Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal JIKA (Jurnal Informatika) International Journal of Management Science and Information Technology (IJMSIT) Tasnim Journal for Community Service Maktabatun: Jurnal Perpustakaan dan Informasi
Muh. Ikbal, Muh.
Unknown Affiliation
Religion Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Library & Information Science Other

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JIKA (Jurnal Informatika)

 1 
PENGENALAN RAMBU LALU LINTAS MENGGUNAKAN METODE YOLOV8 IKBAL, MUH.; Saputra, Rizal Adi
Jurnal Informatika Vol 8, No 2 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i2.10609

Abstract

Teknologi kendaraan otonom telah mengalami perkembangan pesat dalam beberapa tahun terakhir. Tujuan utama dari teknologi ini adalah untuk mengurangi kecelakaan lalu lintas dan menciptakan lingkungan berkendara yang lebih aman. Kendaraan otonom diharapkan dapat sepenuhnya memahami lingkungan lalu lintas dan beroperasi sesuai aturan. Salah satu metode kecerdasan buatan yang sering digunakan dalam teknologi ini adalah deep learning YOLO. Penelitian ini mengembangkan metode deteksi jenis rambu lalu lintas menggunakan YOLO V8, yang merupakan pengembangan dari metode CNN. Data yang digunakan dalam penelitian ini mencakup 30 label jenis rambu lalu lintas dengan total 4650 citra. Dataset dibagi dengan proporsi 70:30, di mana 70% digunakan untuk pelatihan dan 30% untuk pengujian. Setelah pembagian, dataset pelatihan terdiri dari 3232 gambar, sementara dataset pengujian mencakup 1418 gambar. Hasil pengujian menunjukkan bahwa model ini memiliki kinerja yang baik, dengan nilai Precision sebesar 0,993, Recall sebesar 0,999, mAP50 sebesar 0,995, dan mAP50-95 sebesar 0,984. Nilai-nilai ini menunjukkan bahwa model ini mampu mengidentifikasi dan mengklasifikasikan rambu lalu lintas dengan akurasi yang tinggi.
Co-Authors Abd. Rahim Yunus, Abd. Rahim Azmi Rauf, Ulil Jumaeni, Jumaeni kelana, Ardian Ketut Patra Majid, Asmarani Rizal Adi Saputra Ryzchi Yuliananigsih, Andi Susmihara Susmihara Zuud Noer Algemsi, Muh.