PENGEMBANGAN MODEL TIMING LAMPU LALU LINTAS PADA PEREMPATAN JALAN MENGGUNAKAN DEEP LEARNING DAN COMPUTER VISION

Abstract

Kemacetan merupakan masalah yang menjadi penghambat masyarakat dalam melakukan mobilitas yang cepat dan efektif, yang disebabkan oleh beberapa faktor. Salah satu dari faktor kemacetan yaitu pewaktuan lampu lalu lintas yang tidak berdasarkan kepadatan arus lalu lintas secara waktu nyata. Penelitian ini bertujuan untuk memberikan solusi untuk kemacetan dengan memanfaatkan Deep Learning dalam proses penentuan waktu lampu hijau lalu lintas berdasarkan jumlah kendaraan yang terdeteksi dan klasifikasinya. Penelitian ini menggunakan metode deteksi objek dengan algoritma YOLOv8-large yang dilatih menggunakan Google Colaboratory sebanyak 50 epoch untuk menghitung waktu nyala lampu hijau secara langsung berdasarkan jumlah kendaraan yang terdeteksi. Sistem yang digunakan yaitu Laptop HP Pavilion dk-1041tx dengan GPU NVIDIA GTX 1650 yang dihubungkan dengan webcam Xiaovv untuk mendeteksi objek berupa diecast kendaraan. Terdapat 3 jenis pengujian yang dilakukan, yaitu pengujian gambar, video, dan alat peraga. Alat peraga dibuat menyerupai perempatan jalan dengan mobil diecast sebagai objek yang digunakan untuk menghitung waktu hijau lampu lalu lintas. Hasil training model YOLOv8-large menunjukkan nilai MAP50 sebesar 0,977 dan MAP50-95 sebesar 0,79. Pada pengujian gambar, performa deteksi berbeda pada gambar yang bervariasi. Hasil deteksi lebih baik berjalan pada suasana jalan raya pada siang hari, dan model mengalami kesulitan deteksi pada sampel gambar dengan latar parkiran mobil dengan warna mobil yang lebih gelap. Pengujian pada video menunjukkan bahwa objek yang terdeteksi dapat dihitung di dalam zona penghitungan, dan dapat diolah dalam wujud waktu nyala lampu lalu lintas. Pengujian menggunakan webcam dan alat peraga menunjukkan bahwa deteksi objek pada zona penghitungan juga dapat dilakukan secara langsung pada runtime lokal.