Aplikasi Monitoring Pelanggaran Lalu Lintas di Area Jalan Tol Menggunakan YOLOv5

##plugins.themes.academic_pro.article.sidebar##

Published Nov 22, 2023
Download
PDF
Statistic
Vol. 9 No. 1 (2023): Seminar Nasional Teknik Elektro dan Informatika 2023

##plugins.themes.academic_pro.article.main##

Zhandy Zainuddin
Politeknik Negeri Ujung Pandang
Eddy Tungadi
Politeknik Negeri Ujung Pandang
Muh. Fajri Raharjo
Politeknik Negeri Ujung Pandang

Abstract

Pelanggaran lalu lintas kerap kali terjadi tak terkecuali pada jalan tol yang dikelola oleh PT. MMN-JTSE. Perusahaan sudah melakukan berbagai tindakan pencegahan diantaranya dengan melakukan pengawasan di area jalan tol yang terjun langsung ke lapangan dan pengawasan melalui CCTV pada ruangan Sentral Komunikasi. Namun, metode ini masih kurang efektif dalam menyelesaikan permasalahan dan mengidentifikasi pelanggaran yang terjadi.Penelitian ini bertujuan untuk membangun aplikasi monitoring pelanggaran lalu lintas di area jalan tol yang akan memudahkan dalam proses identifikasi pelanggaran lalu lintas dan secara realtime akan mengirimkan notifikasi pelanggaran lalu lintas kepada petugas ketika pelanggaran terjadi. Pelanggaran yang dapat dideteksi adalah pelanggaran melawan arus dan objek selain mobil yang memasuki area tol seperti orang, motor, dan sepeda. Model yang digunakan untuk mengklasifikasikan objek adalah model You Only Look Once (YOLO) yang merupakan trained model yang dapat digunakan untuk mengidentifikasi berbagai objek seperti mobil, motor dan berbagai benda lainnya. Untuk mengirimkan realtime notification pelanggaran ke Whatsapp, digunakan library pywhatkit.Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, penelitian ini berhasil mengidentifikasi pelanggaran lalu lintas yang terjadi di area jalan tol dengan akurasi mencapai 91.83%.

##plugins.themes.academic_pro.article.details##

References

  1. Nusantara Infrastructure, “Devisi Operasional Lalu Lintas PT. Makassar Metro Network dan PT. Jalan Tol Seksi Empat,†2022.
  2. M. Dasgupta, O. Bandyopadhyay, and S. Chatterji, “Automated helmet detection for multiple motorcycle riders using CNN,†in 2019 IEEE Conference on Information and Communication Technology, 2019, pp. 1–4.
  3. Y. Zhang, Z. Guo, J. Wu, Y. Tian, H. Tang, and X. Guo, “Real-Time Vehicle Detection Based on Improved YOLO v5,†Sustainability, vol. 14, no. 19, p. 12274, 2022.
  4. D. I. Mulyana and M. A. Rofik, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,†J. Pendidik. Tambusai, vol. 6, no. 3, pp. 13971–13982, 2022.
  5. Ultralytics, “Yolov5,†2022. https://github.com/ultralytics/yolov5 (accessed Feb. 02, 2023).
  6. F. Akhyar, L. Novamizanti, and T. Riantiarni, “Sistem Inspeksi Cacat pada Permukaan Kayu menggunakan Model Deteksi Obyek YOLOv5,†ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 4, p. 990, 2022.
  7. Y. Fang, X. Guo, K. Chen, Z. Zhou, and Q. Ye, “Accurate and Automated Detection of Surface Knots on Sawn Timbers Using YOLO-V5 Model.,†BioResources, vol. 16, no. 3, 2021.
  8. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,†in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.
  9. R. Irsyad, “Penggunaan Python Web Framework Flask Untuk Pemula,†2018.
  10. J. Lee and K. Hwang, “YOLO with adaptive frame control for real-time object detection applications,†Multimed. Tools Appl., vol. 81, no. 25, pp. 36375–36396, 2022, doi: 10.1007/s11042-021-11480-0.