Electronic Theses and Dissertation

Deteksi objek merupakan komponen penting dalam pengembangan sistem transportasi cerdas, khususnya pada lingkungan lalu lintas campuran (mixed traffic) di malam hari yang memiliki tingkat kompleksitas tinggi akbiat pencahayaan rendah dan keberagaman objek. Kondisi tersebut menyebabkan citra yang dihasilkan cenderung memiliki kontras rendah dan detail yang kurang jelas, sehingga dapat menurunkan kinerja model deteksi objek. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi efektifitas teknik preprocessing Contrast Limited Adaptive Histogram Equalization (CLAHE) dalam meningkatkan kinerja model deteksi objek YOLOv10m pada lingkungan mixed traffic di malam hari. Metode penelitian ini dilakukan dengan membandingkan dua skenario pelatihan model, yaitu model YOLOv10m tanpa preprocessing (baseline) dan model YOLOv10m dengan penerapan preprocessing CLAHE. Dataset yang digunakan berupa citra malam hari yang telah dianotasikan dan terdiri dari tujuh kelas objek lalu lintas. Evaluasi kinerja model dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP@50) berdasarkan hasil evaluasi. Hasil penelitian menunjukkan bahwa model YOLOv10m dengan preprocessing CLAHE menghasilkan nilai mAP@50 sebesar 0,774, lebih tinggi dibandingkan model baseline yang memperoleh nilai mAP@50 sebesar 0,759. Peningkatan tersebut menunjukkan bahwa penerapan CLAHE berkontribusi positif dalam meningkatkan kemampuan model dalam mendeteksi objek mixed traffic pada kondisi pencahayaan rendah. Dengan demikian, penelitian ini menunjukkan bahwa kombinasi teknik peningkatan kualitas citra CLAHE dan model YOLOv10m merupakan pendekatan yang efektif untuk mendukung pengembangan sistem deteksi objek yang andal pada lingkungan lalu lintas di malam hari.

Object detection is a crucial component in the development of intelligent transportation systems, particularly in nighttime mixed traffic environments, which present significant challenges due to low illumination and object complexity. These conditions often result in low-contrast images and reduced visual details, leading to decreased detection performance. This study aims to apply and evaluate the effectiveness of Contrast Limited Adaptive Histogram Equalization (CLAHE) as a preprocessing technique to enhance the performance of the YOLOv10m object detection model in nighttime mixed traffic scenarios. The research method involves a comparison of two training scenarios: a YOLOv10m model trained on original images (baseline) and a YOLOv10m model trained on images preprocessed using CLAHE. The dataset consists of annotated nighttime traffic images consisting of seven object classes. Model performance is evaluated based on validation results using precision, recall, F1-score, and mean Average Precision (mAP@50) metrics. The experimental results show that the YOLOv10m model with CLAHE preprocessing achieves an mAP@50 of 0.774, outperforming the baseline model, which attains an mAP@50 of 0.759. These findings indicate that CLAHE contributes positively to improving object detection accuracy under low-light nighttime conditions. Therefore, this study demonstrates that the integration of CLAHE-based image enhancement with the YOLOv10m model is an effective approach for developing reliable object detection systems in nighttime mixed traffic environments.