Deteksi Kemacetan dengan Deep Learning YOLOv4 dan Euclidean Distance Tracker pada Jalan Raya di Kota Medan
DOI:
https://doi.org/10.32528/justindo.v8i1.220Keywords:
deep learning, deteksi kemacetan, euclidean distance, yolov4Abstract
Kemacetan lalu lintas di Kota Medan menyebabkan waktu yang hilang sebesar 35,6 menit per hari untuk sepeda motor dan 48,5 menit per hari untuk mobil. Total biaya kemacetan di Kota Medan mencapai Rp. 22.535.355.867/tahun. Dengan adanya pendeteksian kemacetan secara realtime maka diharapkan dapat mengurangi kemacetan lalu lintas apabila diintegrasikan dengan sistem pengatur lalu lintas. Penelitian ini menerapkan metode Deep Learning YOLO versi 4 Euclidean Distance Tracker. YOLOv4 digunakan untuk mendeteksi objek seperti mobil, motor, bus, dan becak. Euclidean Distance Tracker digunakan untuk melacak perpindahan objek yang telah dideteksi oleh YOLOv4. Adapun data yang digunakan adalah data lalu lintas berupa video dari CCTV yang disediakan oleh Pemerintah Kota Medan, Sumatera Utara. Dari hasil penelitian ini dapat diambil kesimpulan YOLOv4 dapat digunakan untuk mendeteksi kendaraan yang memiliki jarak kendaraan yang cukup antara kendaraan yang satu dengan kendaraan yang lainnya (Akurasi 61,3%). Dengan mengintegrasikan Euclidean Distance Tracker, pendeteksi kemacetan memiliki hasil akurasi maksimum (Akurasi 100%) pada sample frame yang diuji.
References
Devi, O., Sunanto, S., & Utomo, P. H. (2022). Implementation Of Deep Learning With Convolutional Neural Network To Classification Organic And Nonorganic Waste Picture. Seminar Nasional Matematika, Geometri, Statistika, Dan Komputasi, 373–382. https://magestic.unej.ac.id/
Dharma Adhinata, F., Putra Rakhmadani, D., Jala, A., & Segara, T. (2021). YOLO Algorithm for Detecting People in Social Distancing System. Transformatika, 19(1), 1–7. https://pjreddie.com/.
Girsang, W. E. J. (2020). Analisis Kerugian Pengguna Jalan Akibat Kemacetan Lalu Lintas di Kota Medan. Universitas Sumatera Utara.
Hafifah, F., Rahman, S., & Asih, S. (2021). Klasifikasi Jenis Kendaraan Pada Jalan Raya Menggunakan Metode Convolutional Neural Networks (CNN). TIN: Terapan Informatika Nusantara, 2(5), 292–301. https://ejurnal.seminar-id.com/index.php/tin
Hasibuan, N. N., Zarlis, M., & Efendi, S. (2021). Detection and tracking different type of cars with YOLO model combination and deep sort algorithm based on computer vision of traffic controlling. Jurnal Dan Penelitian Teknik Informatika, 6(1), 210–220. https://doi.org/10.33395/sinkron.v6i1.11231
Indah Kusumawati, W., Pratikno, H., & Pradeska Admaja, Y. (2021). Sistem Penghitung Jumlah Pengunjung Restoran Menggunakan Kamera Berbasis Single Shot Detector (SSD). Journal of Technology and Informatics (JoTI), 3(1), 19–26. https://doi.org/10.37802/joti.v3i1.197
Lubis, A. M. M. (2017). Analisis Dampak Kemacetan Lalu Lintas Terhadap Sosial Ekonomi Bagi Pengguna Jalan Raya (Studi Kasus Kota Medan). Universitas Muhammadiyah Sumatera Utara.
Rozari, A. de, & Wibowo, Y. H. (2015). Faktor-faktor Yang Menyebabkan Kemacetan Lalu Lintas Di Jalan Utama Kota Surabaya. Jurnal Penelitian Administrasi Publik, 1(1), 42–57.
Susanti, S., & Magdalena, M. (2015). Estimasi Biaya Kemacetan Di Kota Medan. Jurnal Transportasi Multimoda, 13(1), 21–30.
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2020). Scaled-YOLOv4: Scaling Cross Stage Partial Network. http://arxiv.org/abs/2011.08036
Zhao, Y., Zhou, X., Xu, X., Jiang, Z., Cheng, F., Tang, J., & Shen, Y. (2020). A novel vehicle tracking id switches algorithm for driving recording sensors. Sensors (Switzerland), 20(13), 1–15. https://doi.org/10.3390/s20133638
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Jeremia Manurung, Nur Azizi, Disty Anastasya, Nicholas Valentino, Aditia Sanjaya, Kana Saputra
This work is licensed under a Creative Commons Attribution 4.0 International License.
