Article Per Year (5 Year)
p-Index From 2021 - 2026
1.704
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Mirai Management SCIENCE ELECTRO eProceedings of Engineering Inspiration: Jurnal Teknologi Informasi dan Komunikasi Jurnal Masyarakat Mengabdi (JUMADI)
Fandisya Rahman
Universitas Telkom
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
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 Abda Abda Achmad Basuki Aris Kusumawati Azkal Azkiya’, Mochammad Bambang Minto Basuki Dwi Hariyanto, Muhammad Dyah Putri Rahmawati Fawaidul Badri Ismiarta Aknuranda Krisna Putra , Revaldy Maoreen Damar Safira Subakti Mohamat Imron Mohammad Jasa Afroni Mohammad Sholik Muhammad Ilham Alhari Mustafa Kamal Mustafa Kamal Raditya Adi Santoso Riza Akhsani Setyo Prayoga Rizky Fenaldo Maulana Tanzilal Mustaqim Titus Kristanto Wachda Yuniar Rochmah Yudha Asmara Adi , Nikko