Perpustakaan Digital ITB

PT Jakarta Infrastruktur Propertindo sebagai salah satu pelaku industri periklanan luar ruang di Jakarta sedang melakukan pengembangan sistem automated counting untuk mengganti sistem counting manual dalam perhitungan value dari billboard. Komponen utamanya berupa model machine learning yang siap pakai mayoritas dilatih menggunakan dataset internasional seperti COCO atau ImageNet memiliki performa kurang optimal pada kondisi lokal Jakarrta, terutama deteksi sepeda motor yang mendominasi 75% lalu lintas Jakarta. Penelitian ini bertujuan untuk melakukan pengembangan model menggunakan dataset lokal berjumlah 2.100 citra dengan 7.758 instance kendaraan dari Jalan R.A Kartini, Jakarta Selatan, mencakup empat kelas kendaraan dengan variasi kondisi pencahayaan dan cuaca. Metodologi menggunakan pendekatan CRISP-DM dengan preprocessing, augmentasi data, fine-tuning model, dan evaluasi menggunakan metrik mAP, precision, recall, F1- score, dan counting accuracy. Hasil evaluasi untuk kemampuan deteksi menunjukkan model optimized mencapai mAP@0.5 sebesar 88,6% dengan peningkatan 63,8 poin, precision 92,1%, recall 94,9%, dengan peningkatan signifikan pada deteksi motor dari 3,5% menjadi 91,9%. Hasil evaluasi untuk kemampuan klasifikasi menunjukkan model optimized mencapai accuracy sebesar 98,8% dengan peningkatan 9,4 poin, precision, recall, dan F1-score secara keseluruhan mencapai 98,8%. Counting accuracy sistem dengan model optimized rata-rata diatas 80% dibandingkan 28,5% model pre-trained. Pengembangan model dengan dataset lokal terbukti meningkatkan performa deteksi dan klasifikasi kendaraan Indonesia, menghasilkan sistem automated counting billboard dengan akurasi tinggi yang mendukung transformasi digital industri periklanan luar ruang Jakarta.