Analisis Kinerja Model Deteksi Kendaraan berbasis Yolo dengan Integrasi Kalman Filter untuk Pemantauan Lalu Lintas Real-Time

Abstract

Pemantauan lalu lintas secara real-time adalah komponen kunci dalam sistem transportasi cerdas, namun akurasi deteksi dan pelacakan kendaraan dari rekaman CCTV masih menjadi tantangan, terutama pada kondisi padat atau pencahayaan rendah. Penelitian ini bertujuan mengembangkan model deteksi dan pelacakan yang andal dengan mengintegrasikan algoritma YOLOv8 dan Kalman Filter dalam kerangka kerja HybridTracker. Menggunakan pendekatan kuantitatif, studi ini memanfaatkan dataset gabungan dari video di Kota Surakarta dan tiga dataset publik (COCO, MIO-TCD, UA-DETRAC), yang menghasilkan 10.507 gambar teranotasi. Hasil evaluasi menunjukkan model deteksi YOLOv8 mencapai performa tinggi dengan [email protected] sebesar 0.901. Kelas bus dan mobil menunjukkan F1-score di atas 0.904, meskipun sepeda motor masih menjadi tantangan dengan F1-score 0.848. Dalam tugas pelacakan, HybridTracker yang dioptimalkan dengan Kalman Filter berhasil mencatatkan Multi-Object Tracking Accuracy (MOTA) sebesar 66.36% dan IDF1 sebesar 0.88 pada skenario lalu lintas padat, dengan 94.8% objek berhasil dilacak secara konsisten. Model ini terbukti mampu mendeteksi dan melacak kendaraan secara akurat. Pengembangan selanjutnya akan difokuskan pada peningkatan deteksi objek kecil, efisiensi pemrosesan, dan integrasi fitur analitik seperti penghitungan kendaraan dan deteksi pelanggaran untuk mendukung manajemen lalu lintas berbasis data.