Abdul Jalil Azis Azis
Mahasiswa

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Analisis Akurasi Sistem ETLE Dalam Mendeteksi Pelanggaran Tidak Memakai Helm Menggunakan YOLO dan Convolutional Neural Network (CNN) Abdul Jalil Azis Azis; Suharni
Jurnal Teknologi dan Komputer (JTEK) Vol. 6 No. 01 (2026): JUNI
Publisher : Teknik Informatika Universitas Islam Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56923/jtek.v6i01.302

Abstract

Penelitian ini bertujuan untuk menganalisis tingkat akurasi sistem Electronic Traffic Law Enforcement (ETLE) dalam mendeteksi pelanggaran tidak memakai helm pada pengendara sepeda motor di Jalan Makassar, serta mengevaluasi pengaruh pencahayaan dan kepadatan lalu lintas terhadap kinerja deteksi. Penelitian menggunakan metode kuantitatif dengan pendekatan eksperimen melalui implementasi algoritma YOLOv8 dan CNN. Dataset diperoleh dari kamera ETLE dan sumber tambahan daring, lalu diproses dengan teknik pelabelan dan augmentasi, serta dievaluasi menggunakan metrik precision, recall, F1-score, dan mAP. Hasil menunjukkan bahwa model YOLOv8 yang dikombinasikan dengan CNN mampu mendeteksi objek Helmet, NoHelmet, dan Motorcycle dengan cukup baik, meskipun performa bervariasi. Akurasi tertinggi tercapai pada kondisi malam hari (mAP 0,602), sedangkan performa menurun pada kondisi siang dan saat lalu lintas padat akibat tumpang tindih objek dan latar belakang kompleks. Temuan ini mengindikasikan bahwa sistem dapat bekerja optimal dalam kondisi tertentu namun tetap memiliki keterbatasan teknis. Penelitian ini memberikan kontribusi terhadap pengembangan sistem penegakan hukum lalu lintas berbasis kecerdasan buatan yang adil, transparan, dan efisien. Selain itu, penelitian ini memperkuat nilai moral dalam konteks kepatuhan hukum dan keselamatan berlalu lintas.