Perhitungan Kendaraan Menggunakan Yolo Dari Ultralytics Untuk Sistem Pemantauan Lalu Lintas

Rona Mahendra (Universitas Duta Bangsa Surakarta)
Nibras Faiq Muhammad (Universitas Duta Bangsa Surakarta)
Afu Ichsan Pradana (Universitas Duta Bangsa Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Pertumbuhan volume kendaraan di perkotaan memerlukan sistem pemantauan otomatis seperti Intelligent Transportation System (ITS). Namun, model deep learning sering menghadapi kendala ketidakseimbangan kelas (class imbalance) ekstrem yang menurunkan akurasi objek minoritas. Penelitian ini menerapkan arsitektur ringan YOLO26s dengan strategi random oversampling untuk mendeteksi empat kelas kendaraan: Bus, Mobil, Sepeda Motor, dan Truk. Dataset gabungan sejumlah 19.389 citra bersumber dari UA-DETRAC dan Roboflow, lalu dilatih memakai konfigurasi Distributed Data Parallel (DDP) pada dua GPU NVIDIA Tesla T4. Hasil pengujian membuktikan teknik oversampling meningkatkan performa model secara signifikan tanpa memicu overfitting. Nilai mAP@0.5 global meningkat dari 0,982 menjadi 0,993, dan mAP@0.5:0.95 naik dari 0,842 menjadi 0,911. Peningkatan krusial terjadi pada Recall kelas Truk yang melonjak dari 0,93 menjadi 0,98. Model juga mempertahankan efisiensi tinggi dengan kecepatan inferensi mencapai 85,51 FPS (11,69 ms), sehingga sangat ideal untuk implementasi pemantauan lalu lintas secara real-time.