Keywords
YOLOv8
Object Detection
How to Cite
Abstract
Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem klasifikasi kendaraan berbasis video menggunakan algoritma YOLOv8m. Data diperoleh dari rekaman CCTV lalu lintas dan melalui tahap anotasi manual untuk menghasilkan dataset sebanyak 4.723 gambar yang terdiri atas lima kelas objek: Mobil, Motor, Truk, Bus, dan Background. Dataset diproses melalui augmentasi dan preprocessing, serta dibagi ke dalam data latih, validasi, dan uji. Model dilatih selama 40 epoch dengan ukuran citra 640x640 piksel menggunakan pretrained weights dari dataset COCO. Evaluasi dilakukan menggunakan metrik precision, recall, mAP@50, dan mAP@50–95, serta confusion matrix untuk mengukur performa klasifikasi per kelas. Hasil menunjukkan bahwa model mampu melakukan deteksi kendaraan dengan baik, dengan nilai mAP@50 mencapai 94.8% dan mAP@50–95 sebesar 77.3%. Sistem ini juga diuji menggunakan input video, dan menunjukkan nilai confidence tertinggi pada kelas Bus (87.72%) serta terendah pada Motor (78.29%). Temuan ini menunjukkan potensi YOLOv8m sebagai solusi deteksi kendaraan real-time berbasis video yang andal.
References
[1] B. Aditya Pratama, S. Rahman, and A. Sembiring, “KLASIFIKASI JENIS KENDARAAN PADA JALAN RAYA MENGGUNAKAN YOLOV7,” Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 5, pp. 661–666, Dec. 2023, doi: 10.51401/jinteks.v5i4.3493.
[2] W. Flores-Fuentes, O. Sergiyenko, J. C. Rodríguez-Quiñonez, and J. E. Miranda-Vega, “Application of Information Theory to Computer Vision and Image Processing,” Feb. 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/e26020114.
[3] D. F. Sumajouw, E. I. Meicsy, S. T. Najoan, S. R. U. A. Sompie, ) Mahasiswa, and ) Pembimbing, “Perancangan Sistem Keamanan Rumah Tinggal Terkendali Jarak Jauh,” 2015.
[4] 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, pp. 269–279, Feb. 2025, doi: 10.52436/1.jutif.2025.6.1.3916.
[5] I. Supiyani and N. Arifin, “IDENTIFIKASI NOMOR RUMAH PADA CITRA DIGITAL MENGGUNAKAN NEURAL NETWORK,” METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, pp. 18–21, Mar. 2022, doi: 10.46880/mtk.v8i1.921.
[6] A. N. Faturrohman, S. H. Suryawan, and A. Rahim, “Pengembangan Model Klasifikasi Kendaraan Keluar Masuk Area Parkir Dengan Algoritma YOLOv8,” Teknika, vol. 13, pp. 370–379, Sep. 2024, doi: 10.34148/teknika.v13i3.992.
[7] 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, pp. 753–761, Dec. 2023, doi: 10.46984/sebatik.v27i2.2374.
[8] A. Ardiansyah, J. Triloka, K. kunci-Pengolahan Citra, D. Kesegaran Buah, and K. Akurasi, “Evaluasi Kinerja Model YOLOv8… 357.”
[9] N. F. Alhussainan, B. Ben Youssef, and M. M. Ben Ismail, “A Deep Learning Approach for Brain Tumor Firmness Detection Based on Five Different YOLO Versions: YOLOv3–YOLOv7,” Computation, vol. 12, no. 3, Mar. 2024, doi: 10.3390/computation12030044.
[10] A. Ridhovan et al., “PENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM.”
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Muhammad Vicko Putra Ardiansyah, Julian Sahertian, Rony Heri Irawan