Pemodelan Deteksi Kendaraan Untuk Identifikasi Kemacetan Lalu Lintas Menggunakan YOLOv8 Pada Data CCTV Kota Bogor

Abstract

Kemacetan lalu lintas merupakan salah satu permasalahan utama di Kota Bogor yang memerlukan pemantauan secara real-time. Penelitian ini membangun model deteksi kendaraan berbasis YOLOv8s menggunakan 4.605 citra CCTV publik Kota Bogor dan dataset Roboflow. Tahapan penelitian meliputi anotasi empat kelas kendaraan (motor, mobil, truk, dan bus), pembagian dataset, pelatihan model baseline, hyperparameter tuning, dan implementasi Identifikasi kemacetan. Model baseline menghasilkan precision sebesar 0,900, recall sebesar 0,872, dan mAP50-95 sebesar 0,746. Konfigurasi hyperparameter terbaik diperoleh pada learning rate 0,01 dan weight decay 0,001 dengan peningkatan precision menjadi 0,903, recall menjadi 0,879, dan mAP50-95 menjadi 0,749. Meskipun peningkatan yang diperoleh relatif kecil, proses tuning mampu meningkatkan stabilitas dan kemampuan generalisasi model dalam mendeteksi kendaraan. Implementasi menggunakan Region of Interest (ROI), weighted score kendaraan, dan Hybrid Tracker berhasil melakukan deteksi secara real-time dan mengklasifikasikan kondisi lalu lintas menjadi tiga kategori, yaitu lancar, sedang, dan macet.

Traffic congestion is one of the main problems in Bogor City that requires real-time monitoring. This study develops a YOLOv8s-based vehicle detection model using 4,605 images collected from public CCTV cameras in Bogor City and a Roboflow dataset. The research stages include annotation of four vehicle classes (motorcycle, car, truck, and bus), dataset splitting, baseline model training, hyperparameter tuning, and implementation of traffic congestion estimation. The baseline model achieved a precision of 0.900, recall of 0.872, and mAP50–95 of 0.746. The best hyperparameter configuration was obtained using a learning rate of 0.01 and weight decay of 0.001, which improved the precision to 0.903, recall to 0.879, and mAP50–95 to 0.749. Although the improvement was relatively small, the tuning process enhanced model stability and generalization capability. The implementation using a Region of Interest (ROI), weighted vehicle scoring, and a Hybrid Tracker successfully classified traffic conditions in real-time into three categories: smooth, medium, and heavy.