Electronic Theses and Dissertation

Deteksi kendaraan pada lingkungan mixed-traffic merupakan salah satu komponen penting dalam pengembangan sistem transportasi cerdas. Namun, tingginya kepadatan lalu lintas dan banyaknya objek yang saling bertumpang tindih menyebabkan proses deteksi menjadi lebih kompleks. Model YOLO menggunakan Greedy Non-Maximum Suppression sebagai metode post-processing bawaan karena memiliki proses seleksi yang sederhana, tetapi penggunaan ambang batas Intersection over Union (IoU) yang bersifat statis dapat menghilangkan prediksi objek yang masih valid. Selain itu, berbagai metode NMS yang dikembangkan untuk mengatasi keterbatasan tersebut belum banyak dievaluasi dan dibandingkan secara menyeluruh pada deteksi kendaraan di lingkungan mixed-traffic. Oleh karena itu, penelitian ini bertujuan menganalisis pengaruh variasi nilai ambang batas IoU pada Greedy NMS. Selanjutnya, penelitian ini mengevaluasi dan membandingkan kinerja Greedy NMS, Soft-NMS, Adaptive-NMS, dan DIoU-NMS terhadap deteksi kendaraan menggunakan YOLOv11 pada lingkungan mixed-traffic. Penelitian menggunakan 2000 citra yang terdiri atas lima kelas kendaraan, yaitu car, motorcycle, bus, motorized-trishaws, dan truck. Penelitian ini menggunakan dua model, yaitu YOLOv11n dan YOLOv11m. Pemilihan kedua model tersebut bertujuan untuk membandingkan kinerja model dengan kompleksitas yang berbeda. Evaluasi menggunakan metrik precision, recall, F1-score, mAP@50, dan mAP@50-95. Hasil penelitian menunjukkan bahwa nilai ambang batas IoU sebesar 0.7 merupakan nilai yang menghasilkan kinerja terbaik di antara variasi IoU yang diuji pada Greedy NMS. Pada perbandingan beberapa metode NMS, Soft-NMS menghasilkan nilai precision, F1-score, dan mAP@50 tertinggi pada kedua model yang menunjukkan bahwa Soft-NMS lebih baik dalam meningkatkan ketepatan deteksi. Sedangkan Adaptive-NMS menghasilkan nilai mAP@50-95 tertinggi sehingga memberikan akurasi lokalisasi bounding box yang lebih baik dibandingkan Greedy NMS dan DIoU-NMS.

Vehicle detection in mixed-traffic environments is an essential component in the development of intelligent transportation systems. However, high traffic density and the large number of overlapping objects make the detection process more challenging. YOLO employs Greedy Non-Maximum Suppression (Greedy NMS) as its default post-processing method due to its simple selection process. However, the use of a static Intersection over Union (IoU) threshold may suppress predictions that still correspond to valid objects. Moreover, various NMS methods proposed to address this limitation have not been extensively evaluated and comprehensively compared for vehicle detection in mixed-traffic environments. Therefore, this study aims to analyze the effect of varying IoU threshold values on the performance of Greedy NMS. Furthermore, this study evaluates and compares the performance of Greedy NMS, Soft-NMS, Adaptive-NMS, and DIoU-NMS for vehicle detection using YOLOv11 in mixed-traffic environments. The experiments were conducted using a dataset of 2,000 images consisting of five vehicle classes: car, motorcycle, bus, motorized trishaw, and truck. Two YOLOv11 variants, namely YOLOv11n and YOLOv11m, were employed to compare the performance of models with different levels of complexity. Performance was evaluated using the precision, recall, F1-score, mAP@50, and mAP@50-95 metrics. The experimental results indicate that an IoU threshold of 0.7 provides the best performance among the evaluated IoU threshold values for Greedy NMS. In the comparison of NMS methods, Soft-NMS achieved the highest precision, F1-score, and mAP@50 on both models, indicating its superior capability in improving detection accuracy. Meanwhile, Adaptive-NMS achieved the highest mAP@50-95, resulting in more accurate bounding box localization than Greedy NMS and DIoU-NMS.