Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 12 No. 5 (2025) · hlm. 975–984

DOI
10.25126/jtiik.2025125
ISSN
2528-6579, 2355-7699
Terbit
2025-10-31
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%. Abstract Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.

Inggris

Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%. Abstract Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.

Kata kunci

Jaringan kolaborasi para penulis

3 penulis · 3 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4</dc:title>
	<dc:title xml:lang="en">Pengontrolan Lampu Lalu Lintas Menggunakan Teknologi Deteksi Kendaraan YOLOV4</dc:title>
	<dc:creator xml:lang="en">Wahidin, Farhan Raihan</dc:creator>
	<dc:creator xml:lang="en">Witanti, Wina</dc:creator>
	<dc:creator xml:lang="en">Ramadhan, Edvin</dc:creator>
	<dc:creator xml:lang="id">Wahidin, Farhan Raihan</dc:creator>
	<dc:creator xml:lang="id">Witanti, Wina</dc:creator>
	<dc:creator xml:lang="id">Ramadhan, Edvin</dc:creator>
	<dc:subject xml:lang="id">Deteksi</dc:subject>
	<dc:subject xml:lang="id">Kendaraan</dc:subject>
	<dc:subject xml:lang="id">YOLOv4</dc:subject>
	<dc:subject xml:lang="id">Pengontrolan</dc:subject>
	<dc:subject xml:lang="id">Lampu Lalu Lintas</dc:subject>
	<dc:subject xml:lang="en">Deteksi</dc:subject>
	<dc:subject xml:lang="en">Kendaraan</dc:subject>
	<dc:subject xml:lang="en">YOLOv4</dc:subject>
	<dc:subject xml:lang="en">Pengontrolan</dc:subject>
	<dc:subject xml:lang="en">Lampu Lalu Lintas</dc:subject>
	<dc:description xml:lang="id">Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.
 
Abstract
Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.</dc:description>
	<dc:description xml:lang="en">Deteksi kendaraan adalah aspek kunci dalam pengontrolan lalu lintas yang efisien. Kemacetan lalu lintas bisa terjadi salah satunya akibat pengaturan durasi lampu lalu lintas yang tidak disesuaikan dengan volume kendaraan pada saat itu. Penelitian ini bertujuan mengembangkan sistem pengontorlan lampu lalu lintas adaptif yang menyesuaikan durasi lampu berdasarkan volume kendaraan yang terdeteksi menggunakan YOLOv4, yang dapat mengatasi kekurangan pada sistem pengontrolan lalu lintas konvensional dan mengurangi kemacetan serta meningkatkan efisiensi lalu lintas. Tahapan penelitian dimulai dengan mengumpulkan data video lalu lintas dari CCTV (Closed Circuit Television) yang dipasang di berbagai lokasi strategis untuk mendapatkan gambaran lengkap tentang kondisi lalu lintas. Data tersebut kemudian dianalisis menggunakan algoritma YOLOv4 (You Only Look Once v4) untuk mendeteksi kendaraan secara real-time. YOLOv4 dipilih karena keunggulannya dalam efisiensi dan akurasi deteksi kendaraan secara real-time. Setelah data deteksi kendaraan terkumpul, data tersebut diintegrasikan dengan sistem lampu lalu lintas. Algoritma ini dirancang untuk mengintegrasikan data deteksi kendaraan secara real-time dan menyesuaikan durasi lampu lalu lintas berdasarkan jumlah kendaraan. Selanjutnya simulasi sistem menggunakan library pygame dilakukan untuk mengevaluasi kinerja algoritma di berbagai kondisi lalu lintas. Hasil penelitian menunjukkan bahwa penggunaan YOLOv4 dalam sistem pengontrolan lampu lalu lintas adaptif secara signifikan mengurangi kemacetan. Model YOLOv4 menunjukkan akurasi rata-rata tertinggi sebesar 78% dalam deteksi kendaraan di jalan kedua dengan kualitas video yang cukup baik. Penggunaan YOLOv4 dalam pengontrolan lampu lalu lintas menunjukkan peningkatan efisiensi dan responsivitas terhadap tingkat kepadatan lalu lintas sedang, dengan pengurangan durasi lampu hijau berkisar antara 53% hingga 86%.
 
Abstract
Vehicle detection is a key aspect of efficient traffic control. Traffic congestion can occur, in part, due to traffic light duration settings that are not adjusted according to the volume of vehicles at a given time. This study develops an adaptive traffic light control system that adjusts the duration of the lights based on the detected vehicle volume, aiming to address the shortcomings of conventional traffic control systems and reduce congestion while improving traffic efficiency.The research began with collecting traffic video data from CCTV (Closed Circuit Television) installed at various strategic locations to get a comprehensive overview of traffic conditions. The data was then analyzed using the YOLOv4 (You Only Look Once v4) algorithm for real-time vehicle detection. YOLOv4 was chosen for its advantages in efficiency and accuracy in real-time vehicle detection. Once the vehicle detection data was collected, it was integrated with the traffic light system. The algorithm was designed to integrate real-time vehicle detection data and adjust the traffic light duration based on the number of vehicles. A simulation of the system was then conducted using the Pygame library to evaluate the algorithm's performance under various traffic conditions. The study results showed that the use of YOLOv4 in adaptive traffic light control systems significantly reduced congestion. The YOLOv4 model demonstrated the highest average accuracy of 78.93% in vehicle detection on the second road with fairly good video quality. The use of YOLOv4 in traffic light control showed increased efficiency and responsiveness to moderate traffic density, with a reduction in green light duration ranging from 53% to 86%.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2025-10-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9104</dc:identifier>
	<dc:identifier>10.25126/jtiik.2025125</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 12 No 5: Oktober 2025; 975-984</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 12 No. 5: Oktober 2025; 975-984</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2025125</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9104/1482</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>