<![CDATA[Pelanggaran parkir merupakan salah satu faktor utama penyebab kemacetan lalu lintas di kawasan perkotaan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis pelanggaran parkir berbasis algoritma YOLOv9, khususnya varian YOLOv9C yang mengutamakan efisiensi dan akurasi tinggi dalam pemrosesan real-time. Data pelatihan diperoleh dari frame video pengawasan yang telah dianotasi secara manual menjadi dua kategori: “Melanggar” dan “Tidak Melanggar”. Untuk meningkatkan generalisasi model terhadap kondisi lapangan, dilakukan teknik augmentasi data seperti rotasi, flipping, penyesuaian pencahayaan, dan mosaic augmentation. Model dilatih selama 50 epoch dan dievaluasi menggunakan metrik Confusion Matrix, Precision, Recall, F1-Score, dan Mean Average Precision (mAP). Hasil evaluasi menunjukkan bahwa YOLOv9C mampu mendeteksi pelanggaran dengan precision 0.995 dan mAP 0.822. Namun, ditemukan tantangan pada akurasi kelas minor akibat ketidakseimbangan data. Sistem ini berpotensi untuk diimplementasikan dalam skenario monitoring lalu lintas otomatis dengan dukungan edge computing. Rekomendasi pengembangan lanjutan meliputi integrasi metode segmentasi semantik dan balancing data untuk meningkatkan performa pada lingkungan kompleks.]]>
Copyrights © 2026
