Analisis Akurasi Penghitung Kendaraan Menggunakan Teknologi Computer Vision Dengan Algoritma Yolov8 Pada CCTV Jalan Raya Di Kota Bandar Lampung
Total View This Week0
Total View This Week0
Institusion
Universitas Teknokrat Indonesia
Author
Julian, M. Rafli
Subject
TEKNIK ELEKTRO
Datestamp
2024-04-29 09:59:40
Abstract :
Pertumbuhan kendaraan bermotor di Indonesia menjadi ancaman serius bagi masalah transportasi. Kondisi ini terlihat dari kemacetan yang semakin parah dan polusi udara yang semakin meningkat akibat lalu lintas yang semakin padat. Dalam situasi yang semakin sulit seperti ini, diperlukan solusi yang dapat mengatasi permasalahan transportasi. Salah satu solusi untuk mengatasi masalah ini adalah dengan menggunakan teknologi Computer Vision untuk menghitung jumlah kendaraan di jalan raya. Hal ini sangat efektif dalam memberikan informasi berharga terkait kondisi arus lalu lintas di jalan raya. Jika informasi berharga ini di analisis lebih lanjut maka akan sangat berguna untuk menunjang keputusan dalam menyelesaikan permasalahan transportasi seperti kemacetan di jalan raya. YOLOv8 adalah versi terkini dari Algoritma YOLO yang menggunakan teknologi Deep Learning untuk mendeteksi objek pada gambar. Pada penelitian ini model yang dilatih dengan 100 Epochs menghasilkan nilai akurasi pendeteksian terbaik dibandingkan model lainnya yaitu 0.931 dan nilai Error Relative paling rendah untuk objek motorcycle sebesar 3.3% dan 0% untuk objek car.
Pertumbuhan kendaraan bermotor di Indonesia menjadi ancaman serius bagi masalah transportasi. Kondisi ini terlihat dari kemacetan yang semakin parah dan polusi udara yang semakin meningkat akibat lalu lintas yang semakin padat. Dalam situasi yang semakin sulit seperti ini, diperlukan solusi yang dapat mengatasi permasalahan transportasi. Salah satu solusi untuk mengatasi masalah ini adalah dengan menggunakan teknologi Computer Vision untuk menghitung jumlah kendaraan di jalan raya. Hal ini sangat efektif dalam memberikan informasi berharga terkait kondisi arus lalu lintas di jalan raya. Jika informasi berharga ini di analisis lebih lanjut maka akan sangat berguna untuk menunjang keputusan dalam menyelesaikan permasalahan transportasi seperti kemacetan di jalan raya. YOLOv8 adalah versi terkini dari Algoritma YOLO yang menggunakan teknologi Deep Learning untuk mendeteksi objek pada gambar. Pada penelitian ini model yang dilatih dengan 100 Epochs menghasilkan nilai akurasi pendeteksian terbaik dibandingkan model lainnya yaitu 0.931 dan nilai Error Relative paling rendah untuk objek motorcycle sebesar 3.3% dan 0% untuk objek car.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
