Electronic Theses and Dissertation

Lalu lintas campuran atau disebut sebagai mixed-traffic merupakan kondisi lalu lintas yang melibatkan berbagai jenis pengguna jalan dengan karakteristik yang sangat beragam. variasi perspektif dan ukuran objek, tumpang tindih antar kendaraan, serta interaksi dinamis yang terjadi di antara para pengguna jalan membuat pelacakan objek dan analisis aktivitas menjadi sulit dilakukan secara akurat dan efisien. penelitian ini bertujuan untuk mengevaluasi kinerja dari metode pelacakan yaitu bytetrack dan deepsort yang akan dikombinasikan dengan metode yolov8 dengan beberapa variasi yaitu yolov8s, yolov8m, dan yolov8x untuk melihat kemampuan kinerja dari metode pelacakan dalam mengatasi tantangan pada lalu lintas mixed-traffic. metode penelitian ini menggunakan metode yolov8 untuk object detection, serta bytetrack dan deepsort sebagai metode dalam pelacakan objek. pengujian dilakukan dengan mengkombinasikan yolov8 dengan metode bytetrack dan yolov8 dengan metode deepsort. hasil pengujian menunjukkan bahwa ada beberapa faktor yang mempengaruhi kinerja pelacakan objek seperti tumpang tindih, variasi ukuran, kecepatan, dan bentuk sehingga mengakibatkan tidak konsistenya id dan kesalahan klasifikasi objek. secara perhitungan metrik, model yolov8m lebih stabil dan konsisten khususnya pada epoch 100 yaitu dengan nilai mota 0,7603 pada deepsort dan 0,7090 pada bytetrack.

Mixed-traffic is a traffic condition that involves various types of road users with very diverse characteristics. Variations in perspective and object size, overlap between vehicles, and dynamic interactions among road users make object tracking and activity analysis difficult to perform accurately and efficiently. This research aims to evaluate the performance of tracking methods namely ByteTrack and DeepSORT which will be combined with the YOLOv8 method with several variations namely YOLOv8s, YOLOv8m, and YOLOv8x to see the performance capabilities of tracking methods in overcoming challenges in mixed-traffic traffic. This research method uses the YOLOv8 method for object detection, as well as ByteTrack and DeepSORT as methods in object tracking. Tests were conducted by combining YOLOv8 with the ByteTrack method and YOLOv8 with the DeepSORT method. The test results show that there are several factors that affect the performance of object tracking such as overlapping, variations in size, speed, and shape resulting in inconsistent ID and object classification errors. In terms of metric calculation, the YOLOv8m model is more stable and consistent, especially at epoch 100, with a MOTA value of 0.7603 on DeepSORT and 0.7090 on ByteTrack.