Keywords
Deteksi Kendaraan
Streamlit
How to Cite
Abstract
Kemacetan dan kecelakaan dalam berlalu lintas masih menjadi permasalahan yang harus diperhatikan terutama dikota-kota besar yang dimana jalan selalu dipadati oleh berbagai jenis kendaraan yang melintas Dari beberapa kalangan seperti ahli tata kota, pemerintahan, teknisi, dan para peneliti untuk mencari solusi mengenai kemacetan, faktor menunjang keselamatan dalam berkendara yaitu kualitas kendaraan, infrastruktur dan kondisi pengendara, computer vision hadir untuk memundahkan bisa melihat banyaknya kendaraan - kendaraan yang melintas Pada penelitian ini penulis membuat Sistem Deteksi Kendaraan Menggunakan StreamLit Metode Yolo penulis menggunakan dataset sebesar 25 gambar dengan mobil dan truk. Pada hasil penelitian menggunakan framework streamlit dengan metode YOLOV8 dan yang dapat mengenali objek secara konsisten dengan tingkat akurat yang tinggi mendapatkan Model yang dibangun mencapai kinerja dengan nilai mAP50 0.962, dan mAP50-90 0.603. dan Speed: 0.3ms preprocess, 5.9ms inference, 0.0ms loss, 10.4ms postprocess per image. Sistem yang dikembangkan juga memiliki akurasi yang cukup baik dengan skor kepercayaan rata-rata 0.995.
References
Ragil Nurhawanti, “SISTEM PENDETEKSI SEPEDA MOTOR PELANGGAR MARKA JALAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORKS (CNNs),” 2019.
Aldhiyatika Amwin, “DETEKSI DAN KLASIFIKASI KENDARAAN BERBASIS ALGORITMA YOU ONLY LOOK ONCE (YOLO),” 2021.
Dany Alfiyandi Abdurrafi, M Taqijjuddin Alawiy, and Bambang Minto Basuki, “DETEKSI KLASIFIKASI DAN MENGHITUNG KENDARAAN BERBASIS ALGORITMA YOU ONLY LOOK ONCE (YOLO) MENGGUNAKAN KAMERA CCTV,” SCIENCE ELECTRO, vol. nn, no. 9, 2023.
RANGGA RINALDIANSYAH, “DETEKSI PLAT NOMOR KENDARAAN BERBASIS ALGORITMA YOLO,” 2020.
T. M. N. H. Junita Sri Wisna H, “View of Deteksi Kendaraan secara Real Time menggunakan Metode YOLO Berbasis Android,” Jurnal Sustainable, pp. 8–14, 2020.
M. A. R. Dadang Iskandar Mulyana, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” 2022.
M. Fikri, N. Syahbani, and G. Ramadhan, “JURNAL MEDIA INFORMATIKA BUDIDARMA Klasifikasi Gerakan Yoga dengan Model Convolutional Neural Network Menggunakan Framework Streamlit,” 2023, doi: 10.30865/mib.v7i1.5520.
A. Z. Toscana, C. Setianingsih, and M. W. Paryasto, “Integrasi Streamlit pada Aplikasi Berbasis Web dengan Algoritma YOLO V8 dan Teknologi Drone untuk Identifikasi Jenis dan Estimasi Tinggi Pohon,” 2023. [Online]. Available: https://www.kdnuggets.com/2019/10/write-web-
L. Satya, M. R. D. Septian, M. W. Sarjono, M. Cahyanti, and E. R. Swedia, “Sistem Pendeteksi Plat Nomor Polisi Kendaraan dengan Arsitektur Yolov8,” Sebatik, vol. 27, no. 2, p. 27, 2023, doi: 10.46984/sebatik.v27i2.2374.
Adil Faruq Habibi, “OPTIMISASI PENGENALAN DAN PELABELAN MOTIF BATIK DENGAN PROTOTYPICAL NETWORKS DAN UNCERTAINTY ANALYSIS,” 2022.
E. U. Armin, A. Purnama Edra, F. I. Alifin, I. Sadidan, I. P. Sary, and U. Latifa, “Performa Model YOLOv8 untuk Deteksi Kondisi Mengantuk pada pengendara mobil,” Penerapan Kecerdasan Kecerdasan Buatan, vol. 5, no. 1, pp. 67–76, 2023.
PRESILLIA BR SIANTURI, “PENGEMBANGAN APLIKASI PENERJEMAH BAHASA LAMPUNG BERBASIS WEB MENGGUNAKAN FRAMEWORK STREAMLIT,” 2023.
eko m khairunnas, “Pembuatan modul deteksi objek manusia menggunakan metode yolo untuk mobile robot,” Jurnal Teknik ITS, 2021.
N. Dwi Grevika Drantantiyas et al., “Performasi Deteksi Jumlah Manusia Menggunakan YOLOv8,” 2023. [Online]. Available: https://universe.roboflow.com/csgo-head-detection/head-datasets
A. Setiyadi, E. Utami, ) |891, and D. Ariatmanto, “Analisa Kemampuan Algoritma YOLOv8 Dalam Deteksi Objek Manusia Dengan Metode Modifikasi Arsitektur,” 2023.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 Nur Mohamad Iqbal Jauhari, Resty Wulanningrum, Ahmad Bagus Setiawan