SIMULASI DETEKSI DAN HITUNG JUMLAH KENDARAAN MENGGUNAKAN YOLOV4 PADA CCTV PERSIMPANGAN JALAN RAYA
DOI:
https://doi.org/10.36815/semastek.v2i1.128Keywords:
computer vision, pelacakan objek, deep learning, deepSORTAbstract
Kendaraan merupakan sarana yang memungkinkan manusia untuk melakukan perjalanan atau berpindah dari satu tempat ke tempat lain, baik dalam jarak dekat maupun jarak jauh. Berbagai jenis kendaraan digunakan oleh orang, seperti sepeda motor, mobil empat roda, truk, dan bus. Deteksi kendaraan merupakan salah satu tugas untuk merekam aktifitas kendaraan pada jalan raya. Saat ini, penggunaan algoritma pembelajaran mendalam dengan jaringan saraf konvolusi (Convolutional Neural Network/CNN) memiliki dampak yang signifikan dalam kinerja deteksi objek. Sistem deteksi objek YOLO (You Only Look Once) merupakan salah satu yang terbaik saat ini dalam mendeteksi objek secara real-time dibandingkan dengan sistem lainnya. Salah satu tantangan utama dalam deteksi objek real-time adalah mencapai kecepatan tinggi tanpa mengorbankan akurasi. Untuk meningkatkan kecepatan, biasanya dilakukan pengurangan resolusi input ke model, namun hal ini dapat mengurangi akurasi karena beberapa fitur objek dapat hilang. Model yang digunakan dalam deteksi objek ini adalah versi keempat dari YOLO, yang dilatih menggunakan dataset yang disusun secara khusus, sehingga menghasilkan performa deteksi dengan tingkat keakuratan yang tinggi dan dapat berjalan secara real-time dalam mendeteksi kendaraan.Hasil tingkat akurasinya adalah 94,3% untuk video siang, 53,3% untuk video malam,hasil dari perhitungan confusion matrix 100% untuk video siang,video malam 93,7%.
References
Wini Mustikarani and Suherdiyanto, “Analisis Faktor-Faktor Penyebab Kemacetan Lalu Lintas Di Sepanjang Jalan H Rais a Rahman (Sui Jawi) Kota Pontianak,” J. Edukasi, vol. 14, no. 1, pp. 143–155, 2016.
Y. D. Rosita, R. M. Akbar, and F. I. Kurniawan, “Indicator of Highway Conditions on Traffic Density Levels,” IJEEIT Int. J. Electr. Eng. Inf. Technol., vol. 6, no. 1, pp. 37–43, 2023, doi: 10.29138/ijeeit.v6i1.2133.
T. S. Huang, “Computer Vision: Evolution and Promise,” Report, 1997.
D. Iskandar Mulyana and M. A. Rofik, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” J. Pendidik. Tambusai, vol. 6, no. 3, pp. 13971–13982, 2022, doi: 10.31004/jptam.v6i3.4825.
R. Klette, “Concise computer vision. Springer, London”.
J. A. Ginting, “Vehicle Detection Simulation using YOLOv4 on Autonomous Vehicle System,” 2019.
A. Redmon, J., Divvala, S., Girshick, R., & Farhadi, “You Only Look Once: Unified, RealTime Object Detection. Proceedings of the IEEE conference on computer vision and pattern recognition,” pp. 779–88, 2015.
N. Wojke, A. Bewley, and D. Paulus, “Simple online and realtime tracking with a deep association metric,” Proc. - Int. Conf. Image Process. ICIP, vol. 2017-Septe, pp. 3645–3649, 2018, doi: 10.1109/ICIP.2017.8296962.
SHEILA MARIA BELGIS PUTRI AFFIZA, “Klasifikasi Keberhasilan Pembelajaran Online Dengan Algoritma Random Forest Dan Adaboost,” no. 8.5.2017, pp. 2003–2005, 2022.
