DETEKSI KENDARAAN BERMOTOR DAN PREDIKSI DURASI LAMPU HIJAU DENGAN ALGORITMA YOLOv8 PADA SISTEM PERHITUNGAN LALU LINTAS: Studi Kasus Jalan Dokter Djunjunan Kota Bandung

Riyandi Firman Pratama, - (2024) DETEKSI KENDARAAN BERMOTOR DAN PREDIKSI DURASI LAMPU HIJAU DENGAN ALGORITMA YOLOv8 PADA SISTEM PERHITUNGAN LALU LINTAS: Studi Kasus Jalan Dokter Djunjunan Kota Bandung. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_RPL_2008672_Title.pdf Download (582kB)
	Text S_RPL_2008672_Chapter1.pdf Download (240kB)
	Text S_RPL_2008672_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_RPL_2008672_Chapter3.pdf Download (508kB)
	Text S_RPL_2008672_Chapter4.pdf Restricted to Staf Perpustakaan Download (971kB) | Request a copy
	Text S_RPL_2008672_Chapter5.pdf Download (219kB)
	Text S_RPL_2008672_Appendix.pdf Restricted to Staf Perpustakaan Download (955kB) | Request a copy

Abstract

Perhitungan lalu lintas merupakan kegiatan penting dalam manajemen lalu lintas yang berfungsi untuk mengumpulkan data mengenai jumlah kendaraan yang melintas di suatu jalan. Perhitungan lalu lintas biasanya bertujuan untuk memahami pola lalu lintas, menganalisis data tentang jumlah dan jenis kendaraan, serta mengevaluasi kinerja lalu lintas. Kegiatan perhitungan lalu lintas umumnya dilaksanakan dengan dua metode, yakni melalui perhitungan manual yang melibatkan penggunaan alat tulis dan perhitungan mekanis yang menggunakan alat counter. Namun, kedua metode tersebut memiliki keterbatasan karena membutuhkan sumber daya yang banyak, sangat bergantung pada manusia, dan bersifat repetitif. Oleh karena itu, dalam upaya untuk mengatasi keterbatasan pada metode perhitungan lalu lintas yang umum dilakukan, penelitian ini mengembangkan model deteksi dan klasifikasi kendaraan bermotor menggunakan custom dataset yang terdiri dari tiga kelas, yakni car, motorcycle, dan large vehicle dengan algoritma YOLOv8. Kemampuan mendeteksi objek secara realtime dengan akurasi dan kecepatan yang tinggi menjadi alasan algoritma YOLOv8 dipilih untuk pengembangan model. Proses pengembangan model mencakup pengumpulan data, anotasi data, augmentasi data, dan konfigurasi hyperparameter. Evaluasi model dilakukan dengan menggunakan confusion matrix untuk mengetahui performa dari model. Hasil evaluasi menunjukkan bahwa model YOLOv8 yang telah terlatih mampu mendeteksi dan mengklasifikasikan kendaraan bermotor dengan akurasi rata-rata sebesar 92.4%, precision 86.9%, recall 84.1%, dan f1 score 85.4%. Dengan adanya pengembangan model dalam penelitian ini, nantinya model terlatih digunakan pada sistem perhitungan lalu lintas untuk mendeteksi, mengklasifikasi, dan menghitung kendaraan bermotor. Selain itu, sistem perhitungan lalu lintas yang dikembangkan mampu memprediksi durasi lampu hijau berdasarkan tingkat kepadatan lalu lintas, yang dapat digunakan sebagai dasar untuk pengembangan lalu lintas adaptif. ------------- Traffic counts are an important activity in traffic management that serves to collect data on the number of vehicles travelling on a road. Traffic counts usually aim to understand traffic patterns, analyse data on the number and type of vehicles, and evaluate traffic performance. Traffic count activities are generally carried out using two methods, namely through manual calculations involving the use of stationery and mechanical calculations using counters. However, both methods have limitations as they require a lot of resources, are highly dependent on humans, and are repetitive. Therefore, in an effort to overcome the limitations of common traffic counting methods, this research develops a motor vehicle detection and classification model using a custom dataset consisting of three classes, namely car, motorcycle, and large vehicle with the YOLOv8 algorithm. The ability to detect objects in real time with high accuracy and speed is the reason the YOLOv8 algorithm was chosen for model development. The model development process includes data collection, data annotation, data augmentation, and hyperparameter configuration. Model evaluation was conducted using confusion matrix to determine the performance of the model. The evaluation results show that the trained YOLOv8 model is able to detect and classify motorised vehicles with an average accuracy of 92.4%, precision 86.9%, recall 84.1%, and f1 score 85.4%. With the development of the model in this research, the trained model will be used in the traffic counting system to detect, classify, and count motorised vehicles. In addition, the developed traffic counting system is able to predict green light duration based on traffic density, which can be used as a basis for the development of adaptive traffic.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=en&user=P5GXEzgAAAAJ ID SINTA Dosen Pembimbing: Mochamad Iqbal Ardimansyah: 6658552 Yulia Retnowati: 6852573
Uncontrolled Keywords:	Deteksi Kendaraan, Perhitungan Lalu Lintas, Object Detection, You Only Look Once (YOLO), YOLOv8. Vehicle Detection, Traffic Counting, Object Detection, You Only Look Once (YOLO), YOLOv8.
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Riyandi Firman Pratama
Date Deposited:	22 Aug 2024 07:51
Last Modified:	22 Aug 2024 07:51
URI:	http://repository.upi.edu/id/eprint/118783

Actions (login required)

View Item