<![CDATA[Sistem tilang elektronik berbasis kamera merupakan teknologi pengawasan lalu lintas yang telah diterapkan di berbagai wilayah Indonesia untuk mendukung penegakan hukum secara otomatis. Namun, sistem ini masih memiliki keterbatasan dalam mendeteksi pelanggaran penggunaan helm secara spesifik, sementara pelanggaran tersebut merupakan salah satu penyebab dominan kecelakaan lalu lintas yang melibatkan pengendara motor. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem deteksi pelanggaran penggunaan helm pada pengendara motor secara otomatis dengan pendekatan deep learning menggunakan arsitektur Faster R-CNN dan backbone MobileNetV3. Pada arsitektur ini, dilakukan modifikasi dengan mengganti attention module bawaan MobileNetV3, yaitu Squeeze-and-Excitation (SE), dengan Convolutional Block Attention Module (CBAM) yang dirancang untuk menangkap informasi spasial secara lebih efektif. Perubahan ini memungkinkan model lebih fokus terhadap fitur penting dalam citra, terutama pada objek kecil dan saling tumpang tindih seperti helm di bagian kepala pengendara. Model terbaik dalam penelitian ini diperoleh dari kombinasi Faster R-CNN dengan MobileNetV3-Large yang dimodifikasi dengan CBAM, yang mampu memberikan peningkatan mAP@0,50 sebesar 0,68%. Selain itu, peningkatan kinerja juga terjadi pada mAP@0,75 dan mAP@[0,50:0,95], masing-masing sebesar 7,66% dan 5,03% dibandingkan model bawaan dengan SE. Hasil tersebut menunjukkan bahwa MobileNetV3 yang dimodifikasi dengan CBAM secara signifikan meningkatkan kemampuan model dalam mendeteksi pelanggaran helm, baik dari segi ketepatan posisi bounding box maupun sensitivitas terhadap keberadaan objek. Keunggulan ini menjadikan model lebih andal untuk diterapkan dalam kondisi nyata, terutama dalam lingkungan lalu lintas yang kompleks dan dinamis. Dengan demikian, penelitian ini memberikan kontribusi terhadap pengembangan sistem pengawasan lalu lintas otomatis yang lebih akurat, andal, dan adaptif terhadap tantangan visual di lapangan. Abstract Camera-based electronic traffic law enforcement systems have been implemented across various regions in Indonesia to support automated law enforcement. However, these systems still face limitations in specifically detecting helmet usage violations, which remain one of the leading causes of traffic accidents involving motorcyclists. To address this issue, this study proposes an automatic helmet violation detection system for motorcyclists using a deep learning approach based on the Faster R-CNN architecture with MobileNetV3 as its backbone. In this architecture, a modification is made by replacing the default attention module, Squeeze-and-Excitation (SE), with the Convolutional Block Attention Module (CBAM), which is designed to more effectively capture spatial information. This modification enables the model to better focus on relevant visual features, particularly small and overlapping objects such as helmets on riders' heads. The best-performing model in this study is the combination of Faster R-CNN with MobileNetV3-Large integrated with CBAM, which is able to provide an mAP@0.50 improvement of 0.68%. In addition, performance improvements were also observed in mAP@0.75 and mAP@[0.50:0.95], by 7.66% and 5.03%, respectively, compared to the baseline model using SE. These results demonstrate that MobileNetV3 modified with CBAM significantly enhances the model’s capability in detecting helmet violations, in terms of both bounding box precision and object sensitivity. This improvement makes the model more reliable for real-world deployment, especially in complex and dynamic traffic environments. Therefore, this research contributes to the development of automated traffic surveillance systems that are more accurate, reliable, and adaptive to addressing real-world visual challenges.]]>
