Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Sistem Analisis Kinerja Lalu Lintas Berbasis Deep Learning dengan Arsitektur You Only Look Once (YOLO)

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 6 No. 1 (2026) · hlm. 179–190

DOI
10.51454/decode.v6i1.1503
ISSN
2775-1813, 2775-2984
Terbit
2026-03-09
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Tingginya tingkat kemacetan lalu lintas di perkotaan memerlukan solusi pemantauan dan analisis yang cepat dan akurat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem analisis kinerja lalu lintas otomatis yang mengintegrasikan model deteksi objek YOLOv8 dengan parameter standar Pedoman Kapasitas Jalan Indonesia (PKJI) 2023. Berbeda dengan penelitian sebelumnya yang umumnya berfokus pada kuantifikasi kendaraan, sistem ini secara otomatis mengonversi data deteksi visual menjadi metrik kinerja teknis. Hasil pengujian menunjukkan model YOLOv8s mencapai nilai mAP@0.5 rata-rata 0.948. Implementasi sistem pada dashboard interaktif menunjukkan akurasi perhitungan jumlah kendaraan sebesar 96% dibandingkan data manual, yang kemudian diolah menjadi indikator Derajat Kejenuhan (Degree of Saturation) dan Tingkat Pelayanan (Level of Service). Temuan ini membuktikan bahwa integrasi deep learning dengan regulasi rekayasa transportasi nasional dapat meningkatkan efisiensi pemantauan infrastruktur jalan secara signifikan.

Jaringan kolaborasi para penulis

10 penulis · 19 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
MahmudAfiliasi tidak diketahui1
Intan Anuggrah YuandiAfiliasi tidak diketahui1
Muh Asep SulaimanAfiliasi tidak diketahui1
Alya Putri HumeraAfiliasi tidak diketahui1
Fitriani RahmawatiAfiliasi tidak diketahui1
Abdul Fattaah MustafahAfiliasi tidak diketahui1

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.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Sistem Analisis Kinerja Lalu Lintas Berbasis Deep Learning dengan Arsitektur You Only Look Once (YOLO)</dc:title><dc:creator>Amir, Andi Ahdan</dc:creator><dc:creator>Sukman</dc:creator><dc:creator>Lihara, Astri Delviana</dc:creator><dc:creator>Nabil, Muhammad</dc:creator><dc:description>&lt;jats:p&gt;Tingginya tingkat kemacetan lalu lintas di perkotaan memerlukan solusi pemantauan dan analisis yang cepat dan akurat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem analisis kinerja lalu lintas otomatis yang mengintegrasikan model deteksi objek YOLOv8 dengan parameter standar Pedoman Kapasitas Jalan Indonesia (PKJI) 2023. Berbeda dengan penelitian sebelumnya yang umumnya berfokus pada kuantifikasi kendaraan, sistem ini secara otomatis mengonversi data deteksi visual menjadi metrik kinerja teknis. Hasil pengujian menunjukkan model YOLOv8s mencapai nilai mAP@0.5 rata-rata 0.948. Implementasi sistem pada dashboard interaktif menunjukkan akurasi perhitungan jumlah kendaraan sebesar 96% dibandingkan data manual, yang kemudian diolah menjadi indikator Derajat Kejenuhan (Degree of Saturation) dan Tingkat Pelayanan (Level of Service). Temuan ini membuktikan bahwa integrasi deep learning dengan regulasi rekayasa transportasi nasional dapat meningkatkan efisiensi pemantauan infrastruktur jalan secara signifikan.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2026-03-09</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v6i1.1503</dc:identifier><dc:identifier>10.51454/decode.v6i1.1503</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 6 No 1 (2026); 179-190</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1503/841</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>