Analisis Kepadatan Jenis Kendaraan Pada Jam Tertentu Di Gerbang Masuk Kampus UII Menggunakan YOLOv8

Abstract

Peningkatan volume kendaraan di lingkungan Kampus Universitas Islam

Indonesia (UII) sering kali menyebabkan kepadatan di gerbang masuk pada jam- jam tertentu. Pemantauan manual yang ada saat ini dinilai kurang efisien dan rentan

terhadap kesalahan manusia. Penelitian ini bertujuan untuk menerapkan sistem deteksi dan analisis kepadatan kendaraan secara otomatis menggunakan algoritma deep learning YOLOv8n (You Only Look Once version 8 nano) yang terintegrasi dengan metode pelacakan ByteTrack. Penelitian berfokus pada deteksi lima kelas kendaraan, yaitu sepeda, motor, mobil, bus, dan truk, menggunakan dataset sebanyak 1.600 citra yang dibagi dengan rasio 70% training, 20% validasi, dan 10% testing. Model dilatih selama 50 epoch dengan ukuran citra 640×640 piksel. Data lapangan dikumpulkan melalui 24 rekaman video berdurasi 10 menit pada empat sesi waktu (07.00, 08.00, 13.00, dan 15.30) selama dua hari pengamatan di tiga gerbang Kampus UII, yaitu Gerbang Boulevard, Gerbang FMIPA, dan Gerbang FTSP. Hasil evaluasi model menunjukkan nilai precision sebesar 0,8783, recall sebesar 0,8294, mAP@0.5 sebesar 0,8910, dan mAP@0.5:0.95 sebesar 0,7025. Dari keseluruhan analisis video, terdeteksi total 1.683 kendaraan unik. Motor dan mobil mendominasi dengan proporsi masing-masing sekitar 49%. Analisis kepadatan menunjukkan bahwa puncak kepadatan terjadi pada sesi pagi hari (07.00–08.00) di Gerbang Boulevard dan Gerbang FMIPA, dengan status kepadatan Tinggi (>100 kendaraan per 10 menit), sedangkan sesi siang dan sore cenderung berada pada kategori Rendah hingga Sedang. Sistem yang dikembangkan dapat menjadi dasar evaluasi manajemen lalu lintas serta mendukung pengembangan smart campus di lingkungan Kampus UII.