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
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.