<![CDATA[Kemacetan lalu lintas merupakan salah satu permasalahan utama di perkotaan yang dapat menyebabkan kerugian waktu, peningkatan konsumsi bahan bakar, dan menurunkan efisiensi mobilitas masyarakat. Penelitian ini bertujuan untuk mengembangkan sistem prediksi kemacetan lalu lintas menggunakan data citra CCTV dan media sosial berbasis deep learning. Metode yang digunakan adalah algoritma YOLOv8 untuk mendeteksi dan menghitung kendaraan secara real-time dari video CCTV, serta metode Natural Language Processing (NLP) untuk menganalisis informasi kondisi lalu lintas dari media sosial. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, dan evaluasi sistem. Evaluasi model dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP) untuk mengukur performa deteksi kendaraan dan klasifikasi informasi lalu lintas. Hasil penelitian menunjukkan bahwa integrasi data visual dan tekstual mampu memberikan informasi kondisi lalu lintas yang lebih lengkap, cepat, dan akurat dibandingkan penggunaan satu sumber data saja. Dengan demikian, sistem yang dikembangkan berpotensi mendukung implementasi Intelligent Transportation System dalam pemantauan dan prediksi kemacetan lalu lintas secara real-time.]]>
Copyrights © 2026
