Klasifikasi Kepadatan Lalu Lintas Berbasis Deep Learning Menggunakan Yolox Dan SegFormer
Abstrak
Abstrak — Peningkatan volume lalu lintas menimbulkan tantangan dalam pengelolaan lalu lintas yang efektif. Sistem konvensional sering tidak menyediakan informasi mengenai kondisi kepadatan lalu lintas yang ada. Penelitian ini mengembangkan sistem klasifikasi kepadatan lalu lintas berbasis deep learning menggunakan model hybrid YOLOX untuk deteksi kendaraan dan SegFormer untuk segmentasi area jalan. Kedua model diintegrasikan menggunakan pendekatan Fusion Layer, yang menggabungkan hasil inferensi untuk menghitung rasio area jalan yang tertutupi kendaraan. Sistem ini diimplementasikan dalam bentuk aplikasi website yang menerima input langsung dari webcam, serta menampilkan informasi kepadatan secara visual dan numerik. Hasil evaluasi menunjukkan bahwa kombinasi model menghasilkan akurasi klasifikasi sebesar 80%, lebih tinggi dibandingkan penggunaan model secara terpisah. Penelitian ini berhasil mengembangkan sistem klasifikasi kepadatan lalu lintas dan memberikan kemudahan dalam mengakses informasi baik secara visual maupun numerik terkait tingkat kepadatan lalu lintas berdasarkan input langsung dari webcam.
Kata kunci— deep learning, YOLOX, SegFormer, klasifikasi kepadatan lalu lintas, segmentasi jalan, deteksi kendaraan.
Unduhan
Referensi
[1] Badan Pusat Statistik (BPS - Statistics Indonesia), “Jumlah Kendaraan Bermotor Menurut Provinsi dan Jenis Kendaraan (unit), 2023.” Accessed: Nov. 19, 2024. [Online]. Available: https://www.bps.go.id/id/statistics-table/3/VjJ3NGRGa3dkRk5MTlU1bVNFOTVVbmQyVURSTVFUMDkjMw==/jumlah-kendaraan-bermotor-menurut-provinsi-dan-jenis-kendaraan--unit---2023.html
[2] A. Kurniasari and Jalinas, “Pendeteksian Tingkat Kepadatan Jalan Menggunakan Metode Canny Edge Detection,” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 25, no. 3, pp. 239–248, 2020, doi: 10.35760/tr.2020.v25i3.3419.
[3] M. Gupta, H. Miglani, P. Deo, and A. Barhatte, “Real-time traffic control and monitoring,” e-Prime - Advances in Electrical Engineering, Electronics and Energy, vol. 5, Sep. 2023, doi: 10.1016/j.prime.2023.100211.
[4] F. Hafifah, S. Rahman, and S. Asih, “Klasifikasi Jenis Kendaraan Pada Jalan Raya Menggunakan Metode Convolutional Neural Networks (CNN),” vol. 2, no. 5, pp. 292–301, Oct. 2021, [Online]. Available: https://ejurnal.seminar-id.com/index.php/tin
[5] D. I. Mulyana, M. F. Lazuardi, and M. B. Yel, “Deteksi Bahasa Isyarat Dalam Pengenalan Huruf Hijaiyah Dengan Metode YOLOV5,” Jurnal Teknik Elektro dan Komputasi (ELKOM), vol. 4, no. 2, pp. 145–151, Aug. 2022, doi: 10.32528/elkom.v4i2.8145.
[6] X. Deng, L. Qi, Z. Liu, S. Liang, K. Gong, and G. Qiu, “Weed Target Detection at Seedling Stage in Paddy Fields Based on YOLOX,” PLoS One, vol. 18, no. 12 December, Dec. 2023, doi: 10.1371/journal.pone.0294709.
[7] X. Lin et al., “Semantic Segmentation of China’s Coastal Wetlands Based on Sentinel-2 and Segformer,” Remote Sens (Basel), vol. 15, no. 15, Aug. 2023, doi: 10.3390/rs15153714.
[8] K. Jiang, U. Afzaal, and J. Lee, “Transformer-Based Weed Segmentation for Grass Management,” Sensors, vol. 23, no. 1, Jan. 2023, doi: 10.3390/s23010065.
[9] Y. P. W. Prasetyo, “Evaluasi Dampak Kegiatan Sekolah Terhadap Pola Lalu Lintas Dan Mobilitas Kota,” Jurnal Jurnal Sains Dan Teknologi(JSIT), vol. 4, no. 1, pp. 53–61, 2024, Accessed: Jan. 10, 2025. [Online]. Available: https://jurnal.minartis.com/index.php/jsit/article/view/1519
[10] R. E. Wibisono, “Analisa Dampak Lalu Lintas Jalan Tambak Osowilangun Akibat Pembangunan Teluk Lamong Surabaya,” Ukarst : Jurnal Universitas Kadiri Riset Teknik Sipil, vol. 4, no. 1, pp. 69–83, 2020, doi: 10.30737/ukarst.v3i2.
[11] M. Y. Fadhlan, U. B. Hanafi, and M. R. Aulia, “Implementasi Algoritma Pendeteksi Tingkat Kepadatan Lalu Lintas Menggunakan Metode Background Subtraction,” JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga), vol. 1, no. 1, pp. 59–68, 2021, doi: https://doi.org/10.35313/jitel.v1.i1.2021.59-68.
[12] M. U. Salur and I. Aydin, “A Novel Hybrid Deep Learning Model for Sentiment Classification,” IEEE Access, vol. 8, pp. 58080–58093, Mar. 2020, doi: 10.1109/ACCESS.2020.2982538.
[13] D. Wang, J. Guo, and C. Zhang, “A Novel Hybrid Deep Learning Model for Complex Systems: A Case of Train Delay Prediction,” Advances in Civil Engineering, vol. 2024, May 2024, doi: 10.1155/2024/8163062.
[14] I. Ashraf, S. Hur, G. Kim, and Y. Park, “Analyzing Performance of YOLOx for Detecting Vehicles in Bad Weather Conditions,” Sensors, vol. 24, no. 2, Jan. 2024, doi: 10.3390/s24020522.
[15] H. Yu, X. Ye, W. Hong, R. Shi, Y. Ding, and C. Liu, “A Cascading Learning Method with SegFormer for Radiographic Measurement of Periodontal Bone Loss,” BMC Oral Health, vol. 24, no. 1, Dec. 2024, doi: 10.1186/s12903-024-04079-y.
[16] W. M. Elmessery et al., “Semantic Segmentation of Microbial Alterations Based on SegFormer,” Front Plant Sci, vol. 15, 2024, doi: 10.3389/fpls.2024.1352935.
[17] Suwarno, T. Tan, and Jonathan, “MobileNetV3-based Handwritten Chinese Recognition Towards the Effectiveness of Learning Hanzi,” JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 6, pp. 1394–1402, Dec. 2023, doi: https://doi.org/10.29207/resti.v7i6.5505.
