DETEKSI JUMLAH DAN JENIS KENDARAAN PADA LALU LINTAS DI KOTA YOGYAKARTA SERTA TINGKAT KEPADATANNYA SECARA REAL-TIME MENGGUNAKAN METODE DEEP LEARNING DAN ARSITEKTUR YOLOV8

Adi, Ilham Kurniawan (2025) DETEKSI JUMLAH DAN JENIS KENDARAAN PADA LALU LINTAS DI KOTA YOGYAKARTA SERTA TINGKAT KEPADATANNYA SECARA REAL-TIME MENGGUNAKAN METODE DEEP LEARNING DAN ARSITEKTUR YOLOV8. Other thesis, UPN Veteran Yogyakarta.

	Text 2. Cover_123200067_Ilham Kurniawan Adi.pdf Download (235kB)
	Text 3. Abstrak_123200067_Ilham Kurniawan Adi.pdf Download (256kB)
	Text 4. Lembar Pengesahan_123200067_Ilham Kurniawan Adi.pdf Download (249kB)
	Text 5. Daftar Isi_123200067_Ilham Kurniawan Adi.pdf Download (233kB)
	Text 6. Daftar Pustaka_123200067_Ilham Kurniawan Adi.pdf Download (216kB)
	Text 1. Skripsi Fulltext_123200067_Ilham Kurniawan Adi.pdf Restricted to Repository staff only Download (6MB)

Abstract

Pada masa kini, kendaraan bermotor menjadi alat transportasi utama yang digunakan
oleh masyarakat di Indonesia. Dilihat dari jumlah kendaraan yang sangat besar dan
peningkatan jumlah kendaraan yang tidak diikuti dengan perluasan atau penambahan
infrastruktur jalan serta kurangnya sistem informasi real-time untuk memantau jumlah dan
kendaraan pada lalu lintas serta tingkat kepadatannya tidak jarang menimbulkan kepadatan
dan kemacetan lalu lintas. Penelitian ini bertujuan untuk mengukur tingkat kepadatan jalan
berdasarkan hasil deteksi dan klasifikasi kendaraan yang dilakukan oleh sistem YOLOv8
secara real-time dan mengevaluasi akurasi hasil pendeteksian dan pengklasifikasian
kendaraan oleh YOLOv8 dalam konteks lalu lintas yang dinamis, dengan menggunakan
metrik-metrik akurasi seperti presisi, recall, dan F1-Score.
Penelitian dilaksanakan dengan tahapan yang disusun secara sistematis yang betujuan
untuk pembuatan sistem pendeteksi jenis dan jumlah kendaraan serta tingkat kepadatannya
pada lalu lintas Kota Yogyakarta. Model deep learning YOLOv8 merupakan teknologi
terkini untuk deteksi objek secara real-time, guna mendeteksi dan mengklasifikasi kendaraan
serta mengukur tingkat kepadatan lalu lintas di Kota Yogyakarta serta memberikan
kontribusi baru terhadap pengelolaan lalu lintas berbasis teknologi dengan hasil yang akurat
dan efisien. Dari penelitian yang dilakukan didapatkan hasil bahwa sistem deteksi jumlah
dan jenis kendaraan pada lalu lintas di Kota Yogyakarta serta tingkat kepadatannya
menggunakan metode deep learning dan arsitektur YOLOv8 berhasil dikembangkan untuk
aplikasi real-time.
Model YOLOv8 menunjukkan performa tinggi dalam deteksi deteksi jumlah dan jenis
kendaraan pada lalu lintas di Kota Yogyakarta serta tingkat kepadatannya. Serta memberikan
hasil pengenalan karakter yang baik dengan nilai Akurasi sebesar 95% untuk kelas mobil,
90% untuk kelas motor, 96% untuk kelas truk, dan 94% untuk kelas bus. Nilai Presisi sebesar
99% untuk kelas mobil, 99% untuk kelas motor, 72% untuk kelas truk, dan 50% untuk kelas
bus. Nilai Recall sebesar 83% untuk kelas mobil, 85% untuk kelas motor, 56% untuk kelas
truk, dan 63% untuk kelas bus. Dan nilai F1-Score sebesar 91% untuk kelas mobil, 90%
untuk kelas motor, 62% untuk kelas truk, dan 55% untuk kelas bus.
Kata Kunci: Deep Learning; Deteksi Objek; Kendaraan Lalu Lintas; Real Time; YOLOv8

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep Learning; Deteksi Objek; Kendaraan Lalu Lintas; Real Time; YOLOv8
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Eko Suprapti
Date Deposited:	21 Apr 2025 03:40
Last Modified:	21 Apr 2025 03:40
URI:	http://eprints.upnyk.ac.id/id/eprint/42381

Actions (login required)

View Item