Pengaturan Lampu Lalu Lintas Berdasarkan Kepadatan Kendaraan Menggunakan Metode Yolo

Abstract

Abstrak Kemacetan adalah salah satu masalah utama di kota padat penduduk, terutama dipersimpangan jalan pada waktu sibuk. Lampu lalu lintas merupakan salah satu solusi untuk mengurangi angka kemacetan dipersimpangan jalan, namun pengaturan lalu lintas perlu diperhatikan untuk memaksimalkan fungsi dari lampu lalu lintas tersebut. Oleh karena itu, diperlukan sistem pengaturan lampu lalu lintas berdasarkan kepadatan kendaraan. Penelitian ini menggunakan algoritma You Only Look Once (YOLO) dan Simple Online Realtime Tracking (SORT) untuk menghitung jumlah kendaraan pada video untuk pengaturan lampu lalu lintas. YOLO merupakan pengembangan dari algoritma deteksi objek Convolutional Neural Network (CNN), sehingga YOLO mampu mendeteksi suatu objek dengan tingkat akurasi yang cukup tinggi dan frame rate yang lebih tinggi dibandingkan dengan algoritma deteksi objek state-of-the-art lainnya. Skema dataset yang digunakan sebanyak 624 data latih dan 156 data uji. Parameter perfomansi yang ditinjau yaitu Average Precession (AP) dan akurasi. Nilai AP tertinggi sebesar 0,89 dengan konfigurasi hyperparameter learning rate 0,0001, epoch 60, dan batch size 4. Hasil pengujian akurasi didapat nilai rata-rata akurasi tertinggi adalah 98,80% dengan garis virtual diletakan 30% dari ujung atas frame video. Kata kunci : Object detection, CNN, You Only Look Once, Simple Online Realtime Tracking Abstract Congestion is one of the main problems in congested city, mostly on complicated roads and in busy times. Traffic lights represent one solution to reduce traffic jams at junctions, but the traffic lights need to be approved to improve the function of the traffic lights. Therefore, a traffic light control system for vehicle density is needed. This research uses You Only Look Once (YOLO) algorithm and Simple Online Realtime Tracking (SORT) to count vehicles on video for traffic light settings. YOLO is one of the developments of Convolutional Neural Network (CNN) object detection algorithm, and YOLO is able to detect an object with a fairly high accuracy and higher frame rate compared to other state-of-the-art object detectional algorithms. The number of datasets used was 624 training data and 156 test data. The performance parameters reviewed were Average Precession (AP) and accuracy. The highest AP value is 89.01% with a hyperparameter learning rate configuration of 0.0001, epoch 60, and batch size 4. The highest average accuracy value is 98.80% with a virtual line placed 30% from the top of the frame video Keywords: Object detection, CNN, You Only Look Once, Simple Online Realtime Tracking