Pengembangan Sistem Deteksi Kecepatan Kendaraan Overspeed dengan YOLOv8 di Area Jalan Tol

A. Arfan Fauzi; Abdul Wahid; Andi Baso Kaswar

Penulis

A. Arfan Fauzi Universitas Negeri Makassar
Abdul Wahid Universitas Negeri Makassar
Andi Baso Kaswar Universitas Negeri Makassar

Kata Kunci:

Computer Vision, Deep Learning, Deteksi Kecepatan, Pemantauan Lalu Lintas, YOLO

Abstrak

Jalan tol di kota besar seperti Makassar memainkan peran penting dalam mobilitas masyarakat, namun sering terjadi pelanggaran overspeed yang mengancam keselamatan pengguna jalan. Penelitian ini bertujuan mengembangkan sistem deteksi kecepatan kendaraan overspeed menggunakan algoritma YOLOv8 dengan input video dari CCTV. Dataset berupa 300 citra yang diperoleh dari rekaman CCTV area jalan tol Makassar yang kemudian dikonversi menjadi citra digunakan untuk pelatihan model. Hasil pelatihan menunjukkan model YOLOv8n dengan optimizer AdamW, image size 640x640 piksel, jumlah batch 16 dan jumlah epoch sebanyak 100 kali memberikan kinerja terbaik dengan nilai mAP50 sebesar 0.992 dan mAP50-95 sebesar 0.897. Hasil pengujian sistem dalam mendeteksi objek berupa kendaraan menunjukkan akurasi 100% pada berbagai kondisi pencahayaan dan posisi kamera. Sistem juga mampu mendeteksi kecepatan kendaraan dengan persentase error yang kecil, persentase error berkisar antara 1.67% hingga 7.5% dan rata-rata persentase error sebesar 3.97%. Sistem ini mampu mengidentifikasi kendaraan overspeed secara akurat dan diimplementasikan ke dalam website berbasis Flask untuk pemantauan secara real-time.

Unduhan

Data unduhan belum tersedia.

Referensi

Agustin, I. W., & Hariyani, S. (2023). Pengelolaan infrastruktur kota dan wilayah. Universitas Brawijaya Press.

Badan Pengatur Jalan Tol. (2022). Laporan Tahunan Badan Pengatur Jalan Tol 2022 : Peningkatan Kualitas Jalan Tol Melalui Inovasi Teknologi Operasi dan Pemeliharaan. https://bpjt.pu.go.id/booklet/buku_tahunan_BPJT_2022/mobile/index.html

Bell, D., Xiao, W., & James, P. (2020). Accurate Vehicle Speed Estimation from Monocular Camera Footage. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 5(2), 419–426. https://doi.org/10.5194/isprs-annals-V-2-2020-419-2020

Biassari, I., & Putri, K. E. (2021). Penggunaan Media Video Pembelajaran Interaktif Berbasis Aplikasi Nearpod Pada Materi Kecepatan Di Sekolah Dasar. Prosiding SEMDIKJAR (Seminar Nasional Pendidikan Dan Pembelajaran), 4, 62–74.

Carlos, F., Margatama, L., & Riyanto, I. (2021). Perancangan Sistem Deteksi Kecepatan Kendaraan Dengan Metode Optical Flow. Jurnal Ticom: Technology of Information and Communication, 10(1), 56–63.

Danukusumo, K. P. (2017). Implementasi deep learning menggunakan convolutional neural network untuk klasifikasi citra candi berbasis GPU. UAJY.

Darmawan, C. W., Sompie, S. R. U. A., & Kambey, F. D. (2020). Implementasi Internet of Things pada Monitoring Kecepatan Kendaraan Bermotor. Jurnal Teknik Elektro Dan Komputer, 9(2), 91–100.

Enggarsasi, U., & Sa’diyah, N. K. (2017). Kajian terhadap faktor-faktor penyebab kecelakaan lalu lintas dalam upaya perbaikan pencegahan kecelakaan lalu lintas. Perspektif: Kajian Masalah Hukum dan Pembangunan, 22(3), 238–247.

Faizin, M. (2023). Implementasi Algoritma YOLO pada Modul Kamera untuk Deteksi Jenis dan Kecepatan Kendaraan. In DIGITAL REPOSITORY UNIVERSITAS JEMBER. Universitas Jember.

Ghimire, D. (2020). Comparative study on Python web frameworks: Flask and Django [Metropolia University of Applied Sciences]. https://urn.fi/URN:NBN:fi:amk-2020052513398

Guntara, R. G. (2023). Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(1), 55–60.

Hermanto, H., Meiyani, E., & Risfaisal, R. (2019). Persepsi Masyarakat Terhadap Pembangunan Infrastruktur Jalan Tol Layang AP Pettarani Di Kota Makassar. Equilibrium: Jurnal Pendidikan, 7(1), 198–205.

Liao, L., Li, H., Shang, W., & Ma, L. (2022). An Empirical Study of the Impact of Hyperparameter Tuning and Model Optimization on the Performance Properties of Deep Neural Networks. ACM Transactions on Software Engineering and Methodology (TOSEM), 31(3), 1–40.

Luiza, S. N. (2023). Analisis Kesadaran Hukum Masyarakat Di Jalan Dalam Berlalu Lintas. Nomos: Jurnal Penelitian Ilmu Hukum, 3(4), 128–135.

Ma, B., Hua, Z., Wen, Y., Deng, H., Zhao, Y., Pu, L., & Song, H. (2024). Using an improved lightweight YOLOv8 model for real-time detection of multi-stage apple fruit in complex orchard environments. Artificial Intelligence in Agriculture, 11, 70–82. https://doi.org/10.1016/j.aiia.2024.02.001

Maleh, I. M. D., Teguh, R., Sahay, A. S., Okta, S., & Pratama, M. P. (2023). Implementasi Algoritma You Only Look Once (YOLO) Untuk Object Detection Sarang Orang Utan. Jurnal Informatika, 10(1).

Perhubungan, K. (2015). Peraturan Menteri Perhubungan Nomor: 111 Tahun 2015 tentang Tata Cara Penetapan Batas Kecepatan. Departemen Perhubungan Republik Indonesia, Jakarta.

Rahmad, E. C., Kom, S. M., Rawansyah, D., Pd, M., Rochastu, T. K., Studi, P., Informatika, T., Informasi, J. T., & Malang, P. N. (2020). Object Detection System Sebagai Alat Bantu Mendeteksi Objek Sekitar untuk Penyandang Tunanetra. Seminar Informatika Aplikatif Polinema (SIAP) , 81–88.

Satura, F. R., Chandra, A. A., & Adhinata, F. D. (2021). Pengukur Kecepatan Kendaraan Menggunakan Algoritma Image Subtracting. Journal ICTEE, 2(2), 35–40.

Singh, M., Verma, A., Parasher, A., Chauhan, N., & Budhiraja, G. (2019). Implementation of Database Using Python Flask Framework. International Journal of Engineering and Computer Science, 8(12), 24890–24893.

Sudharson, D., Srinithi, J., Akshara, S., Abhirami, K., Sriharshitha, P., & Priyanka, K. (2023). Proactive Headcount and Suspicious Activity Detection using YOLOv8. Procedia Computer Science, 230(2023), 61–69. https://doi.org/10.1016/j.procs.2023.12.061

Tadjudin, R., & Rosmala, D. (2021). Implementasi MOBILENETV2 dan Frame Difference untuk Penentuan Kecepatan Kendaraan. Jurnal Ilmiah Teknologi Infomasi Terapan, 7(3), 193–204. https://doi.org/10.33197/jitter.vol7.iss3.2021.541

Tiyar, R. I., & Fudholi, D. H. (2021). Kajian Pengaruh Dataset dan Bias Dataset terhadap Performa Akurasi Deteksi Objek. Petir, 14(2), 258–268. https://doi.org/10.33322/petir.v14i2.1350

Ultralytics. (2023). YOLO Performance Metrics. https://docs.ultralytics.com/guides/yolo-performance-metrics/#class-wise-metrics

Umri, B. K., & Delica, V. (2021). Penerapan Transfer Learning pada Convolutional Neural Networks dalam Deteksi Covid-19. JNANALOKA, 53–61.

Utama, G. T. P. W. (2023). Pengukur Kecepatan Kendaraan di Jalan Tol dengan Metode Background Subtraction (Studi Kasus di Jalan Tol Jatingaleh Semarang) [UNIVERSITAS ISLAM SULTAN AGUNG]. http://repository.unissula.ac.id/id/eprint/31967

Wang, X., Gao, H., Jia, Z., & Li, Z. (2023). BL-YOLOv8: An improved road defect detection model based on YOLOv8. Sensors, 23(20), 8361.

Winanto, T. S., Rozikin, C., & Jamaludin, A. (2023). Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan. Journal of Applied Informatics and Computing, 7(1), 74–87.

Yao, H., Liu, Y., Li, X., You, Z., Feng, Y., & Lu, W. (2022). A detection method for pavement cracks combining object detection and attention mechanism. IEEE Transactions on Intelligent Transportation Systems, 23(11), 22179–22189.

Zulfikri, M., Abd Latif, K., Hammad, R., Syahrir, M., & Studi, P. (2021). Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra Detection and Estimation of Vehicle Speed in Traffic Control Systems Using Image Processing. Agustus, 20(3), 455–467.