Peramalan Kepadatan Lalu Lintas Berbasis Video Menggunakan YOLOX dan Long Short-Term Memory (LSTM)
Abstrak
Abstrak — Kepadatan lalu lintas di kawasan perkotaan menjadi tantangan serius dalam pengelolaan transportasi modern karena dampaknya terhadap kemacetan, pemborosan waktu, dan polusi udara. Untuk mengatasi permasalahan ini, dibutuhkan pendekatan prediktif berbasis teknologi guna mendukung pengambilan keputusan yang cepat dan adaptif. Penelitian ini bertujuan mengembangkan sistem prediksi kepadatan lalu lintas berbasis video dengan mengintegrasikan algoritma YOLOX sebagai detektor kendaraan dan Long Short-Term Memory (LSTM) sebagai model peramalan. Data dikumpulkan melalui rekaman video lalu lintas dari Jembatan Penyeberangan Orang (JPO), yang kemudian diolah melalui ekstraksi frame dan pelabelan bounding box. Model YOLOX digunakan untuk mendeteksi jumlah kendaraan per frame, sedangkan hasil deteksi menjadi input bagi model LSTM untuk meramalkan jumlah kendaraan dalam lima menit ke depan. Evaluasi menunjukkan bahwa YOLOX mencapai performa deteksi tinggi dengan mAP@50 sebesar 98,5% dan mAP@75 sebesar 91,6%, sementara LSTM menunjukkan akurasi prediksi yang baik dengan MAE sebesar 0,0905 dan RMSE sebesar 0,1173. Sistem ini telah diimplementasikan dalam bentuk aplikasi web untuk mempermudah pengguna mengunggah video dan memperoleh hasil prediksi secara visual. Temuan ini menunjukkan potensi sistem dalam mendukung pengelolaan lalu lintas berbasis data secara efisien di lingkungan perkotaan.
Kata kunci— YOLOX, LSTM, peramalan, lalu lintas, video, deep learning.
Unduhan
Referensi
[1] B. P. S. Indonesia, “Jumlah Kendaraan Bermotor Menurut Provinsi dan Jenis Kendaraan (unit), 2023 [Online],” Online. Accessed: Dec. 10, 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] Y. P. W. Prasetyo, “Evaluasi Dampak Kegiatan Sekolah Terhadap Pola Lalu Lintas Dan Mobilitas Kota,” Jurnal Sains dan Teknologi (JSIT), vol. 4, no. 1, pp. 53–61, 2024, doi: 10.47233/jsit.v4i1.1519.
[3] 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: 10.1016/j.jtte.2017.12.002.A.
[4] S. Afandizadeh, S. Abdolahi, and H. Mirzahossein, “Deep Learning Algorithms for Traffic Forecasting: A Comprehensive Review and Comparison with Classical Ones,” J Adv Transp, vol. 2024, pp. 1–30, 2024, doi: 10.1155/2024/9981657.
[5] Z. Liu, W. Han, H. Xu, K. Gong, Q. Zeng, and X. Zhao, “Research on vehicle detection based on improved YOLOX_S,” Sci Rep, vol. 13, no. 1, pp. 1–21, 2023, doi: 10.1038/s41598-023-50306-x.
[6] S. A. Azan, Y. Darma, F. N. Akla, and A. Putri, “Pemrosesan Jumlah Dan Jenis Kendaraan Berdasarkan Video Images (Studi Kasus: Jln. T. Nyak Arief Jeulingke, Kota Banda Aceh),” Jurnal Arsip Rekayasa Sipil dan Perencanaan, vol. 6, no. 4, pp. 216–224, 2023, doi: 10.24815/jarsp.v6i4.35607.
[7] T. Tajrin, Y. Kuswoyo, and R. A. Ginting, “Implementasi Metode Forecasting Dengan Menggunakan Algoritma Time Series Dalam Memprediksi Permintaan Cetak Cv. Grand Grafika,” Djtechno: Jurnal Teknologi Informasi, vol. 5, no. 2, pp. 184–194, 2024, doi: 10.46576/djtechno.v5i2.4563.
[8] R. Rahmawati, Z. Azhar, and N. Marpaung, “Penerapan Metode Weight Moving Avarage Untuk Peramalan Persediaan Kosmetik Pada Toko Robin,” Seminar Nasional Informatika (SENATIKA), no. 2021: Prosiding SENATIKA, pp. 449–453, 2021, [Online]. Available: https://ejournal.pelitaindonesia.ac.id/ojs32/index.php/SENATIKA/article/view/1201
[9] M. Khairul Imam, S. Sai, A. Yuliananda Mabrur, and Y. P. Manaha, “Pemanfaatan Algoritma You Only Look Once (Yolo) Untuk Mendukung Sistem Informasi Lalu Lintas Berbasis Geospatial Traffic Dashboard,” Prosiding SEMSINA, vol. 4, no. 2, pp. 256–262, 2024, doi: 10.36040/semsina.v4i2.8070.
[10] 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, pp. 1–22, 2023, doi: 10.1371/journal.pone.0294709.
[11] S. Zahara and Sugianto, “Peramalan Data Indeks Harga Konsumen Berbasis Time Series Multivariate Menggunakan Deep Learning,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 24–30, 2021, doi: 10.29207/resti.v5i1.2562.
[12] S. H. Rafi, N. Al-Masood, S. R. Deeba, and E. Hossain, “A short-term load forecasting method using integrated CNN and LSTM network,” IEEE Access, vol. 9, pp. 32436–32448, 2021, doi: 10.1109/ACCESS.2021.3060654.
[13] T. Hai et al., “A Deep Learning-Based Approach to Apple Tree Pruning and Evaluation with Multi-Modal Data for Enhanced Accuracy in Agricultural Practices,” Agronomy, vol. 15, no. 5, pp. 1–23, 2025, doi: 10.3390/agronomy15051242.
[14] H. Lin et al., “A Study on Data Selection for Object Detection in Various Lighting Conditions for Autonomous Vehicles,” J Imaging, vol. 10, no. 7, pp. 1–18, 2024, doi: 10.3390/jimaging10070153.
[15] Y. Xu, S. Zou, and X. Lu, “Short-Term Load Forecasting Based on Feature Selection and Combination Model,” Zhongguo Dianli/Electric Power, vol. 55, no. 7, pp. 121–127, 2022, doi: 10.11930/j.issn.1004-9649.202111045.
[16] R. F. Syam and F. Aziz, “PERAMALAN TRAFIK UNTUK ALOKASI BANDWIDTH JARINGAN SELULER 4G MENGGUNAKAN MODEL HYBRID ARIMA-LSTM Pendahuluan,” vol. 2, no. 2, pp. 78–84, 2024.
[17] K. K. K. Dewi, L. Gd. R. Budiarta, and P. K. Nitiasih, “The development of website games as learning media for 4th-grade elementary students,” Jurnal Inovasi dan Teknologi Pembelajaran, vol. 10, no. 3, p. 259, 2023, doi: 10.17977/um031v10i32023p259.



