PENGENALAN RAMBU LALU LINTAS MENGGUNAKAN METODE YOLOV8

MUH. IKBAL, Rizal Adi Saputra

Abstract


Teknologi kendaraan otonom telah mengalami perkembangan pesat dalam beberapa tahun terakhir. Tujuan utama dari teknologi ini adalah untuk mengurangi kecelakaan lalu lintas dan menciptakan lingkungan berkendara yang lebih aman. Kendaraan otonom diharapkan dapat sepenuhnya memahami lingkungan lalu lintas dan beroperasi sesuai aturan. Salah satu metode kecerdasan buatan yang sering digunakan dalam teknologi ini adalah deep learning YOLO. Penelitian ini mengembangkan metode deteksi jenis rambu lalu lintas menggunakan YOLO V8, yang merupakan pengembangan dari metode CNN. Data yang digunakan dalam penelitian ini mencakup 30 label jenis rambu lalu lintas dengan total 4650 citra. Dataset dibagi dengan proporsi 70:30, di mana 70% digunakan untuk pelatihan dan 30% untuk pengujian. Setelah pembagian, dataset pelatihan terdiri dari 3232 gambar, sementara dataset pengujian mencakup 1418 gambar. Hasil pengujian menunjukkan bahwa model ini memiliki kinerja yang baik, dengan nilai Precision sebesar 0,993, Recall sebesar 0,999, mAP50 sebesar 0,995, dan mAP50-95 sebesar 0,984. Nilai-nilai ini menunjukkan bahwa model ini mampu mengidentifikasi dan mengklasifikasikan rambu lalu lintas dengan akurasi yang tinggi.

Full Text:

PDF

References


Arief R. (2021). Tesis Sistem Deteksi Dan Pengenalan Rambu Lalu Lintas Di Indonesia Menggunakan Algoritma Yolov4. Universutas Hasanudin, Makassar.

Fahim, S. H., Abdal, A., Rasel, S., Sarker, A. R., and Chowdhury, T. (2024). Bangladeshi Vehicle Identification via YOLO v8-Based License Plate Detection. Cambridge Open Engage. https://doi.org/10.33774/coe-2024-5k5w6

Gong, C., Li, A., Song, Y., Xu, N., and He, W. (2022). Traffic Sign Recognition Based on the YOLOv3 Algorithm. Sensors, 22(23). https://doi.org/10.3390/s22239345

Gregorius, N., Goenawan, A. N., and Tjondrowiguno, L. (2022). Pengenalan Rambu Lalu Lintas di Indonesia Secara Real-time Menggunakan YOLOv4-tiny. Jurnal Infra, 10.

Janapriya, A. (2023). Pengenalan Jenis Rambu Lalu Lintas menggunakan Metode YOLO V5. Jurnal Elektronik Ilmu Komputer Udayana , 11(4), 2654–5101. https://doi.org/10.24843/JLK.2023.v11.i04.p32

Liu, Y., Shi, G., Li, Y., and Zhao, Z. (2022). M-YOLO: Traffic Sign Detection Algorithm Applicable to Complex Scenarios. Symmetry, 14(5). https://doi.org/10.3390/sym14050952

Munawar, M. (2023, January 10). Train YOLOv8 on Custom Data? Retrieved January 7, 2024, from https://medium.com/

Nugroho, A., and Cahyono, M. R. A. (2022). Implementasi Object Recognition Pada Rambu-Rambu Dan Lampu Lalu Lintas Dengan Raspberry Pi Dengan Algoritma Yolov5. Sebatik, 26(2), 549–556. https://doi.org/10.46984/sebatik.v26i2.2047

Oklilas, A. F., Sukemi, S., and Apriliyanto, R. (2023). Model Yolo Versi 4 Pada Pengenalan Kendaraan Di Jalan Raya Kota Palembang. Transmisi: Jurnal Ilmiah Teknik Elektro, 25(3), 136–139. https://doi.org/10.14710/transmisi.25.3.136-139

Raza M. (2023, October 16). Yolo V8: A Deep Dive Into Its Advanced Functions and New Features. Retrieved January 7, 2024, from https://medium.com/

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Retrieved from http://pjreddie.com/yolo/

Shahab, M. (2023, October 8). YOLO v8. Retrieved January 7, 2024, from https://medium.com/

Shen, L., Lang, B., and Song, Z. (2023). DS-YOLOv8-Based Object Detection Method for Remote Sensing Images. IEEE Access, 11, 125122–125137.

Takarob R. (2022). Deteksi Dan Identifikasi Rambu-Rambu Lalu Lintas Berbasis Algoritma You Only Look Once (Yolo). Jakarta.

Xuan-Ha Nguyen, T.-T. N. D.-A. N. (2022). Development of Real-Time Traffic-Object and Traffic-Sign Detection Models Applied for Autonomous Intelligent Vehicles. JST: Smart Systems and Devices, 32(1), 17–24. https://doi.org/10.51316/jst.155.ssad.2022.32.1.3

Zhang, R., Zheng, K., Shi, P., Mei, Y., Li, H., and Qiu, T. (2023). Traffic Sign Detection Based on the Improved YOLOv5. Applied Sciences (Switzerland), 13(17). https://doi.org/10.3390/app13179748




DOI: http://dx.doi.org/10.31000/jika.v8i2.10609

Article Metrics

Abstract - 178 PDF - 235

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

CURRENT INDEXING