M Model Klasifikasi Jumlah Kendaraan Area Kampus dengan Peningkatan Algoritma Yolov8

Abstrak

Abstrak

Seiring bertambahnya mahasiswa baru menimbulkan tantangan terhadap infrastruktur di Universitas Putra Indonesia YPTK Padang. Ruang lingkup penelitian ini adalah melakukan proses klasifikasi berapa intensitas jumlah kendaaran yang masuk di area kampus pada beberapa waktu dimana kepadatan mahasiswa terjadi yang jika terjadi hal tersebut dapat menyebabkan terganggunya operasional kampus seperti perkuliahan dan lainnya. Kendaraan yang dihihitung adalah yang sering dipakai mahasiswa seperti motor dan mobil. Tujuan penelitian ini untuk menghitung jumlah kendaraan di area kampus menggunakan algoritma deteksi objek You Only Look Once (YOLOv8) dan platform Roboflow yang menggunakan 1657 gambar yang dilabeling. YOLOv8 memiliki peningkatan akurasi dan kecepatan dibandingkan versi sebelumnya, data yang digunakan berupa citra atau video yang diambil dari kamera CCTV. Hasil eksperimen menunjukkan bahwa model ini dapat mendeteksi dan menghitung jumlah kendaraan dengan akurasi tingkat presisi mencapai 96%, recall 82%, mAP50 sebesar 87%, dan mAP50-95 juga 87% dan waktu pemrosesan yang efisien. Kontribusi penelitian ini dapat meningkatkan pengelolaan lalu lintas dan perencanaan fasilitas di area kampus.

Kata kunci: Klasifikasi kendaraan, YOLOv8, deteksi objek, Citra

Abstract

The increase in new students poses challenges to the infrastructure at Universitas Putra Indonesia YPTK Padang. The scope of this research is to classify the intensity of vehicles entering the campus area at certain times when student density occurs, which can disrupt campus operations such as lectures and others. The vehicles counted are those frequently used by students, such as motorcycles and cars. The purpose of this research is to count the number of vehicles in the campus area using the You Only Look Once (YOLOv8) object detection algorithm and the Roboflow platform, which uses 1657 labeled images. YOLOv8 has improved accuracy and speed compared to previous versions. The data used are images or videos taken from CCTV cameras. The results of the experiment show that this model can detect and count the number of vehicles with an accuracy level of 96%, recall of 82%, mAP50 of 87%, and mAP50-95 of 87% as well as efficient processing time. The contribution of this research can improve traffic management and facility planning in the campus area.

Keywords: Vehicle classification, YOLOv8, object detection, Image