Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal eProceedings of Engineering Inspiration: Jurnal Teknologi Informasi dan Komunikasi
Fandisya Rahman
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : eProceedings of Engineering

 1 
Klasifikasi Kepadatan Lalu Lintas Berbasis Deep Learning Menggunakan Yolox Dan SegFormer Raditya Adi Santoso; Mustafa Kamal; Fandisya Rahman
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Peningkatan volume lalu lintas menimbulkan tantangan dalam pengelolaan lalu lintas yang efektif. Sistem konvensional sering tidak menyediakan informasi mengenai kondisi kepadatan lalu lintas yang ada. Penelitian ini mengembangkan sistem klasifikasi kepadatan lalu lintas berbasis deep learning menggunakan model hybrid YOLOX untuk deteksi kendaraan dan SegFormer untuk segmentasi area jalan. Kedua model diintegrasikan menggunakan pendekatan Fusion Layer, yang menggabungkan hasil inferensi untuk menghitung rasio area jalan yang tertutupi kendaraan. Sistem ini diimplementasikan dalam bentuk aplikasi website yang menerima input langsung dari webcam, serta menampilkan informasi kepadatan secara visual dan numerik. Hasil evaluasi menunjukkan bahwa kombinasi model menghasilkan akurasi klasifikasi sebesar 80%, lebih tinggi dibandingkan penggunaan model secara terpisah. Penelitian ini berhasil mengembangkan sistem klasifikasi kepadatan lalu lintas dan memberikan kemudahan dalam mengakses informasi baik secara visual maupun numerik terkait tingkat kepadatan lalu lintas berdasarkan input langsung dari webcam. Kata kunci— deep learning, YOLOX, SegFormer, klasifikasi kepadatan lalu lintas, segmentasi jalan, deteksi kendaraan.
Peramalan Kepadatan Lalu Lintas Berbasis Video Menggunakan YOLOX dan Long Short-Term Memory (LSTM) Maoreen Damar Safira Subakti; Mustafa Kamal; Fandisya Rahman
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Kepadatan lalu lintas di kawasan perkotaan menjadi tantangan serius dalam pengelolaan transportasi modern karena dampaknya terhadap kemacetan, pemborosan waktu, dan polusi udara. Untuk mengatasi permasalahan ini, dibutuhkan pendekatan prediktif berbasis teknologi guna mendukung pengambilan keputusan yang cepat dan adaptif. Penelitian ini bertujuan mengembangkan sistem prediksi kepadatan lalu lintas berbasis video dengan mengintegrasikan algoritma YOLOX sebagai detektor kendaraan dan Long Short-Term Memory (LSTM) sebagai model peramalan. Data dikumpulkan melalui rekaman video lalu lintas dari Jembatan Penyeberangan Orang (JPO), yang kemudian diolah melalui ekstraksi frame dan pelabelan bounding box. Model YOLOX digunakan untuk mendeteksi jumlah kendaraan per frame, sedangkan hasil deteksi menjadi input bagi model LSTM untuk meramalkan jumlah kendaraan dalam lima menit ke depan. Evaluasi menunjukkan bahwa YOLOX mencapai performa deteksi tinggi dengan mAP@50 sebesar 98,5% dan mAP@75 sebesar 91,6%, sementara LSTM menunjukkan akurasi prediksi yang baik dengan MAE sebesar 0,0905 dan RMSE sebesar 0,1173. Sistem ini telah diimplementasikan dalam bentuk aplikasi web untuk mempermudah pengguna mengunggah video dan memperoleh hasil prediksi secara visual. Temuan ini menunjukkan potensi sistem dalam mendukung pengelolaan lalu lintas berbasis data secara efisien di lingkungan perkotaan. Kata kunci— YOLOX, LSTM, peramalan, lalu lintas, video, deep learning.
Co-Authors Bambang Minto Basuki Maoreen Damar Safira Subakti Mustafa Kamal Raditya Adi Santoso