HENDRAWAN, Aria and Gernowo, Rahmat and Nurhayati, Oky Dwi (2024) PENGEMBANGAN METODE YOLO SEBAGAI DETEKSI DAN KLASIFIKASI KENDARAAN PADA INTELLIGENT TRANSPORTATION SYSTEM. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text 1.Naskah Disertasi (Cover Depan)-Aria Hendrawan.pdf Download (1MB)
	Text 3.Naskah Disertasi (BAB I)-Aria Hendrawan.pdf Download (515kB)
	Text 4.Naskah Disertasi (BAB II)-Aria Hendrawan.pdf Download (905kB)
	Text 5.Naskah Disertasi (BAB III)-Aria Hendrawan.pdf Restricted to Repository staff only Download (828kB)
	Text 6.Naskah Disertasi (BAB IV)-Aria Hendrawan.pdf Restricted to Repository staff only Download (3MB)
	Text 7.Naskah Disertasi (BAB V)-Aria Hendrawan.pdf Restricted to Repository staff only Download (294kB)
	Text 8.Naskah Disertasi (DAFTAR PUSTAKA)-Aria Hendrawan.pdf Download (553kB)

Abstract

Sistem transportasi cerdas (Intelligent Transportation System atau ITS) berperan penting dalam mengelola lalu lintas di kota-kota besar. Deteksi dan klasifikasi kendaraan secara akurat menjadi tantangan utama, terutama dalam kondisi lingkungan yang dinamis seperti pencahayaan rendah atau lalu lintas padat. YOLO (You Only Look Once), metode populer untuk deteksi dan klasifikasi objek karena kecepatannya yang tinggi. Keunggulan YOLO tersebut, ternyata mengakibatkan kesulitan dalam mendeteksi kendaraan yang serupa, terutama saat pencahayaan tidak ideal, sehingga mengurangi efektivitas ITS dalam merespons situasi lalu lintas yang kompleks. Penelitian ini mengembangkan model YOLO yang dioptimalkan, bernama YOLO-ARIA (You Only Look Once Artificial Intelligent Real-Time Analysis), untuk meningkatkan akurasi dan kecepatan deteksi serta klasifikasi kendaraan. Penelitian dimulai dengan pengumpulan dataset video dari CCTV di beberapa lokasi strategis di Kota Semarang. Video dikonversi menjadi citra yang digunakan sebagai input model. Tahap selanjutnya, kualitas citra ditingkatkan menggunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk memperbaiki kontras dan detail citra, terutama dalam kondisi pencahayaan rendah. Anotasi citra diberikan untuk memastikan data latih yang berkualitas. YOLO-ARIA dikembangkan dengan mengintegrasikan mekanisme Cross Convolutional Network (C3X) dan modul C3-2 ke dalam arsitektur YOLO, yang dirancang untuk meningkatkan representasi ciri objek kendaraan. Kinerja model dievaluasi menggunakan metrik seperti precision, recall, dan mean average precision (mAP). Hasil penelitian menunjukkan YOLO-ARIA mencapai akurasi deteksi dan klasifikasi kendaraan sebesar 98,4% dibandingkan metode YOLO sebelumnya yang diuji pada dataset Visual of Content (VOC). YOLO-ARIA menunjukkan peningkatan kecepatan deteksi dan klasifikasi kendaraan sebesar 50% dibandingkan dengan YOLOv5x. Pengurangan jumlah lapisan menjadi 172 dan nilai operasi komputasi sebesar 16,6 giga per detik menjadikan YOLO-ARIA lebih efisien diterapkan pada aplikasi waktu nyata. Pencapaian YOLO-ARIA dalam keseimbangan yang lebih baik antara akurasi dan kecepatan deteksi menjadi solusi efektif dalam sistem transportasi cerdas. Pengembangan lebih lanjut diharapkan dapat meningkatkan efisiensi manajemen lalu lintas serta memperluas penerapan YOLO-ARIA dalam berbagai kondisi lingkungan dan jenis kendaraan.
Kata Kunci: YOLO, Deteksi, Klasifikasi, ITS, CLAHE, C3X

Intelligent Transportation Systems (ITS) play a crucial role in managing traffic in large cities. Accurate vehicle detection and classification are the primary challenges, especially in dynamic environments such as low lighting or heavy traffic. YOLO (You Only Look Once) is a popular method for object detection and classification due to its high speed. However, the strengths of YOLO also lead to difficulties in detecting similar vehicles, particularly under suboptimal lighting conditions, which reduces the effectiveness of ITS in responding to complex traffic situations. This research develops an optimized YOLO model, named YOLO-ARIA (You Only Look Once Artificial Intelligent Real-Time Analysis), aimed at improving the accuracy and speed of vehicle detection and classification. The research begins with the collection of video datasets from CCTV at several strategic locations in Semarang City. The videos are then converted into images to be used as input for the model. In the next stage, Imag” qua’Ity Is enhanced using the Contrast Limited Adaptive Histogram Equalization (CLAHE) method to improve contrast and detail, particularly in low-light conditions. Image annotation is provided to ensure high-quality training data. YOLO-ARIA is developed by integrating the Cross Convolutional Network (C3X) mechanism and the C3-2 module into the YOLO architecture, designed to enhance vehicle feature representation. The model’s performance is evaluated using metrics such as precision, recall, and mean average precision (mAP). The results show that YOLO-ARIA achieved 98.4% vehicle detection and classification accuracy compared to previous YOLO methods tested on the Visual of Content (VOC) dataset. YOLO-ARIA also demonstrated a 50% increase in detection and classification speed compared to YOLOv5x. The reduction in the number of layers to 172 and a computational operation value of 16.6 gigaflops per second make YOLO-ARIA more efficient for real-time applications. The achievement of YOLO-ARIA in striking a better balance between detection accuracy and speed makes it an effective solution for intelligent transportation systems. Further development is expected to enhance traffic management efficiency and expand the application of YOLO-ARIA across various environmental conditions and vehicle types.
Keywords: YOLO, Detection, Classification, ITS, CLAHE, C3X

Actions (login required)

View Item