Electronic Theses and Dissertation

Manajemen parkir yang efisien merupakan tantangan utama di daerah yang padat penduduknya, seperti di Universitas Syiah Kuala, yang melayani mahasiswa, staf, dan pengunjung. Jumlah kendaraan yang semakin banyak menyebabkan kesulitan dalam mencari space parkir yang tersedia, yang pada gilirannya menyebabkan kemacetan, peningkatan emisi karbon, dan pengalaman parkir yang kurang optimal bagi pengguna. Penelitian ini bertujuan untuk mengembangkan sistem deteksi parkir menggunakan algoritma deteksi objek berbasis pembelajaran mendalam, yaitu You Only Look Once (YOLO), untuk mendeteksi ketersediaan space parkir secara real-time tanpa memerlukan sensor fisik. Metode yang digunakan adalah penerapan YOLO yang terintegrasi dengan OpenCV untuk koneksi kamera. Hasil eksperimen menunjukkan bahwa model YOLOv8M memberikan akurasi terbaik dengan precision sebesar 0.9910, recall sebesar 0.9786, dan mAP50 sebesar 0.9912, menjadikannya pilihan yang ideal untuk diterapkan di kampus. Sistem ini diharapkan dapat meningkatkan efisiensi manajemen parkir dan pengalaman pengguna di Universitas Syiah Kuala. Selain itu, penelitian ini memberikan kontribusi pada pengembangan sistem deteksi parkir berbasis YOLO yang dapat diakses melalui platform web lokal dengan kemampuan untuk membuat bounding boxes secara manual, memungkinkan penyesuaian konfigurasi parkir sesuai dengan kebutuhan area parkir kampus.

Efficient parking management is a major challenge in densely populated areas, such as at Universitas Syiah Kuala, which serves students, staff, and visitors. The increasing number of vehicles causes difficulties in finding available parking spaces, which in turn causes congestion, increased carbon emissions, and a less-than-optimal parking experience for users. This study aims to develop a parking detection system using an object detection algorithm based on deep learning, namely You Only Look Once (YOLO), to detect the availability of parking spaces in real-time without the need for physical sensors. The method used is the application of YOLO integrated with OpenCV for camera connection. The results of the experiment show that the YOLOv8M model provides the best accuracy with a precision of 0.9910, recall of 0.9786, and mAP50 of 0.9912, making it an ideal choice for implementation on campus. This system is expected to improve parking management efficiency and user experience at Universitas Syiah Kuala. In addition, this study contributes to the development of a YOLO-based parking detection system that can be accessed through a local web platform with the ability to create bounding boxes manually, allowing parking configuration adjustments according to the needs of the campus parking area.