Penerapan Sistem Deteksi Kendaraan Berbasis Artificial Intelligence (AI) untuk Mendukung Smart Traffic di Kota Sukabumi
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Kemacetan lalu lintas masih menjadi permasalahan utama di wilayah perkotaan, termasuk Kota Sukabumi, yang berdampak pada efisiensi mobilitas dan kenyamanan masyarakat. Sistem pemantauan konvensional berbasis Closed-Circuit Television (CCTV) umumnya masih bersifat pasif dan memerlukan analisis manual, sehingga kurang mampu memberikan informasi lalu lintas secara cepat dan kuantitatif. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi kendaraan berbasis Artificial Intelligence (AI) menggunakan algoritma You Only Look Once (YOLO) sebagai pendukung Smart Traffic Management System (STMS). Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan data utama berupa video lalu lintas yang diperoleh dari sumber publik (CCTV YouTube). Video diproses menjadi frame citra untuk pelatihan dan pengujian model. Model YOLO dilatih untuk mendeteksi beberapa kelas kendaraan, yaitu mobil, sepeda motor, dan truk. Evaluasi performa dilakukan menggunakan metrik Precision, Recall, mean Average Precision pada IoU 0.5 (mAP50), serta mAP50–95. Hasil pengujian menunjukkan bahwa model mampu mendeteksi kendaraan secara konsisten pada berbagai kondisi lalu lintas dengan nilai precision sebesar 0,89, recall sebesar 0,93, mAP50 sebesar 0,95, dan mAP50–95 sebesar 0,88. Selain menghasilkan visualisasi deteksi kendaraan dalam bentuk bounding box pada video, sistem juga menghasilkan data numerik berupa jumlah kendaraan dan tingkat kepadatan lalu lintas dalam bentuk persentase dan file CSV. Hasil ini menunjukkan bahwa sistem yang dikembangkan efektif sebagai alat pemantauan lalu lintas berbasis data dan berpotensi mendukung pengambilan keputusan pada sistem manajemen lalu lintas cerdas.
Rincian Artikel
Referensi
f. ramadhani, a. satria, and s. dewi, “identifikasi kendaraan bermotor pada dashcam mobil menggunakan algoritma yolo,” 2024.
j. manurung, n. azizi, d. anastasya, n. valentino, a. sanjaya, and k. saputra, “jurnal sistem dan teknologi informasi indonesia deteksi kemacetan menggunakan yolov4 dan euclidean distance tracker pada jalan raya traffic detection with yolov4 and euclidean distance tracker on highways,” vol. 8, no. 1, pp. 57–63, 2023.
d. j. p. manajang, a. jacobus, j. t. elektro, u. sam, and r. manado, “implementasi framework tensorflow object detection dalam mengklasifikasi jenis kendaraan bermotor,” vol. 15, no. 3, 2020.
y. k. rohiman, b. kanata, and l. a. s. i. akbar, “bulletin of computer science research deteksi dan klasifikasi kendaraan berbasis algoritma you only look once ( yolov7 ),” vol. 5, no. 3, pp. 268–276, 2025, doi: 10.47065/bulletincsr.v5i3.509.
f. jupiter, e. s. negara, y. n. kunang, and m. i. herdiansyah, “implementasi algoritma cnn dan yolo untuk mendeteksi jenis kendaraan pada jalan raya,” vol. 14, no. 2, pp. 110–117, 2023.
j. b. informatika, “2) 1,2),” vol. 10, pp. 11–18, 2024.
l. p. pratama et al., “deteksi kendaraan di lalu lintas menggunakan kalman filter dan yolo v8,” vol. 22, no. 2, pp. 192–205, 2025.
k. denpasar et al., “1* , 2 1,” vol. 4, no. 4, pp. 353–358, 2022.
i. irawanto and a. sunyoto, “peningkatan akurasi deteksi kendaraan menggunakan kombinasi haar cascade classifier dan convolutional neural networks ( cnn ),” vol. xx, no. xx, pp. 47–57, 2024, doi: 10.33650/jeecom.v4i2.
j. redmon, “yolov3: an incremental improvement”.
x. xiang, “vehicle counting based on vehicle detection and,” pp. 1–17, 2018, doi: 10.3390/s18082560.
o. bouazizi, c. azroumahli, a. el mourabit, and m. oussouaddi, “road object detection using ssd-mobilenet algorithm : case study for real-time adas applications,” vol. 5, no. 2, pp. 551–560, 2024, doi: 10.18196/jrc.v5i2.21145.
a. r. i. wibowo, b. r. trilaksono, e. g. i. muhammad, i. hidayat, and r. munir, “object detection in dense and mixed traffic for autonomous vehicles with modified yolo,” ieee access, vol. 11, no. december, pp. 134866–134877, 2023, doi: 10.1109/access.2023.3335826.
h. y. y. z. y. z. h. m. s. l. x. dai, “a fast vehicle counting and traffic volume estimation method based on convolutional neural network”.
y. zhang, z. guo, j. wu, y. tian, h. tang, and x. guo, “real-time vehicle detection based on improved yolo v5,” 2022.
s. kumar, s. k. singh, s. varshney, s. singh, and p. kumar, “fusion of deep sort and yolov5 for effective vehicle detection and tracking scheme in real-time traffic management sustainable system,” 2023.
p. setiaji, w. a. triyanto, and m. nurhaliza, “real-time traffic density and anomaly monitoring using yolov8 , opencv and pattern recognition for smart city applications in demak,” vol. 6, no. 4, pp. 1769–1782, 2025.
s. t. informatika, “implementasi deteksi real time klasifikasi jenis kendaraan di indonesia menggunakan metode yolov5,” vol. 6, pp. 13971–13982, 2022.
r. artikel, p. a. cahyani, p. b. wintoro, and m. a. muhammad, “sistem perhitungan kendaraan menggunakan algoritma yolov5 dan deepsort vehicle counting system using yolov5 and deepsort algorithms,” vol. 10, no. april, pp. 86–99, 2024.
j. liu, y. xie, y. zhang, and h. li, “vehicle flow detection and tracking based on an improved yolov8n and bytetrack framework,” 2025.