PENGEMBANGAN SISTEM DETEKSI KENDARAAN BERBASIS YOLOV8n UNTUK ANALISIS KEPADATAN LALU LINTAS

Pendeteksian kendaraan secara otomatis merupakan aspek penting dalam pengembangan sistem transportasi cerdas, khususnya di wilayah perkotaan dengan tingkat kemacetan tinggi. Namun, dalam kondisi lingkungan yang tidak ideal seperti kabut, pencahayaan rendah, dan objek kendaraan yang saling tumpang tindih, performa sistem deteksi sering mengalami penurunan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi kendaraan berbasis YOLOv8 yang dioptimalkan melalui teknik preprocessing citra untuk meningkatkan akurasi deteksi dalam kondisi sulit tersebut. Dataset yang digunakan berasal dari tiga sumber (Mendeley, Roboflow, dan Kaggle) dengan total 1303 citra. Teknik preprocessing yang diterapkan meliputi CLAHE, Gaussian Blur, Non-Local Means, dan Unsharp Masking. Implementasi dilakukan menggunakan bahasa pemrograman Python dan framework Flask. Hasil evaluasi menunjukkan bahwa model YOLOv8n yang digunakan mampu mencapai nilai mAP@0.5 sebesar 0.8792, precision sebesar 0.8868, dan mean confidence sebesar 0.6872. Penanganan objek tumpang tindih dan kondisi pencahayaan buruk juga menunjukkan peningkatan performa setelah preprocessing diterapkan. Penelitian ini menunjukkan bahwa pendekatan yang digunakan dapat meningkatkan ketahanan sistem deteksi terhadap berbagai kondisi lingkungan yang kompleks.