Electronic Theses and Dissertation

Penelitian ini mengimplementasikan teknik Local Contrast Normalization (LCN) pada arsitektur YOLOv11 Medium dalam dua pendekatan, yaitu sebagai metode preprocessing dataset dan sebagai layer yang diintegrasikan langsung ke dalam arsitektur model, untuk mengevaluasi dampak masing-masing pendekatan terhadap kinerja deteksi objek mixed traffic pada kondisi low-light illumination. Dataset yang digunakan terdiri dari 2.000 citra mixed traffic kondisi malam hari yang diambil menggunakan kamera visible-light di jalanan Kota Banda Aceh, mencakup tujuh kelas objek yaitu car, motorcycle, bus, motorized-trishaw, truck, person, dan traffic sign, yang dibagi dengan rasio 80:10:10 untuk data pelatihan, validasi, dan pengujian. Implementasi LCN menggunakan kernel 9×9 yang ditentukan melalui eksplorasi sistematis pada variasi kernel 3×3, 7×7, dan 9×9, dengan kernel 9×9 teridentifikasi sebagai konfigurasi optimal yang menghasilkan tingkat degradasi paling rendah. Pada pendekatan preprocessing, LCN diterapkan ke seluruh dataset dengan metode rescaling min-max normalization dan backbone dibekukan (frozen) selama pelatihan. Pada pendekatan integrasi arsitektur, LCN diimplementasikan sebagai custom layer nn.Module PyTorch yang disisipkan sebelum backbone dengan metode rescaling percentile clipping dan seluruh parameter model dilatih penuh (backbone unfrozen). Hasil evaluasi menunjukkan bahwa implementasi LCN sebagai preprocessing menghasilkan penurunan mAP@0.5 sebesar 14,40 persentase terhadap baseline (0,6544 berbanding 0,7984), sedangkan implementasi LCN yang diintegrasikan ke dalam arsitektur menghasilkan peningkatan mAP@0.5 sebesar 2,27 persentase terhadap baseline (0,8211 berbanding 0,7984). Temuan ini menunjukkan bahwa metode implementasi LCN merupakan faktor penentu utama terhadap kompatibilitasnya dengan arsitektur YOLOv11, di mana integrasi arsitektur secara end-to-end terbukti lebih efektif dibandingkan pendekatan preprocessing statis dalam konteks deteksi objek mixed traffic pada kondisi low-light illumination.

This study implements the Local Contrast Normalization (LCN) technique on the YOLOv11 Medium architecture using two approaches: as a dataset preprocessing method and as a layer directly integrated into the model architecture, to evaluate the impact of each approach on mixed traffic object detection performance under low-light conditions. The dataset consists of 2,000 nighttime mixed traffic images captured using visible-light cameras on the streets of Banda Aceh, covering seven object classes: car, motorcycle, bus, motorized trishaw, truck, person, and traffic sign. The data is split into training, validation, and testing sets with a ratio of 80:10:10. The LCN implementation uses a 9×9 kernel, determined through systematic exploration of kernel variations (3×3, 7×7, and 9×9), where the 9×9 kernel is identified as the optimal configuration with the lowest degradation. In the preprocessing approach, LCN is applied to the entire dataset using min-max normalization rescaling, and the backbone is frozen during training. In the architectural integration approach, LCN is implemented as a custom PyTorch nn.Module layer inserted before the backbone using percentile clipping rescaling, with all model parameters fully trained (unfrozen backbone). Evaluation results show that implementing LCN as preprocessing decreases mAP@0.5 by 14.40 percentage points compared to the baseline (0.6544 vs. 0.7984), while integrating LCN into the architecture increases mAP@0.5 by 2.27 percentage points compared to the baseline (0.8211 vs. 0.7984). These findings indicate that the method of LCN implementation is a key factor in its compatibility with the YOLOv11 architecture, where end-to-end architectural integration proves to be more effective than static preprocessing for mixed traffic object detection under low-light illumination conditions.