<![CDATA[Roads are essential infrastructure supporting various types of vehicles; however, excessive loads are a primary cause of surface damage. The increasing volume of vehicles and imbalanced infrastructure development contribute significantly to road deterioration, leading to a reduction in road service life and increased maintenance costs. This study aims to address these issues by developing a system for vehicle detection, classification, and load estimation using the YOLO (You Only Look Once) algorithm a deep learning method capable of detecting and classifying vehicle objects in real time with high speed and accuracy. The data were obtained from CCTV surveillance video recordings. The results indicate that a total of 4,395 vehicles were successfully detected. These detections were then used to estimate the vehicle load using the Equivalent Single Axle Load (ESAL) method. The estimated total daily traffic reached 632,880 vehicles, with a corresponding daily load estimation of 284,214.74 ESAL. The findings highlight the significant impact of vehicle loads on road characteristics and demonstrate the effectiveness of YOLOv5 as a real time tool for monitoring and detecting vehicular load.Keywords: Computer Vision; YOLOv5; Vehicle detection; Vehicle load; Equivalent Single Axle LoadAbstrakJalan merupakan infrastruktur yang penting dalam menopang berbagai jenis kendaraan, namun beban berlebih menjadi penyebab utama kerusakan permukaan pada jalan. Volume kendaraan yang meningkat dan pembangunan infrastruktur yang tidak seimbang menyebabkan kerusakan pada jalan yang menyebabkan pengurangan umur jalan dan meningkatkan biaya perbaikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut yaitu dengan membangun Pendeteksi, Klasifikasi dan menghitung beban kendaraan berbasis Algoritma YOLO (You Only Look Once), sebuah algoritma deep learning yang mampu mendeteksi dan mengklasifikasikan objek kendaraan secara real-time dengan kecepatan dan akurasi yang sangat baik. Data yang digunakan diambil dari rekaman video pengawas CCTV. Hasil penelitian menunjukan kendaraan yang terdeteksi sebanyak 4.395 unit, kendaraan yang berhasil terdeteksi kemudian dilakukan untuk perhitungan estimasi beban kendaraan menggunakan perhitungan Equivalent Single Axle Load (ESAL). Hasil terhitung dengan total lalu lintas harian mencapai 632.880 unit kendaraan dengan estimasi beban harian sebesar 284.214,74 ESAL. Hasil penelitian menegaskan adanya pengaruh signifikan beban kendaraan terhadap karakteristik jalan serta menunjukkan efektivitas YOLOv5 sebagai alat dalam memantau dan mendeteksi beban kendaraan secara real time ]]>
Copyrights © 2025
