Implementasi Model Yolo untuk deteksi kepadatan lalu lintas menggunakan firebase berbasis citra digital

Permana, Haekal Alfan (2026) Implementasi Model Yolo untuk deteksi kepadatan lalu lintas menggunakan firebase berbasis citra digital. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (108kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (92kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (438kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftar isi.pdf Download (170kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (188kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (321kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (171kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (912kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (976kB) | Request a copy
	Text (BAB VI) 10_bab6.pdf Restricted to Registered users only Download (97kB) | Request a copy
	Text (DAFTAR PUSTAKA) 11_daftarpustaka.pdf Restricted to Registered users only Download (135kB) | Request a copy
	Text (LAMPIRAN) 12_lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

BAHASA INDONESIA : Pada tahun 2024, Badan Pusat Statistik (BPS) mencatat bahwa tercatat sebanyak 1.724.494 kendaraan pribadi yang terdistribusi kepada masyarakat di Kota Bandung. Jumlah kendaraan pun naik seiring waktu yang akan menyebabkan kemacetan dibanyak titik, hal ini dikarenakan jumlah kendaraan yang masif menjadikan Kota Bandung sebagai kota termacet yang dirilis oleh TomTom Traffic Index 2024. Hal ini pun menjadi tantangan tersendiri bagi Kota Bandung dalam pengelolaan kemacetan di lalu lintas. Maka dari itu, penelitian ini bertujuan untuk melatih komputer agar mampu menganalisa kepadatan lalu lintas dengan menghitung jumlah kendaraan. Penelitian ini akan menggunakan model YOLOv5 sebagai machine learning yang dapat mengenali kendaraan, menghitung jumlahnya, dan menentukan kepadatan dari jalan tersebut. Secara garis besar, proses mendeteksi tingkat kepadatan lalu lintas digunakan 200 citra untuk melatih model YOLOv5 dan sebuah video untuk menguji prediksi dalam mengenali kendaraan. Hasil pengujian menunjukkan tingkat akurasi model sebesar 96%, dengan precision, recall, dan F1 score rata-rata sebesar 96%. Deteksi jumlah kendaraan sebagian besar akurat, namun masih ada pendeteksian yang masih tidak sesuai karena beberapa kendaraan terhalang oleh objek dan kesalahan prediksi. ENGLISH : In 2024, the Central Statistics Agency (BPS) recorded that there were 1,724,494 private vehicles distributed to the community in the city of Bandung. The number of vehicles has increased over time, causing congestion at many points. This is because the massive number of vehicles has made Bandung the most congested city, as reported by the TomTom Traffic Index 2024. This poses a unique challenge for Bandung in managing traffic congestion. Therefore, this study aims to train computers to analyse traffic density by counting the number of vehicles. This study will use the YOLOv5 model as machine learning that can recognise vehicles, count their numbers, and determine the density of the road. In general, the process of detecting traffic density levels uses 200 images to train the YOLOv5 model and a video to test predictions in recognising vehicles. The test results show a model accuracy level of 96%, with an average precision, recall, and F1 score of 96%. Vehicle count detection is largely accurate, but there are still some inaccurate detections due to vehicles being obstructed by objects and prediction errors.

Actions (login required)

View Item