<![CDATA[Keselamatan berlalu lintas adalah isu global yang membutuhkan perhatian serius mengingat tingginya angka kecelakaan setiap tahun. Penelitian ini bertujuan mengevaluasi performa YOLOv8, algoritma deteksi objek berbasis deep learning, dalam mendeteksi elemen-elemen penting lalu lintas seperti kendaraan, pejalan kaki, dan rambu lalu lintas. Dataset yang digunakan terdiri dari video jalan biasa dan jalan tol, direkam pada enam waktu berbeda (08:00, 10:00, 12:00, 18:00, 20:00, dan 22:00) untuk menangkap variasi pencahayaan dan kepadatan lalu lintas. Tiga varian YOLOv8, yaitu YOLOv8n, YOLOv8s, dan YOLOv8m, diuji untuk menganalisis akurasi, jumlah deteksi, dan performa dalam berbagai kondisi lingkungan. Hasil penelitian menunjukkan bahwa YOLOv8m memiliki performa terbaik dengan rata-rata confidence score tertinggi, khususnya pada kondisi pencahayaan optimal di siang hari. YOLOv8s menawarkan keseimbangan antara efisiensi dan akurasi, sedangkan YOLOv8n menunjukkan keterbatasan dalam mendeteksi objek pada kondisi pencahayaan rendah dan kompleksitas lingkungan yang tinggi. Jalan tol, dengan lingkungan yang lebih terstruktur, memberikan hasil deteksi yang lebih konsisten dibandingkan jalan biasa yang menghadirkan tantangan berupa variasi objek dan pencahayaan. Kesimpulannya, YOLOv8m adalah model yang paling efektif untuk aplikasi berbasis keselamatan lalu lintas, sementara YOLOv8n cocok untuk perangkat keras dengan sumber daya terbatas. Penelitian selanjutnya diharapkan dapat mengoptimalkan deteksi pada objek kecil dan meningkatkan performa di kondisi pencahayaan rendah melalui pelatihan ulang model menggunakan dataset yang lebih kompleks.]]>
Copyrights © 2024
