| dc.description.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, [email protected] sebesar 0,8910, dan [email protected]: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. | en_US |
