<![CDATA[Deteksi objek pada kondisi low-light merupakan tantangan utama dalam sistem transportasi cerdas, terutama untuk aplikasi real-time seperti pengawasan lalu lintas malam dan kendaraan otonom. Penelitian ini mengevaluasi trade-off antara akurasi dan beban komputasi dari metode peningkatan kontras CLAHE, Gamma Correction, dan kombinasinya sebagai preprocessing pada YOLOv8 (varian n, s, m). Sebanyak 12 model dilatih dan diuji menggunakan dataset ExDark (2.928 gambar), dengan distribusi 652 gambar untuk Bicycle, 609 untuk People, 503 untuk Motorbike, 638 untuk Car, dan 527 untuk Bus. Data dibagi dengan rasio 70:15:15 untuk training (2.047 gambar), validation (437 gambar), dan testing (444 gambar). Evaluasi kecepatan dilakukan pada video 6 menit (12.196 frame) rekaman jalan malam. Hasil menunjukkan bahwa CLAHE meningkatkan mAP50 hingga +0,44% pada YOLOv8s. Dari sisi komputasi, preprocessing CLAHE menambahkan overhead rata-rata 1,2 ms per frame (640×640), sementara Gamma hanya 0,3 ms. Meskipun demikian, inference time model mendominasi total waktu: YOLOv8n + CLAHE menghasilkan FPS akhir 141,6 (hanya turun 1,2% dari baseline 143,3), sedangkan YOLOv8m + CLAHE mencapai 114,1 FPS (naik 0,4% dari baseline 113,7). Analisis two-way ANOVA mengkonfirmasi pengaruh signifikan enhancement (p<0,001), varian (p<0,001), dan interaksinya (p<0,001). Model terbaik untuk transportasi real-time adalah YOLOv8s dengan CLAHE, yang menawarkan akurasi 83,1% mAP50 pada 141 FPS, dengan total latency per frame hanya 7,1 ms (termasuk preprocessing 1,2 ms + inference 5,9 ms). Kontribusi utama penelitian ini adalah bukti kuantitatif bahwa preprocessing ringan seperti CLAHE memberikan peningkatan akurasi bermakna dengan penalti komputasi yang dapat diabaikan (<2% penurunan FPS), sehingga sangat layak untuk diimplementasikan pada sistem transportasi real-time. Abstract particularly for real-time applications such as nighttime traffic surveillance and autonomous vehicles. This study evaluates the accuracy-computation trade-off of contrast enhancement methods CLAHE, Gamma correction, and their combination as preprocessing for YOLOv8 (n, s, m variants). Twelve models were trained and tested on ExDark dataset (2,928 images), with a distribution of 652 images for Bicycle, 609 for People, 503 for Motorbike, 638 for Car, and 527 for Bus. The data were split using a 70:15:15 ratio for training (2,047 images), validation (437 images), and testing (444 images). Speed evaluation was conducted on a 6-minute nighttime driving video (12,196 frames). Results show that CLAHE improves mAP50 by up to +0.44% on YOLOv8s. From a computational perspective, CLAHE preprocessing adds an average overhead of 1.2 ms per frame (640×640), while Gamma adds only 0.3 ms. However, model inference time dominates total latency: YOLOv8n + CLAHE achieves 141.6 FPS (only 1.2% drop from 143.3 baseline), while YOLOv8m + CLAHE reaches 114.1 FPS (0.4% gain from 113.7 baseline). Two-way ANOVA confirms significant effects of enhancement (p<0.001), variant (p<0.001), and their interaction (p<0.001). The best model for real-time transportation is YOLOv8s with CLAHE, offering 83.1% mAP50 at 141 FPS, with total latency of 7.1 ms per frame (1.2 ms preprocessing + 5.9 ms inference). The main contribution is quantitative evidence that lightweight preprocessing like CLAHE provides meaningful accuracy gains with negligible computational penalty (<2% FPS drop), making it highly feasible for real-time transportation systems.]]>
Copyrights © 2026
