OPTIMASI HYBRID MASK R-CNN-RESNET DAN LSTM UNTUK DETEKSI DAN PREDIKSI KEMACETAN DI PERSIMPANGAN JALAN

Kemacetan di persimpangan jalan merupakan persoalan perkotaan yang membutuhkan pendekatan berbasis data untuk membantu pengambilan keputusan dan manajemen lalu lintas. Penelitian ini mengusulkan arsitektur hybrid berbasis deep learning yang mengintegrasikan Mask R-CNN–ResNet untuk deteksi kendaraan dan Long Short-Term Memory (LSTM) untuk prediksi indeks kemacetan. Eksperimen menggunakan dataset UADETRAC pada sequence MVI_20011 yang merepresentasikan kondisi kemacetan tinggi dan relatif stabil. Tahapan penelitian meliputi deteksi kendaraan, evaluasi kuantitatif deteksi dengan kurva Precision–Recall dan AP/mAP, pengukuran Intersection over Union (IoU), ekstraksi fitur spasial per frame berupa vehicle_count dan area_ratio, pembentukan sekuens spasio-temporal menggunakan sliding window sepanjang 12 frame, serta pelatihan LSTM dengan pembagian data 80% pelatihan dan 20% validasi. Hasil evaluasi deteksi menunjukkan AP per kelas yaitu Car ≈ 0,128, Van ≈ 0,012, Bus ≈ 0,137, dan Others ≈ 0,000, dengan kualitas lokalisasi yang baik ditunjukkan oleh IoU rata-rata > 0,82. Pada tahap prediksi, model LSTM menghasilkan galat rendah dengan MAE = 0,001225 dan RMSE = 0,001259 pada data validasi. Temuan ini menunjukkan pipeline hybrid mampu bekerja secara end-to-end dan memberikan prediksi kemacetan yang konsisten pada skenario kemacetan tinggi, serta berpotensi dikembangkan untuk sistem manajemen lalu lintas cerdas berbasis visi komputer dan pembelajaran mesin.