Perpustakaan Digital ITB

Kemacetan lalu lintas merupakan salah satu permasalahan utama dalam bidang transportasi karena membawa berbagai dampak negatif. Dengan bantuan kecerdasan buatan, klasifikasi kemacetan dapat dilakukan dengan memanfaatkan video CCTV lalu lintas. Hasil klasifikasi tersebut dapat disampaikan kepada pihak yang terkait agar kemacetan yang terjadi dapat segera ditangani. Algoritma YOLO dapat digunakan untuk melakukan segmentasi area jalan dan mendeteksi kendaraan yang tertangkap dalam video CCTV. Berdasarkan hasil pendeteksian kendaraan, dapat dilakukan pengukuran berbagai fitur citra lalu lintas untuk mendapatkan gambaran kondisi lalu lintas secara komprehensif. Fitur-fitur citra lalu lintas yang diukur mencakup aliran, okupansi, kepadatan, dan kecepatan lalu lintas. Hasil pengukuran tersebut dapat digunakan untuk melakukan klasifikasi status lalu lintas. Implementasi metode klasifikasi kemacetan dilakukan dengan bahasa pemrograman Python. Model segmentasi area jalan dan pendeteksian kendaraan diperoleh dengan melakukan pelatihan pada model pralatih YOLO versi 8. Fitur aliran dapat diukur dengan menghitung jumlah kendaraan yang tertangkap kamera CCTV, fitur okupansi dapat diukur dengan menghitung rasio piksel kendaraan terhadap area jalan, fitur kepadatan diukur dengan mengekstrak nilai invers perkalian properti korelasi dari gray level co-occurrence matrix (GLCM), dan fitur kecepatan diukur dengan memanfaatkan pyramidal Lucas-Kanade optical flow. Hasil pengukuran fitur-fitur yang ada kemudian dimanfaatkan untuk melakukan klasifikasi status lalu lintas dengan memanfaatkan jaringan saraf tiruan. Berdasarkan hasil pengujian, metode klasifikasi kemacetan dengan bantuan algoritma YOLO untuk segmentasi area jalan dan pendeteksian kendaraan mampu melakukan klasifikasi status lalu lintas dengan nilai akurasi 84,75%, precision 84,66%, recall 84,75%, dan F1-score 84,69%.