Electronic Theses and Dissertation

Pertumbuhan volume kendaraan di kawasan perkotaan menimbulkan tantangan besar dalam manajemen lalu lintas, terutama pada area persimpangan simetris. Kondisi seperti hujan, pencahayaan rendah, occlusion dan lalu lintas padat menjadi penyebab utama penurunan akurasi perhitungan jumlah kendaraan. Untuk mengatasi masalah ini, penelitian ini menghadirkan CJT-Dataset yang secara spesifik difokuskan pada area persimpangan simetris untuk menangani perilaku objek pada lingkungan lalu lintas campuran. Kami juga mengusulkan metode perhitungan kendaraan adaptif YOLOv10n yang diintegrasikan dengan algoritma BoostTrack untuk meningkatkan akurasi deteksi, pelacakan, dan perhitungan kendaraan secara real-time pada area persimpangan simetris lampu lalu lintas. Dalam metode ini, model YOLOv10n digunakan sebagai detektor utama, sedangkan BoostTrack menjaga konsistensi pelacakan untuk mengurangi ID switch saat occlusion, dan proses perhitungan kendaraan dilakukan menggunakan pendekatan Region of Interest (ROI) berbasis area. Hasil penelitian menunjukkan bahwa model YOLOv10n yang dilatih menggunakan CJT-Dataset memiliki kinerja deteksi tinggi dengan nilai mAP@0.5 sebesar 0.952 dan F1-score 0.91, serta waktu inferensi 1.7 ms per gambar (588 FPS). Integrasi dengan BoostTrack menghasilkan kinerja pelacakan stabil dengan nilai HOTA 56.82, MOTA 58.49, dan IDF1 72.70, serta tetap kompetitif dibanding ocSORT dan ByteTrack. Pada tahap perhitungan kendaraan, sistem mencapai akurasi hingga 100% pada kondisi pagi hari, 84–91% pada siang dan sore hari, dan 66–73% pada malam hari. Secara keseluruhan, integrasi YOLOv10n dan BoostTrack yang dilatih menggunakan CJT-Dataset, terbukti mampu menghasilkan sistem deteksi, pelacakan, dan perhitungan kendaraan yang akurat, efisien, dan adaptif untuk kondisi persimpangan simetris.

Kata kunci – YOLOv10n, BoostTrack, perhitungan kendaraan, persimpangan simetris

The increasing volume of vehicles in urban areas poses significant challenges for traffic management, particularly at symmetrical intersections. Conditions such as rain, low lighting, occlusion, and heavy traffic are the primary causes for the decline in vehicle counting accuracy. To address this issue, we introduce the CJT-Dataset, which is specifically focused on symmetrical intersection areas to handle object behavior in mixed traffic environments. We also propose an adaptive vehicle counting method using YOLOv10n integrated with the BoostTrack algorithm to enhance the accuracy of real-time vehicle detection, tracking, and counting at symmetrical traffic light intersections. In this method, the YOLOv10n model is used as the primary detector, while BoostTrack maintains tracking consistency to minimize ID switches during occlusion, and the vehicle counting process is performed using an area-based Region of Interest (ROI) approach. The results show that the YOLOv10n model trained on the CJT-Dataset achieves high detection kinerjance with an mAP@0.5 of 0.952, an F1-score of 0.91, and an inference time of 1.7 ms per image (588 FPS). Integration with BoostTrack yields stable tracking performance with a HOTA score of 56.82, MOTA of 58.49, and IDF1 of 72.70, while remaining competitive against ocSORT and ByteTrack. In the vehicle counting phase, the system achieves up to 100% accuracy in morning conditions, 84–91% during the afternoon and evening, and 66–73% at night. Overall, the integration of YOLOv10n and BoostTrack, trained using the CJT-Dataset, is proven to produce an accurate, efficient, and adaptive system for vehicle detection, tracking, and counting in symmetrical intersection conditions. Keywords – YOLOv10n, BoostTrack, vehicle counting, symmetrical intersection