PENGENALAN RAMBU LALU LINTAS MENGGUNAKAN MODEL YOU ONLY LOOK ONCE (YOLO) V8
DOI:
https://doi.org/10.70248/jrsit.v2i2.1607Keywords:
Kendaraan Autonomous, Pengenalan Objek, YOLOv8, Rambu Lalu LintasAbstract
Mobil autonomous adalah kendaraan yang memiliki kemampuan untuk berjalan secara mandiri tanpa bantuan manusia. Walau bagaimanapun, mobil ini memiliki masalah dalam mendeteksi rambu lalu lintas. Pengenal rambu lalu lintas dirancang untuk membuat mobil autonomous lebih aman karena mereka dapat mengenali rambu lalu lintas yang dilewati. Metode ini menggunakan model YOLOv8, pengembangan dari metode Convolutional Neural Network, untuk mendeteksi dan mengklasikasi rambu lalu lintas. Model ini dipilih karena sangat efisiensi dan akurat. Dataset Roboflow yang berisi 2390 gambar dari 17 jenis rambu lalu lintas Indonesia digunakan dalam penelitian ini. Dengan nilai akurasi sebesar 97,90%, nilai ketepatan sebesar 0,978, nilai recall sebesar 0,989, nilai MAP50 sebesar 0.987, dan nilai MAP50- 95 sebesar 0,825, penelitian ini menunjukkan bahwa model ini bekerja dengan sangat baik. Nilai ini menunjukkan bahwa model dapat dengan akurat menemukan dan mengklasifikasikan rambu lalu lintas.
Kata kunci: Kendaraan Autonomous, Pengenalan Objek, YOLOv8, Rambu Lalu Lintas
References
C. Sanjaya and H. Septanto, “Pengembangan Model Pendeteksian Gambar Rambu Lalu Lintas dengan Metode Faster R-CNN dengan Library Tensorflow,” vol. 8, no. 1, pp. 862–868, 2022.
S. R. Sriratnasari, G. Wang, E. R. Kaburuan, and R. Jayadi, “Integrated Smart Transportation using IoT at DKI Jakarta,” in 2019 International Conference on Information Management and Technology (ICIMTech), 2019, vol. 1, pp. 531–536.
D. H. Kusuma, “Deteksi Lampu Lalu Lintas Menggunakan YOLO untuk Autonomous Car,” vol. 1, pp. 21–27, 2023.
A. Nugroho and M. R. A. Cahyono, “Implementasi Object Recognition Pada Rambu-Rambu Dan Lampu Lalu Lintas Dengan Raspberry Pi Dengan Algoritma Yolov5,” Sebatik, vol. 26, no. 2, pp. 549–556, 2022, doi: 10.46984/sebatik.v26i2.2047.
M. Lionirahmada and F. Utaminingrum, “Early Warning Sistem Rambu Pembatas Kecepatan menggunakan Histogram Oriented Gradient dan Klasifikasi SVM berbasis Raspberry Pi,” vol. 5, no. 9, pp. 4061–4068, 2021, [Online]. Available: http://j-ptiik.ub.ac.id.
N. C. Kuncoro, S. A. Wibowo, K. Usman, F. T. Elektro, U. Telkom, and T. S. Recognition, “ANALISIS KINERJA PROTOTIPE TRAFFIC SIGN RECOGNITION UNTUK SISTEM AUTONOMOUS CAR MENGGUNAKAN YOU ONLY LOOK ONCE PERFORMANCE ANALYSIS OF PROTOTYPING TRAFFIC SIGN RECOGNITION,” vol. 7, no. 3, pp. 8872–8878, 2020.
R. Pauziah and A. Herliana, “Implementasi Deteksi Rambu Lalu Lintas Menggunakan Metode Extreme Learning Machine,” E-Prosiding Sist. Inf., vol. x, no. x, pp. 36–41, 2021.
M. Akbar, “Pengenalan rambu lalu lintas menggunakan convolutional neural networks Traffic sign recognition using convolutional neural networks,” vol. 9, no. January, pp. 120–125, 2021, doi: 10.14710/jtsiskom.2021.13959.
