CHOLID, Fahmi Anhar and Adi, Kusworo and Syafei, Wahyul Amien (2021) PENERAPAN METODE YOU ONLY LOOK ONCE (YOLO) DAN SUPPORT VECTOR REGRESSION (SVR) UNTUK PERHITUNGAN KEPADATAN LALU LINTAS BERDASARKAN AREA OCCUPANCY. Masters thesis, School of Postgraduate Studies.

	Text Cover.pdf Download (9MB)
	Text BAB I.pdf Download (88kB)
	Text BAB II.pdf Download (589kB)
	Text BAB III&IV.pdf Restricted to Repository staff only Download (3MB)
	Text BAB V.pdf Download (71kB)
	Text Daftar pustaka.pdf Download (86kB)

Abstract

Penelitian ini membahas tentang implementasi pemantauan lalu lintas dalam menghitung tingkat kepadatan lalu lintas berdasarkan nilai tingkat pelayanan (LOS) pada lalu lintas homogen atau lalu lintas heterogen. Menurut penelitian sebelumnya, akurasi pendeteksian objek sering dipertanyakan dalam situasi lalu lintas yang padat. YOLO, di sisi lain, dapat secara konsisten mendeteksi objek dan cocok untuk studi kepadatan lalu lintas. Penentuan kepadatan lalu lintas dapat dilakukan dengan menggunakan kombinasi SVR dan area hunian. Jumlah total data latih yang digunakan metode YOLO untuk mendeteksi jenis kendaraan adalah 4665 sampel kendaraan yang terdiri dari jenis 1- 6. Metode SVR menggunakan variabel yang diolah menggunakan segmen jalan bebas hambatan dasar untuk data latih dan area hunian untuk data uji. Hasil penelitian menunjukkan bahwa metode YOLO dapat mengenali jenis kendaraan dan memperoleh akurasi 75,16% pada kondisi lalu lintas siang hari. Untuk estimasi kepadatan lalu lintas berdasarkan okupansi diterapkan metode YOLO dan SVR. Hal ini direpresentasikan dengan kernel polinomial dengan parameter optimasi epsilon = 1,0, derajat = 1, gamma = 0,0, dan coef0 = 2,0 memperoleh skor MAPE 53,59; nilai ini lebih kecil dari penggunaan kernel linier mendapatkan nilai MAPE sebesar 55,5
Keywords: Area Occupancy, Kepadatan lalu lintas, YOLO, SVR

This research discusses the implementation of traffic monitoring in calculating the level of traffic density based on the level of service (LOS) value of in homogeneous traffic or heterogeneous traffic. According to previous study, object detection's accuracy is frequently questioned in congested traffic situations. YOLO, on the other hand, can consistently detect objects and is ideally suited for traffic density studies. It is feasible to determine traffic density using a combination of SVR and occupancy area. The total number of training data used by the YOLO method to detect vehicle types was 4665 samples of vehicles consisting of types 1- 6. The SVR method uses variables processed using basic freeway segment for training data and occupancy area for test data. The results show that the YOLO method can recognize vehicle types and obtain 75.16% accuracy in daytime traffic conditions. For the estimate of traffic density based on occupancy the YOLO and SVR method is implemented. This is represented with a polynomial kernel with epsilon optimization parameter = 1.0, degree = 1, gamma = 0.0, and coef0 = 2.0 obtaining a MAPE score of 53.59; this value is smaller than the use of a linear kernel getting a MAPE value of 55.5
Keywords: Area Occupancy, Traffic Density, YOLO, SVR

Actions (login required)

View Item