HERLANI, SONYA AULIA (2025) PROTOTYPE SISTEM DETEKSI DAN PENGHITUNG JENIS KENDARAAN MENGGUNAKAN YOLOV3 DAN VIRTUAL ZONE. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (643kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (226kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (560kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (435kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (712kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (213kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (210kB) |
Abstract
Traffic congestion in urban areas, particularly in Jakarta, has become a critical issue that demands innovative technological solutions. This undergraduate thesis presents the development of a prototype system for real-time vehicle type detection and counting using the YOLOv3 algorithm combined with the Virtual Zone method. The system is designed to identify four categories of vehicles— motorcycles, cars, trucks, and buses—and count them only when they cross a predefined virtual area, thereby minimizing duplicate counting and increasing detection reliability. To evaluate the performance of the system, three datasets were utilized: KITTI, GRAM-RTM, and COCO. These datasets were chosen for their diverse characteristics and relevance to traffic scenarios. The results demonstrate that the YOLOv3 algorithm is capable of achieving high performance in both detection and classification, with precision, recall, and F1-score all reaching a perfect score of 1.0. The implementation of the Virtual Zone further ensures accurate vehicle counting by filtering detections based on spatial constraints. Field implementation demonstrated that the system could reliably detect vehicles with an average precision of 0.803 for motorcycles, 0.892 for cars, 0.777 for trucks, and 1.00 for buses, while recall values reached 1.00 in some classes, with the lowest recorded at 0.67 for trucks. The mean Average Precision (mAP) improved across three test videos, from 0.6125 in the first video, 0.8275 in the second, to 0.885 in the third. In terms of speed, the system operated in real time with an average of 23–25 frames per second (fps) and an inference time of approximately 0.04 seconds per frame, proving its feasibility for practical application in urban traffic monitoring with high accuracy and rapid response. Keywords: YOLOv3, Virtual Zone, Vehicle Detection, Vehicle Counting, Deep Learning, Traffic Monitoring Kemacetan lalu lintas di kawasan perkotaan, khususnya di Jakarta, telah menjadi permasalahan krusial yang memerlukan solusi teknologi yang inovatif. Skripsi ini mengembangkan sebuah prototipe sistem untuk deteksi dan penghitungan jenis kendaraan secara real-time menggunakan algoritma YOLOv3 yang dikombinasikan dengan metode Virtual Zone. Sistem ini dirancang untuk mengenali empat kategori kendaraan—sepeda motor, mobil, truk, dan bus—serta menghitung kendaraan tersebut hanya ketika melintasi area virtual yang telah ditentukan, sehingga dapat meminimalkan perhitungan ganda dan meningkatkan keandalan deteksi. Untuk mengevaluasi kinerja sistem, digunakan tiga jenis dataset, yaitu KITTI, GRAM-RTM, dan COCO. Ketiga dataset tersebut dipilih karena memiliki karakteristik yang beragam dan relevan dengan skenario lalu lintas. Hasil pengujian menunjukkan bahwa algoritma YOLOv3 mampu mencapai performa tinggi dalam proses deteksi dan klasifikasi kendaraan, dengan nilai precision, recall, dan F1- score mencapai angka sempurna sebesar 1.0. Implementasi metode Virtual Zone juga terbukti mampu meningkatkan akurasi penghitungan dengan cara memfilter deteksi berdasarkan batasan spasial. Berdasarkan hasil implementasi lapangan, sistem berhasil mendeteksi kendaraan secara andal dengan rata-rata precision 0.803 untuk motor, 0.892 untuk mobil, 0.777 untuk truk, dan 1.00 untuk bus, sedangkan nilai recall mencapai 1.00 pada beberapa kelas dengan nilai terendah 0.67 pada truk. Evaluasi mAP menunjukkan peningkatan performa dari 0.6125 pada video pertama, 0.8275 pada video kedua, hingga 0.885 pada video ketiga. Dari sisi kecepatan, sistem mampu bekerja secara real-time dengan rata-rata 23–25 frame per second (fps) dan waktu inferensi sekitar 0.04 detik per frame, sehingga dapat diterapkan secara praktis untuk pemantauan lalu lintas perkotaan dengan tingkat akurasi tinggi dan respon cepat. Kata kunci: YOLOv3, Virtual Zone, Deteksi Kendaraan, Penghitungan Kendaraan,Deep Learning, Pemantauan Lalu Lintas
Actions (login required)
 |
View Item |
