cerdas yang mampu mendeteksi ketersediaan slot secara otomatis dan real-time. Penelitian ini mengembangkan model deteksi berbasis YOLOv8s yang dilatih menggunakan dataset PKLot v2 (Roboflow) dengan total 12.416 gambar dari berbagai lokasi, sudut kamera, dan kondisi cuaca. Prapemrosesan mencakup konversi anotasi dari format COCO JSON ke YOLO TXT dan penghapusan bounding box duplikat menggunakan filter IoU > 0,85. Model dilatih selama 50 epoch dengan optimizer AdamW, augmentasi mosaic dan copy-paste, serta ukuran citra 640×640 piksel. Evaluasi pada subset validasi menghasilkan mAP@0.5 sebesar 0,9512, precision 0,9241, recall 0,9073, dan F1-Score 0,9156, melampaui penelitian sejenis yang menggunakan YOLOv5 atau dataset satu lokasi. Mekanisme Region of Interest (ROI) berbasis poligon diterapkan untuk memfilter deteksi di luar area parkir sehingga efektif mengurangi false positive. Penelitian ini membuktikan bahwa YOLOv8s yang dioptimalkan pada dataset multilokasi mampu mengenali pola ketersediaan slot parkir secara akurat sebagai fondasi sistem parkir cerdas yang dapat diimplementasikan secara luas.







References


S. Satapathy, P. Nandi, dan S. Chinara, “Computer Vision-Based Vehicle Allotment System using Perspective Mapping,” arXiv preprint arXiv:2603.08827, 2026.

B. Shrimali, J. Patel, L. Pathak, dan V. Ukani, “Deep Learning and IoT for Smart Parking System: A Review,” Proc. Fifth International Conference on Computing, Communications, and Cyber-Security (IC4S 2023), Lecture Notes in Networks and Systems, vol. 991, Springer, Singapore, 2024.

A. Muzaki, T. T. Mabruroh, R. Ibrahim, dan Resty Wulaningrum, “Deteksi

Ketersediaan Lahan Parkir dengan Menggunakan OpenCV,” Prosiding Seminar Nasional Teknologi dan Sains, vol. 3, hal. 237–243, 2024.

Diwan, T., Anis, G., & Tembhurne, J. V. (2023). Object detection using YOLO: challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 82(6), 9243-9275.

G. Jocher, A. Chaurasia, dan J. Qiu, “Ultralytics YOLOv8,” versi 8.0.0, 2023.

G. S. Wong, K. O. M. Goh, C. Tee, dan A. Q. Md. Sabri, “Review of Vision-Based Deep Learning Parking Slot Detection on Surround View Images,” Sensors, vol. 23, no. 15, hal. 6869, Agu. 2023. DOI: 10.3390/s23156869.

E. Ektrada, L. Hakim, dan S. P. Kristanto, “Sistem Tracking dan Counting Kendaraan Berbasis YOLO untuk Pemetaan Slot Parkir Kendaraan,” SESSION: Software Development, Digital Business Intelligence, and Computer Engineering, vol. 1, no. 2, hal. 55–60, 2023.

A. E. Saputra, B. K. S. Giawa, dan Rajaskhana, “Vehicle and Parking Space Detection for Smart Parking Systems Using the YOLOv5 Method,” dalam Proc. 4th International Seminar and Call for Paper ISCP UTA’45 Jakarta 2023, hal. 458–466, 2024.

A. Khairi, S. Romlah, A. Lestari, dan F. Z. Ismail, “Sistem Cerdas Deteksi Parkir Kendaraan dengan Line Detection dan YOLOv8 di Wisma Dosen,” COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi, vol. 6, no. 2, hal. 240–245, 2025.

S. Popereshnyak, D. Chornobryvets, dan O. Symonenko, “Parking Space Occupancy Monitoring System Using Computer Vision,” CEUR Workshop Proceedings (UkrProg-IIT 2025), hal. 1–11, 2025.

M. O. Khan, M. A. Raza, M. A. I. Mozumder, I. U. Azam, R. I. Sumon, dan H. C. Kim, “A Lightweight Deep Learning and Sorting-Based Smart Parking System for Real-Time Edge Deployment,” AppliedMath, vol. 5, no. 3, hal. 79, Jun. 2025. DOI:10.3390/appliedmath5030079.

A. G. Hochuli, A. S. Britto Jr., P. R. L. de Almeida, W. B. S. Alves, dan F. M. C. Cagni, “Evaluation of Different Annotation Strategies for Deployment of Parking Spaces Classification Systems,” arXiv preprint arXiv:2207.11372, hal. 1–8, Jul. 2022. DOI: 10.48550/arXiv.2207.11372.

A. Pokhrel dan G. Dao, “Optimizing YOLOv8 for Parking Space Detection: Comparative Analysis of Custom Backbone Architectures,” arXiv preprint arXiv:2505.17364, 2025.

B. Shrimali, J. Patel, L. Pathak, dan V. Ukani, “Deep Learning and IoT for Smart Parking System: A Review,” dalam Proc. IC4S 2023, Lecture Notes in Networks and Systems, vol. 991, Springer, 2024.

A. N. Al-Hajali, “PKLot Dataset,” Roboflow Universe, 2023.

Terven, J., Córdova-Esparza, D. M., & Romero-González, J. A. (2023). A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. In Machine Learning and Knowledge Extraction (Vol. 5, Number 4, pp. 1680–1716). Multidisciplinary Digital Publishing Institute (MDPI).

Muzammil, M. A. A., & Indraswari, R. (2024). Pengembangan Arsitektur Model YOLOv8 untuk Meningkatkan Performa Object Detection pada Varian Boks Warehouse Palletizing. ILKOMNIKA: Journal of Computer Science and Applied Informatics, 6(2), 19–30.

Ritonga, A. S., Widhiyanta, N., & Kusnanti, E. A. (2025). Evaluasi Kinerja YOLOv8 dan SSD dalam Deteksi Real-Time Sampah Botol Plastik Berbasis Deep Learning. In Computer Science and Information Technology (Number 6).

Dwi Sumatri, B., & Tenriawaru, A. (2026). DETEKSI KETERSEDIAAN PARKIR MENGGUNAKAN CITRA VIDEO BERBASIS CONVOLUTIONAL NEURAL NETWORK PADA YOLO11. 11(1).


Dimensions, PlumX, and Google Scholar Metrics

10.33650/coreai.v7i1.15671


Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Juliyana Herman

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.


Creative Commons License
 
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.