Prediksi Kemacetan Lalu Lintas Menggunakan Data Citra CCTV Dan NLP Media Sosial
DOI:
https://doi.org/10.29407/8x4pxm28Abstract
Kemacetan lalu lintas merupakan salah satu permasalahan utama di perkotaan yang dapat menyebabkan kerugian waktu, peningkatan konsumsi bahan bakar, dan menurunkan efisiensi mobilitas masyarakat. Penelitian ini bertujuan untuk mengembangkan sistem prediksi kemacetan lalu lintas menggunakan data citra CCTV dan media sosial berbasis deep learning. Metode yang digunakan adalah algoritma YOLOv8 untuk mendeteksi dan menghitung kendaraan secara real-time dari video CCTV, serta metode Natural Language Processing (NLP) untuk menganalisis informasi kondisi lalu lintas dari media sosial. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, dan evaluasi sistem. Evaluasi model dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP) untuk mengukur performa deteksi kendaraan dan klasifikasi informasi lalu lintas. Hasil penelitian menunjukkan bahwa integrasi data visual dan tekstual mampu memberikan informasi kondisi lalu lintas yang lebih lengkap, cepat, dan akurat dibandingkan penggunaan satu sumber data saja. Dengan demikian, sistem yang dikembangkan berpotensi mendukung implementasi Intelligent Transportation System dalam pemantauan dan prediksi kemacetan lalu lintas secara real-time.
Keywords:
YOLOv8, CCTV, NLP, Kemacetan Lalu Lintas, Deep Learning.##plugins.themes.default.displayStats.downloads##
References
[1] J. Manurung, N. Azizi, D. Anastasya, N. Valentino, A. Sanjaya, and K. Saputra, “Deteksi
Kemacetan dengan Deep Learning YOLOv4 dan Euclidean Distance Tracker pada Jalan
Raya di Kota Medan,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia),
vol. 8, no. 1, pp. 57–63, Feb. 2023, doi: 10.32528/justindo.v8i1.220.
[2] A. Surya and I. Wahyuni, “Deteksi Kepadatan Lalu Lintas Pada CCTV Publik Pemerintah
Kota Malang Menggunakan YOLOv8,” SPECTA Journal of Technology, vol. 9, no. 2, pp.
136–149, Aug. 2025, doi: 10.35718/specta.v9i2.8481367.
[3] A. Kholik and M. D. Fauzi, “BULLETIN OF COMPUTER SCIENCE RESEARCH
Deteksi Pelanggaran Durasi Berhenti Kendaraan pada Area Yellow Box Junction
Menggunakan Algoritma YOLOv8,” Media Online), vol. 6, no. 3, pp. 870–876, 2026, doi:
10.47065/bulletincsr.v6i3.1055.
[4] M. A. Putri, Riyono, and I. Setiawan Wibisono, “SmartTraffic-CNN: Deteksi dan
Estimasi Jumlah Kendaraan Secara Otomatis Menggunakan Deep Learning dan Ekstraksi
Fitur,” Jurnal Algoritma, vol. 22, no. 2, Nov. 2025, doi: 10.33364/algoritma/v.22-2.2943.
[5] A. Ahdan Amir, A. Delviana Lihara, M. Nabil, A. Info Kata Kunci, and K. Lalu Lintas,
“Sistem Analisis Kinerja Lalu Lintas Berbasis Deep Learning dengan Arsitektur You
Only Look Once (YOLO),” vol. 6, no. 1, pp. 179–190, 2026, doi:
10.51454/decode.v6i1.1503.
[6] F. Raihan Wahidin, W. Witanti, E. Ramadhan, U. Jenderal Achmad Yani, K. Bandung,
and P. Korespondensi, “PENGONTROLAN LAMPU LALU LINTAS
MENGGUNAKAN TEKNOLOGI DETEKSI KENDARAAN YOLOV4,” vol. 12, no. 5,
pp. 2355–7699, 2025.
[7] R. Ramadan, H. Setiawan, and U. Jenderal Achmad Yani, “Studi Kasus pada Video
Rekaman CCTV.”
[8] N. J. Hayati, D. Singasatia, M. R. Muttaqin, T. Informatika, S. Tinggi, and T.
Wastukancana, “OBJECT TRACKING MENGGUNAKAN ALGORITMA YOU ONLY
LOOK ONCE (YOLO)v8 UNTUK MENGHITUNG KENDARAAN,” KOMPUTA :
Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 2, 2023, [Online]. Available:
https://universe.roboflow.com/
[9] A. R. Muttakin and D. Haryanto, “Sistem Penghitungan Kendaraan Otomatis
Menggunakan Metode Object Detection Algoritma CNN”, [Online]. Available:
https://journal.uniku.ac.id/index.php/buffer
[10] L. Atikah, D. Purwitasari, and N. Suciati, “DETEKSI KEJADIAN LALU LINTAS
PADA TEKS TWITTER DENGAN PENDEKATAN KLASIFIKASI MULTI-LABEL
BERBASIS DEEP LEARNING”, doi: 10.25126/jtiik.202295206.
[11] M. Hasan Fikri, M. Miftahul Ulum, and N. Latifah Dwi Mutiara Sari, “Literature review
Implementasi kecerdasan buatan untuk Prediksi dan Pengelolaan Kemacetan Lalu Lintas
di Perkotaan,” Seminar Nasional Informatika-FTI UPGRIS, vol. 2, 2024.
[12] R. Hidayattullah, N. Suarna, I. Ali, and D. I. Efendi, “DEEP LEARNING ALGORITMA
YOLOV8 UNTUK MENINGKATKAN ANALISIS KEPADATAN LALU LINTAS,”
Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi:
10.23960/jitet.v13i2.5749.
[13] F. Maulana Ridho, A. Fahrudi Setiawan, and J. Dedy Irawan, “IMPLEMENTASI
CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI MARKA
JALAN,” 2025.
[14] D. J. Marcelleno and M. P. K. Putra, “PERFORMANCE EVALUATION OF YOLOV8
IN REAL-TIME VEHICLE DETECTION IN VARIOUS ENVIRONMENTAL
CONDITIONS,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 1, pp. 269–279, Feb. 2025,
doi: 10.52436/1.jutif.2025.6.1.3916.
[15] R. H. Irawan et al., [ i ]. 2019. [Online]. Available: www.penerbitlitnus.co.id
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
