Implementation of YOLOv8 for Real-Time Cars Detection and Counters on Security Gate Areas

Abstrak

Abstrak — Deteksi dan penghitungan kendaraan di gerbang keamanan sangat penting untuk manajemen lalu lintas dan keselamatan. Studi ini mengimplementasikan YOLOv8, algoritma deteksi objek berbasis jaringan saraf konvolusional, dalam sistem waktu nyata untuk deteksi dan penghitungan kendaraan. YOLOv8 dipilih karena kecepatan dan keakuratannya, yang penting untuk aplikasi waktu nyata. Model ini dilatih selama 300 periode, menghasilkan peningkatan signifikan dalam metrik evaluasi: Box_loss menurun dari 0,874540 menjadi 0,336177, Obj_Loss dari 0,336177 menjadi 0,301361, dan Cls_Loss dari 0,301361 menjadi 0,529893. Presisi meningkat menjadi 0,529893, Recall menjadi 0,612314, mAP_0,5 meningkat dari 0,586869 menjadi 0,746705, dan mAP_0,5:0,95 meningkat dari 0,446080 menjadi 0,531407. Pengujian menunjukkan 17 deteksi dengan akurasi 100% dan 19 hitungan dengan akurasi 89%. Model ini juga diuji dalam berbagai kondisi cahaya, termasuk skenario gelap dan terang, yang menunjukkan kinerja yang konsisten dan hasil deteksi yang andal. Studi ini menyimpulkan bahwa model YOLOv8 yang dilatih mencapai kinerja deteksi yang tinggi. Implementasi waktu nyata menggunakan kamera CCTV terbukti efektif dalam berbagai kondisi pencahayaan, yang mengonfirmasi kekokohan dan keandalan model. Temuan ini menggarisbawahi potensi YOLOv8 untuk secara signifikan meningkatkan efisiensi dan keamanan di area yang dipantau. Hasilnya memberikan landasan yang kuat bagi penelitian dan pengembangan di masa mendatang, yang bertujuan untuk lebih menyempurnakan dan memperluas penerapan YOLOv8 dalam berbagai skenario deteksi dan penghitungan waktu nyata.

Kata Kunci — YOLOv8, Object Detection, Real Time Detection.