Garuda - Garba Rujukan Digital

TRAFFIC FLOW DETECTION USING YOLOV4 AND DEEPSORT ON NVIDIA JETSON NANO Taufiq, Reny Medikawati; Syahril, Syahril; Rafdi, Faris Abi; Firdaus, Rahmad; Sunanto, Sunanto; Muarif, Putri Fadhilla
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3871

Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm. Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4 Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan. Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4

Kombinasi Algoritma Gaussian Naïve Bayes Dan Adaboost Untuk Meningkatkan Akurasi Dalam Klasifikasi Penyakit Diabetes Handayani, Fitri; Firdaus, Rahmad; Wahyudi, Ashari; Fu'adah Amran, Hasanatul; Medikawati Taufiq, Reny
JURNAL FASILKOM Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i2.9279

Diabetes mellitus adalah penyakit metabolik kronis yang dapat menyebabkan komplikasi serius jika tidak terdeteksi dini. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi diabetes dengan menggabungkan algoritma Gausian Naïve Bayes dan Adaboost menggunakan teknik ensemble learning. Ensemble learning adalah metode dalam pembelajaran mesin yang meningkatkan akurasi model dengan menggabungkan prediksi dari beberapa model yang berbeda. Teknik ini mengintegrasikan model-model yang mungkin memiliki performa kurang optimal secara individu untuk membentuk model yang lebih unggul. Adaboost memberikan bobot lebih besar pada sampel yang sulit diklasifikasikan, sehingga efektif dalam menangani data yang kompleks dan tidak seimbang. Dataset yang digunakan berasal dari Sylhet Diabetes Hospital, Bangladesh, yang berisi data kuesioner yang telah diverifikasi oleh dokter. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa kombinasi Gausian Naïve Bayes dan Adaboost meningkatkan akurasi klasifikasi diabetes secara signifikan. Model ini mencapai akurasi 96.1% pada pembagian data 80:20, lebih tinggi dibandingkan Naïve Bayes tunggal (87.69%). Precision tertinggi (100%) tercatat pada pembagian data 80:20, dengan recall stabil pada 93.7%–94%, dan F1-Score tertinggi sebesar 96.7%. Hasil ini menunjukkan bahwa kombinasi kedua algoritma melalui teknik ensemble learning dapat saling melengkapi dan meningkatkan performa klasifikasi, menjadikannya lebih efektif dalam identifikasi diabetes

TRAFFIC FLOW DETECTION USING YOLOV4 AND DEEPSORT ON NVIDIA JETSON NANO Taufiq, Reny Medikawati; Syahril, Syahril; Rafdi, Faris Abi; Firdaus, Rahmad; Sunanto, Sunanto; Muarif, Putri Fadhilla
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 3 (2025): Juni 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3871

Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm. Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4 Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan. Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4

Deep Learning Untuk Klasifikasi Kematangan Buah Mangrove Berdasarkan Warna Mukhtar, Harun; Alfanico, Febrian; Fu’adah Amran, Hasanatul; Handayani, Fitri; Medikawati Taufiq, Reny
JURNAL FASILKOM Vol. 13 No. 3 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v13i3.6292

Plants that live between land and sea, such as mangroves, are influenced by the tides and tides. Indonesia has the largest mangrove forest in the world and a variety of biodiversity and structure. People currently detect mangrove maturity by looking directly at the fruit. This study proposes to classify the maturity of mangrove fruit using artificial intelligence techniques, making it easier for farmers to determine the ripeness of the fruit. This proposal uses data from 200 images for mangroves taken directly from Lukit Village, Merbau District, Meranti Islands Regency. This research improves the Convolutional Neural Network (CNN) method to classify mangrove fruit maturity. The results obtained from this research were by classifying ripe and unripe fruit. Based on this research, accuracy reaches a maximum of 96%.

Pengolahan Data Geospasial Menggunakan Pembelajaran Mesin: Sebuah Tinjauan Dwijaya, Muhammad Riza Rio; Taufiq, Reny Medikawati
Media Informatika Vol 24 No 3 (2025)
Publisher : P3M STMIK LIKMI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37595/mediainfo.v24i3.373

Machine learning memainkan peran penting dalam analisis data geospasial dengan mengekstraksi pola dari data multidimensi seperti citra satelit dan parameter lingkungan. Studi ini menelaah 20 jurnal untuk membandingkan jenis data spasial, teknik preprocessing, dan algoritma yang digunakan. Hasilnya menekankan pentingnya pemilihan data yang sesuai, pengolahan tepat, serta optimalisasi hyperparameter untuk menghasilkan model yang lebih robust dan akurat dalam berbagai aplikasi spasial

Title

Found 15 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 15 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 15 Documents
Search