SISTEM MONITORING DROP-OFF ZONE STASIUN SEBAGAI
PENGOPTIMALISASI LAYANAN PENUMPANG MENGGUNAKAN
METODE YOLO
Total View This Week0
Total View This Week0
Institusion
Politeknik Harapan Bersama
Author
Fariyano, Muhammad Haris
Subject
T Technology
Datestamp
2024-09-23 05:01:31
Abstract :
Stasiun kereta api adalah infrastruktur vital dalam transportasi kota yang menghadapi tantangan pengelolaan di area Drop-Off Zone akibat peningkatan mobilitas penumpang. Area ini sering mengalami kemacetan yang mengganggu proses naik-turun penumpang. Penelitian ini mengusulkan sistem monitoring berbasis YOLOv8 untuk meningkatkan efisiensi manajement Drop-Off Zone. YOLOv8 adalah metode deteksi objek yang efisien, mampu mengenali objek secara real-time dengan presisi tinggi. Implementasi YOLOv8 di Drop-Off Zone stasiun dapat mengidentifikasi kendaraan yang melakukan drop-off terlalu lama, mendeteksi kepadatan lalu lintas, dan memberikan peringatan dini berupa alarm terhadap potensi kemacetan. Sistem ini memungkinkan manajemen stasiun untuk mengambil tindakan preventif seperti penertiban parkir dan pengaturan waktu drop off yang optimal. Hasil pelatihan model YOLOv8 menunjukkan presisi rata-rata 0.71 dan recall 0.695 untuk deteksi objek, dengan mean Average Precision (mAP) 0.705 (mAP50) dan 0.41 (mAP50-95). Sistem juga berhasil dalam fungsi login, deteksi dalam video dan streaming CCTV, serta pengelolaan data seperti grafik dan history logs. Rekomendasi penelitian meliputi perluasan dataset untuk memasukkan variasi kondisi lingkungan yang lebih luas, seperti cuaca ekstrem atau jam sibuk, guna meningkatkan robustitas model deteksi objek.
Stasiun kereta api adalah infrastruktur vital dalam transportasi kota yang menghadapi tantangan pengelolaan di area Drop-Off Zone akibat peningkatan mobilitas penumpang. Area ini sering mengalami kemacetan yang mengganggu proses naik-turun penumpang. Penelitian ini mengusulkan sistem monitoring berbasis YOLOv8 untuk meningkatkan efisiensi manajement Drop-Off Zone. YOLOv8 adalah metode deteksi objek yang efisien, mampu mengenali objek secara real-time dengan presisi tinggi. Implementasi YOLOv8 di Drop-Off Zone stasiun dapat mengidentifikasi kendaraan yang melakukan drop-off terlalu lama, mendeteksi kepadatan lalu lintas, dan memberikan peringatan dini berupa alarm terhadap potensi kemacetan. Sistem ini memungkinkan manajemen stasiun untuk mengambil tindakan preventif seperti penertiban parkir dan pengaturan waktu drop off yang optimal. Hasil pelatihan model YOLOv8 menunjukkan presisi rata-rata 0.71 dan recall 0.695 untuk deteksi objek, dengan mean Average Precision (mAP) 0.705 (mAP50) dan 0.41 (mAP50-95). Sistem juga berhasil dalam fungsi login, deteksi dalam video dan streaming CCTV, serta pengelolaan data seperti grafik dan history logs. Rekomendasi penelitian meliputi perluasan dataset untuk memasukkan variasi kondisi lingkungan yang lebih luas, seperti cuaca ekstrem atau jam sibuk, guna meningkatkan robustitas model deteksi objek.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
