Deteksi Kemacetan dengan Deep Learning YOLOv4 dan Euclidean Distance Tracker pada Jalan Raya di Kota Medan

Abstract

Kemacetan lalu lintas di Kota Medan menyebabkan waktu yang hilang sebesar 35,6 menit per hari untuk sepeda motor dan 48,5 menit per hari untuk mobil. Total biaya kemacetan di Kota Medan mencapai Rp. 22.535.355.867/tahun.  Dengan adanya pendeteksian kemacetan secara realtime maka diharapkan dapat mengurangi kemacetan lalu lintas apabila diintegrasikan dengan sistem pengatur lalu lintas. Penelitian ini menerapkan metode Deep Learning YOLO versi 4 Euclidean Distance Tracker. YOLOv4 digunakan untuk mendeteksi objek seperti mobil, motor, bus, dan becak. Euclidean Distance Tracker digunakan untuk melacak perpindahan objek yang telah dideteksi oleh YOLOv4. Adapun data yang digunakan adalah data lalu lintas berupa video dari CCTV yang disediakan oleh Pemerintah Kota Medan, Sumatera Utara. Dari hasil penelitian ini dapat diambil kesimpulan YOLOv4 dapat digunakan untuk mendeteksi kendaraan yang memiliki jarak kendaraan yang cukup antara kendaraan yang satu dengan kendaraan yang lainnya (Akurasi 61,3%). Dengan mengintegrasikan Euclidean Distance Tracker, pendeteksi kemacetan memiliki hasil akurasi maksimum (Akurasi 100%) pada sample frame yang diuji.