Implementasi Algoritma YOLOv12 dalam Sistem Analisis Lalu Lintas untuk Monitoring dan Prediksi Kemacetan

Abstract

Kemacetan lalu lintas merupakan permasalahan di wilayah perkotaan yang memerlukan sistem pemantauan secara real-time. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv12 untuk mendeteksi kendaraan, memprediksi tingkat kepadatan lalu lintas, serta memberikan rekomendasi pengelolaan arus kendaraan. Metode penelitian menggunakan Cross Industry Standard Process for Data Mining (CRISP-DM). Model YOLOv12n diintegrasikan dengan DeepSORT untuk pelacakan kendaraan, algoritma K-Nearest Neighbor (KNN) dan linear regression untuk prediksi kepadatan, serta rule-based recommendation untuk menghasilkan rekomendasi. Hasil penelitian menunjukkan bahwa model YOLOv12n memperoleh akurasi 91,50% pada data testing dengan nilai precision 0,885, recall 0,915, dan mAP50 0,933. Sistem yang dikembangkan mampu melakukan monitoring kendaraan, memprediksi kepadatan lalu lintas, dan mendukung pengambilan keputusan pengelolaan lalu lintas secara real-time.

Traffic congestion is a major issue in urban areas that requires a real-time traffic monitoring system. This study aims to implement the YOLOv12 algorithm for vehicle detection, traffic density prediction, and traffic management recommendation. The research adopted the Cross Industry Standard Process for Data Mining (CRISP-DM) methodology. The YOLOv12n model was integrated with DeepSORT for vehicle tracking, K-Nearest Neighbor (KNN) and linear regression algorithms for traffic density prediction, and a rule-based recommendation approach to generate traffic management recommendations. The results showed that the YOLOv12n model achieved an accuracy of 91,50% on the testing dataset, with a precision of 0,885, a recall of 0,915, and an mAP@50 of 0,933. The developed system is capable of monitoring vehicles, predicting traffic density, and supporting real-time decision-making for traffic management