Electronic Theses and Dissertation

Deteksi objek merupakan salah satu aspek penting dalam visi komputer, terutama dalam konteks transportasi, di mana akurasi dan kecepatan deteksi kendaraan sangat diperlukan. penelitian ini berfokus pada tantangan deteksi kendaraan pada malam hari, yang sering kali terhambat oleh rendahnya kontras dan luminositas gambar. untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan cyclegan untuk meningkatkan kualitas citra malam sebelum diterapkan pada model deteksi objek yolov8 dengan varian yolov8n, m dan x. metode ini bertujuan untuk mengurangi noise, meningkatkan kontras, dan memperbaiki distorsi warna pada citra malam, sehingga meningkatkan akurasi deteksi kendaraan. hasil penelitian menunjukkan bahwa penerapan cyclegan berhasil meningkatkan kualitas citra malam, dengan metrik psnr mencapai 44,18 db dan ssim sebesar 0,99. evaluasi deteksi objek menggunakan yolov8n pada dataset yang telah diproses menunjukkan peningkatan akurasi dari 0,82 menjadi 0,88 setelah pemrosesan dengan cyclegan, kemudian yolov8m dari akurasi 0,83 menjadi 0,90 dan yolov8x dari akurasi 0,86 menjadi 0,93 yang merupakan nilai akurasi tertinggi. peningkatan ini mencerminkan efektivitas cyclegan dalam memperbaiki resolusi dan kualitas gambar, yang berkontribusi pada kemampuan yolo dalam mendeteksi objek dengan lebih baik. kombinasi antara cyclegan dan yolov8 dapat menjadi solusi yang efektif untuk meningkatkan performa sistem deteksi objek dalam kondisi pencahayaan rendah. kata kunci : deteksi objek, cyclegan ,yolov8, citra malam, akurasi deteksi

Object detection is a crucial aspect of computer vision, especially in transportation contexts, where both accuracy and speed in vehicle detection are essential. This study focuses on the challenges of vehicle detection at night, which are often hindered by low image contrast and luminosity. To address this issue, the study proposes the use of CycleGAN to enhance the quality of nighttime images before applying the YOLOv8 object detection model, specifically using the YOLOv8n, YOLOv8m, and YOLOv8x variants. This method aims to reduce noise, improve contrast, and correct color distortion in nighttime images, thereby increasing vehicle detection accuracy. The results show that applying CycleGAN successfully improves nighttime image quality, achieving a PSNR of 44.18 dB and an SSIM of 0.99. Object detection evaluation using YOLOv8n on the enhanced dataset shows an accuracy improvement from 0.82 to 0.88 after CycleGAN processing, YOLOv8m from 0.83 to 0.90, and YOLOv8x from 0.86 to 0.93—the highest accuracy among the three. This improvement reflects CycleGAN’s effectiveness in enhancing image resolution and quality, contributing to YOLO’s improved object detection performance. The combination of CycleGAN and YOLOv8 offers a promising solution to enhance object detection systems under low-light conditions. Keyword: Object detection, CycleGAN, YOLOv8, Nighttime Images, Detection Accuracy