Klasifikasi Tipe Kendaraan dari Video CCTV Menggunakan Metode Yolo

Mirza Yogy Kurniawan(1*), Muhammad Edya Rosadi(2), Fathul Hafidh(3)

(1) Universitas Islam Kalimantan Muhammad Arsyad Al Banjari Banjarmasin
(2) Universitas Islam Kalimantan Muhammad Arsyad Al Banjari Banjarmasin
(3) Universitas Islam Kalimantan Muhammad Arsyad Al Banjari Banjarmasin
(*) Corresponding Author

Sari


Perubahan status Kota Banjarbaru menjadi Ibu Kota Provinsi Kalimantan Selatan membawa dampak logis berupa permasalahan yang biasa menghampiri ibu kota provinsi, diantaranya adalah padatnya lalu lintas. Pemerintah Kota Banjarbaru sudah memiliki beberapa titik CCTV untuk memantau kondisi lalu lintas. Klasifikasi tipe kendaraan terhadap data video CCTV tersebut dapat membantu Pemerintah Kota Banjarbaru dalam memetakan volume dan jenis kendaraan apa saja yang melintas pada suatu daerah. Metode yang biasa digunakan pada klasifikasi tipe kendaraan salah satunya adalah You Only Look Once (YOLO) yang merupakan metode untuk deteksi objek pada data real-time.


Teks Lengkap:

PDF

Referensi


Andrew, A., Buliali, J. L., & Wijaya, A. Y. (2017). Deteksi Kecepatan Kendaraan Berjalan di Jalan Menggunakan OpenCV. Jurnal Teknik ITS, A415-A420.

Appathurai, A., Sundarasekar, R., Raja, C., Alex, E. J., Palagan, C. A., & Nithya, A. (2020). An Efficient Optimal Neural Network-Based Moving Vehicle Detection in Traffic Video Surveillance System. Circuits, Systems, and Signal Processing, 734-756.

Basheer Ahmed, M. I., Zaghdoud, R., Ahmed, M. S., Sendi, R., Alsharif, S., & Albin Saad, B. (2023). A Real-Time Computer Vision Based Approach to Detection and Classification of Traffic Incidents. Big Data and Cognitive Computing.

Marzuarman, M., Stephan, S., & Muharni. (2023). Perbandingan Metode Haar Cascade, YoloV3, dan TinyYoloV3 Dalam Mendeteksi Kendaraan Bermotor Berbasis Video. Proceeding Applied Business and Engineering Conference (hal. 192-197). Padang: ABEC Indonesia.

Mulyana, D. I., & Rofik, M. A. (2022). Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5. Jurnal Pendidikan Tambusai, 13971-13982.

Nurhadiati, H., Wibowo, S. A., & Pratondo, A. (2022). Analisis Performansi Deteksi Objek Pada Metode Complex YOLOv4 Untuk Autonomous Driving. e-Proceeding of Engineering (hal. 2753-2758). Telkom University.

Prayitna, D. H., & Djajadi, A. (2022). Perancangan Prototype Deteksi Kelengkapan Atribut Siswa Berbasis Computer Vision. Jurnal Inovasi Informatika, 57-69.

Ramadan, A. K., & Budilaksono, S. (2023). Rancang Bangun Aplikasi Deteksi Objek Untuk Menghitung Jumlah Pengunjung Restoran Berbasis Computer Vision. ikraith-informatika, 46-57.

Saran, K., & Sreelekha, G. (2016). Traffic video surveillance: Vehicle detection and classification. 2015 International Conference on Control, Communication and Computing India, ICCC 2015, 516-521.

Sari, Y., Baskara, A. R., & Prakoso, P. B. (2022). Penerapan Metode K-Means Berbasis Jarak untuk Deteksi Kendaraan Bergerak. Jurnal Teknologi Informasi dan Ilmu Komputer, 683-689.




DOI: http://dx.doi.org/10.31602/tji.v15i2.14498

Refbacks

  • Saat ini tidak ada refbacks.


© 2019 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

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