Electronic Theses and Dissertation

Peningkatan jumlah kendaraan bermotor serta perilaku pengguna jalan yang tidak tertib menjadi faktor utama penyebab kecelakaan lalu lintas di Indonesia, terutama pada kondisi lalu lintas campuran (mixed traffic) yang melibatkan berbagai jenis objek seperti kendaraan bermotor, pejalan kaki, dan rambu lalu lintas. Penelitian ini bertujuan untuk mengembangkan sistem deteksi objek menggunakan algoritma YOLOv8 yang dikonversi ke format ONNX untuk meningkatkan efisiensi dan akurasi dalam mendeteksi objek secara real-time pada lingkungan mixed traffic. Dataset yang digunakan terdiri dari lima kelas utama, yaitu motorcycle, car, motorized-trishaws, person, dan truck. Kinerja model dievaluasi dan dibandingkan dengan varian YOLO lainnya (YOLOv5, YOLOv6, dan YOLOv8 non-ONNX) untuk mengukur efektivitas dan efisiensi dalam proses deteksi. Hasil pengujian menunjukkan bahwa YOLOv8s memberikan performa terbaik dengan nilai precision 0,86, recall 0,80, mAP50 0,84, dan mAP50-95 0,45. Sementara itu, YOLOv6 memperoleh precision 0,83, recall 0,72, mAP50 0,74, dan mAP50-95 0,37, serta YOLOv5 menghasilkan precision 0,81, recall 0,68, mAP50 0,73, dan mAP50-95 0,36. Model YOLOv8s terbaik kemudian dikonversi ke format ONNX dan diuji kembali untuk mengukur peningkatan efisiensi inferensi. Hasilnya menunjukkan percepatan waktu deteksi hingga 76,2% dibandingkan model YOLOv8 versi PyTorch (.pt), dengan rata-rata waktu inferensi 0,1121 detik pada YOLOv8 ONNX dan 0,4720 detik pada YOLOv8 non-ONNX. Model yang telah dikonversi selanjutnya diimplementasikan menggunakan Flask untuk memungkinkan pengguna melakukan deteksi secara langsung melalui antarmuka web. Hasil dari penelitian ini dapat menjadi acuan untuk pengembangan sistem manajemen lalu lintas yang lebih cerdas dan adaptif terhadap kondisi nyata di lapangan, khususnya dalam penerapan sistem deteksi objek real-time pada lingkungan mixed traffic.

The increase in the number of motorized vehicles and the lack of discipline among road users are major contributing factors to traffic accidents in Indonesia, particularly in mixed-traffic environments involving diverse objects such as vehicles, pedestrians, and traffic signs. This study aims to develop an object detection system using the YOLOv8 algorithm, which is converted into the ONNX format to improve efficiency and accuracy in real-time detection under mixed-traffic conditions. The dataset consists of five main classes: motorcycle, car, motorized-trishaws, person, and truck. The model’s performance is evaluated and compared with other YOLO variants (YOLOv5, YOLOv6, and YOLOv8 non-ONNX) to measure detection effectiveness and efficiency. The experimental results show that YOLOv8s achieves the best performance with a precision of 0.86, recall of 0.80, mAP50 of 0.84, and mAP50-95 of 0.45. Meanwhile, YOLOv6 achieves a precision of 0.83, recall of 0.72, mAP50 of 0.74, and mAP50-95 of 0.37, while YOLOv5 records a precision of 0.81, recall of 0.68, mAP50 of 0.73, and mAP50-95 of 0.36. The best-performing YOLOv8s model is then converted into the ONNX format and re-evaluated to measure inference efficiency improvements. The results indicate a detection speed increase of up to 76.2%, with an average inference time of 0.1121 seconds for YOLOv8 ONNX compared to 0.4720 seconds for the PyTorch (.pt) version. The converted model is subsequently implemented using Flask to enable real-time object detection through a web interfacThe findings of this study are to serve as a reference for developing smarter and more adaptive traffic management systems, particularly for real-time object detection in mixed-traffic environments.