MODIFIKASI SISTEM ANALISIS ARUS LALU LINTAS MENGGUNAKAN YOLOV5 DAN BYTETRACK MENJADI YOLOV8
Total View This Week0
Total View This Week0
Institusion
Politeknik Keselamatan Transportasi Jalan
Author
PUTRA, MOH. IQBAL HARYONO
Subject
TA Engineering (General). Civil engineering (General)
Datestamp
2024-07-19 06:33:59
Abstract :
Jumlah kendaraan di Indonesia semakin meningkat dari tahun ke tahun. Pertumbuhan ini menimbulkan masalah kemacetan. Kemacetan adalah masalah yang sangat besar karena dapat mempengaruhi ekonomi. Untuk mengatasi masalah ini Langkah pertama yang harus dilakukan adalah melakukan estimasi arus lalu lintas. Estimasi arus lalu lintas merupakan langkah pertama dalam perencanaan kota dan manajemen lalu lintas. Dalam permasalahan tersebut penulis menciptakan sistem estimasi arus lalu lintas dengan menggunakan YOLO dan ByteTrack. YOLO sendiri adalah model yang berfungsi untuk melakukan objek deteksi. Sedangkan, ByteTrack model yang digunakan untuk melakukan pelacakan objek di sepanjang video. Penelitian ini merupakan pengembangan dari penelitian sebelumnya dengan meningkatkan algoritma yang digunakan untuk deteksi objek dari YOLOv5 menjadi YOLOv8. YOLOv8 memiliki mAP yang lebih tinggi dan waktu inferensi yang lebih singkat dibandingkan dengan YOLOv5, memungkinkan sistem untuk melakukan prediksi yang lebih akurat dalam waktu yang lebih singkat. Selain itu, YOLOv8 dilatih dengan dataset yang lebih besar dan beragam, memungkinkan YOLOv8 untuk mengenali lebih banyak objek dibandingkan dengan YOLOv5. Pelacakan kendaraan tetap menggunakan ByteTrack karena performa yang superior dibandingkan dengan algoritma pelacakan lainnya. Output dari penelitian ini berupa sistem estimasi arus lalu lintas yang memanfaatkan algoritma YOLOv5,YOLOv8, dan ByteTrack. Sistem ini mampu mendeteksi dan melacak kendaraan dalam video, kemudian menghitung jumlah kendaraan yang melewati garis yang telah ditentukan. Sistem ini mampu mendeteksi dan melacak kendaraan dalam video, kemudian menghitung jumlah kendaraan yang melewati garis yang telah ditentukan. Kinerja sistem ini diukur menggunakan beberapa parameter . Pertama seberapa besar video yang dapat diupload dan diproses oleh sistem. Kedua, seberapa banyak waktu yang dibutuhkan bagi setiap YOLO model untuk melakukan perhitungan pada video yang sama.
Jumlah kendaraan di Indonesia semakin meningkat dari tahun ke tahun. Pertumbuhan ini menimbulkan masalah kemacetan. Kemacetan adalah masalah yang sangat besar karena dapat mempengaruhi ekonomi. Untuk mengatasi masalah ini Langkah pertama yang harus dilakukan adalah melakukan estimasi arus lalu lintas. Estimasi arus lalu lintas merupakan langkah pertama dalam perencanaan kota dan manajemen lalu lintas. Dalam permasalahan tersebut penulis menciptakan sistem estimasi arus lalu lintas dengan menggunakan YOLO dan ByteTrack. YOLO sendiri adalah model yang berfungsi untuk melakukan objek deteksi. Sedangkan, ByteTrack model yang digunakan untuk melakukan pelacakan objek di sepanjang video. Penelitian ini merupakan pengembangan dari penelitian sebelumnya dengan meningkatkan algoritma yang digunakan untuk deteksi objek dari YOLOv5 menjadi YOLOv8. YOLOv8 memiliki mAP yang lebih tinggi dan waktu inferensi yang lebih singkat dibandingkan dengan YOLOv5, memungkinkan sistem untuk melakukan prediksi yang lebih akurat dalam waktu yang lebih singkat. Selain itu, YOLOv8 dilatih dengan dataset yang lebih besar dan beragam, memungkinkan YOLOv8 untuk mengenali lebih banyak objek dibandingkan dengan YOLOv5. Pelacakan kendaraan tetap menggunakan ByteTrack karena performa yang superior dibandingkan dengan algoritma pelacakan lainnya. Output dari penelitian ini berupa sistem estimasi arus lalu lintas yang memanfaatkan algoritma YOLOv5,YOLOv8, dan ByteTrack. Sistem ini mampu mendeteksi dan melacak kendaraan dalam video, kemudian menghitung jumlah kendaraan yang melewati garis yang telah ditentukan. Sistem ini mampu mendeteksi dan melacak kendaraan dalam video, kemudian menghitung jumlah kendaraan yang melewati garis yang telah ditentukan. Kinerja sistem ini diukur menggunakan beberapa parameter . Pertama seberapa besar video yang dapat diupload dan diproses oleh sistem. Kedua, seberapa banyak waktu yang dibutuhkan bagi setiap YOLO model untuk melakukan perhitungan pada video yang sama.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
