Deteksi Rambu Lalu Lintas Indonesia berbasis Deep Learning Menggunakan Yolov8

Abstract

Gangguan konsentrasi saat berkendara seperti melamun, mengantuk, serta distraksi dari lingkungan sekitar merupakan faktor utama yang meningkatkan risiko kecelakaan lalu lintas. Gangguan ini dapat menyebabkan keterlambatan dalam pengambilan keputusan, kegagalan dalam mengenali rambu‐rambu lalu lintas, serta mengurangi tingkat kewaspadaan pengemudi. Dalam upaya mengatasi permasalahan ini, penelitian ini mengusulkan penerapan teknologi deep learning dengan menggunakan algoritma YOLOv8 untuk mendeteksi rambu lalu lintas di Indonesia secara real‐time. Model yang dikembangkan harapannya dapat memberikan dukungan dalam meningkatkan kesadaran pengemudi terhadap rambu lalu lintas, sehingga membantu mengurangi risiko kecelakaan serta mendukung implementasi teknologi keselamatan berkendara yang lebih adaptif. Penelitian ini bertujuan untuk mengembangkan model deteksi rambu lalu lintas yang memiliki akurasi dan efisiensi komputasi yang optimal, sehingga dapat diterapkan pada sistem seperti Advanced Driver Assistance Systems (ADAS) maupun aplikasi lain yang berkaitan dengan keselamatan berkendara guna mengurangi risiko kecelakaan lalu lintas. Untuk mencapai tujuan tersebut, penelitian ini menerapkan serangkaian metode yang mencakup beberapa tahapan utama yaitu pengumpulan data, penyeimbangan data, pra‐pemrosesan data, anotasi data, augmentasi data, melatih model, mengevaluasi model, serta implementasi. Hasil menunjukkan bahwa model yang diuji pada data test memiliki performa deteksi yang sangat baik, dengan nilai precision sebesar 0.992, recall sebesar 0.987, dan mAP50 sebesar 0.992, serta kemampuan generalisasi yang tinggi dengan mAP50‐95 sebesar 0.956, sehingga menunjukkan potensi kuat untuk diimplementasikan dalam skenario dunia nyata.