<![CDATA[Penelitian ini dilatarbelakangi oleh masalah kemacetan lalu lintas pada malam hari, terutama karena pencahayaan yang minim menyulitkan deteksi kendaraan. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis menggunakan Convolutional Neural Network (CNN) untuk mendeteksi kepadatan lalu lintas malam hari dengan lebih akurat. Metode yang digunakan adalah pelatihan model CNN dengan data citra lalu lintas dari rekaman CCTV di Kota Medan. Data citra diolah melalui teknik augmentasi, seperti flip, rotasi, dan pengaburan, untuk memperkaya variasi data. Transfer Learning juga diterapkan untuk mempercepat proses pelatihan model dengan bobot yang telah dilatih sebelumnya. Hasil penelitian menunjukkan bahwa model CNN mencapai akurasi 92.5%, dengan presisi 90.7%, recall 88.3%, dan F1 score 89.5%. Meskipun performanya cukup baik, terdapat beberapa kesalahan deteksi pada gambar dengan pencahayaan yang sangat rendah. Teknik augmentasi data terbukti meningkatkan kemampuan model dalam mengenali pola kendaraan. Kesimpulannya, metode CNN efektif untuk mendeteksi kepadatan lalu lintas malam hari. Pengembangan lebih lanjut dapat dilakukan dengan memperluas dataset dan menggunakan algoritma lain untuk meningkatkan akurasi di kondisi pencahayaan yang lebih rendah. Penelitian ini berkontribusi dalam pengembangan teknologi deteksi lalu lintas yang lebih efisien.]]>
Copyrights © 2024
