Melola Discovery

← Melola Discovery

Open access Journal 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) · pp. 179–190

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

Abstract

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.

Collaboration network of the authors

10 authors · 19 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
MahmudAffiliation unknown1
Intan Anuggrah YuandiAffiliation unknown1
Muh Asep SulaimanAffiliation unknown1
Alya Putri HumeraAffiliation unknown1
Fitriani RahmawatiAffiliation unknown1
Abdul Fattaah MustafahAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

This record comes from Crossref (what the publisher deposited), because the journal's own OAI-PMH endpoint could not be harvested.

Metadata source: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Metadata as oai_dc, converted from 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>