Deteksi Kendaraan Menggunakan Algoritma You Only Look Once (Yolo) V3

Abstract

Kepadatan lalu lintas adalah satuan yang menyatakan jumlah kendaraan per satuan panjang jalan tertentu (Julianto, 2010). Dalam mendapatkan parameter jumlah kendaraan, pihak berwajib biasanya menggunakan proses perhitungan manual yang rentan akan kesalahan, selain itu perhitungan manual juga memakan banyak waktu dan tenaga (Leriansyah, 2020). Berbagai macam alat deteksi kendaraan telah dibangun, salah satu contohnya adalah alat deteksi kendaraan menggunakan jaringan deteksi dengan algoritma Deep Learning dan sejenisnya. Dari kebanyakan pekerjaan yang menggunakan metode ini, kerap ditemukan masalah mengenai kurang bagusnya performa deteksi kendaraan pada kondisi lalu lintas yang ramai atau macet. Hal ini disebabkan karena berdempetannya kendaraan pada kondisi lalu lintas yang ramai. Berangkat dari permasalahan tersebut, penulis berusaha untuk membangun sebuah alat pendeteksi kendaraan otomatis. Penulis akan melatih dua jaringan YOLO v3 yang mampu mendeteksi kendaraan dengan menggunakan dua skenario pelabelan dataset berdasarkan sudut pengambilan citra yaitu skenario satu yang melakukan pelabelan citra tanpa mempedulikan sudut pengambilan citra dan skenario dua yang melakukan pelabelan citra dengan mempedulikan sudut pengambilan citra (dari depan, kanan, kiri, dan separuh). Dengan menggunakan dua skenario pelabelan ini, diharapkan akan terjadi peningkatan performa deteksi kendaraan yang dilakukan oleh jaringan YOLO v3 yang dilatih. Dari pengujian kedua jaringan yang telah dilatih pada dataset rekaman lalu lintas dari website ATCS (Area Traffic Control System) Kota Bandung (http://atcsdishub.bandung.go.id/index.php#)

dan Banyumas (http://atcs.banyumaskab.go.id/#), kedua bobot jaringan mendapatkan rata-rata nilai performa jaringan di atas 70%, hal ini menunjukkan bahwa kedua jaringan ini mampu mendeteksi kendaraan pada dataset dari penulis dengan baik dan terdapat peningkatan yang tidak terlalu signifikan pada jaringan dua.