Deteksi dan penghitungan kendaraan di jalan tol adalah langkah penting dalam pemantauan dan pengelolaan lalu lintas. Dalam artikel ilmiah ini, dijelaskan penggunaan metode YOLOv3 (You Only Look Once version 3) dalam pengolahan video untuk mendeteksi dan menghitung kendaraan di jalan tol. YOLOv3 adalah salah satu model deep learning yang telah terbukti efektif dalam deteksi objek real-time, termasuk kendaraan.

Dalam era kendaraan otonom dan smart city, pemantauan lalu lintas menjadi semakin penting. Salah satu aspek kunci dalam pemantauan ini adalah mendeteksi dan menghitung kendaraan yang bergerak di jalan tol. Hal ini dapat membantu mengoptimalkan lalu lintas, meningkatkan keamanan, dan menyediakan data yang berguna untuk perencanaan transportasi.

YOLOv3 adalah model deep learning yang menggabungkan kecepatan dan akurasi dalam deteksi objek. Model ini menggunakan arsitektur convolutional neural network (CNN) yang dalam satu feedforward dapat menghasilkan prediksi objek secara real-time. Keunggulan YOLOv3 adalah kemampuannya mendeteksi objek dalam berbagai skala dan aspek tanpa perlu resampling.

Langkah-langkah implementasi deteksi dan penghitungan kendaraan menggunakan YOLOv3 dalam pengolahan video melibatkan:

a. Pengumpulan Dataset: Dataset kendaraan yang mencakup berbagai jenis kendaraan, sudut pandang, dan kondisi pencahayaan diperlukan untuk pelatihan model.

b. Pelatihan Model: Model YOLOv3 diperbarui dengan menggunakan dataset yang dikumpulkan. Proses pelatihan ini melibatkan penyesuaian parameter dan pembelajaran berbasis data.

c. Deteksi Kendaraan: Model yang telah dilatih digunakan untuk mendeteksi kendaraan pada setiap frame video. Hasil deteksi berisi informasi tentang lokasi, jenis kendaraan, dan jumlah.

d. Menghitung Kendaraan: Informasi deteksi digunakan untuk menghitung jumlah kendaraan yang lewat pada suatu waktu. Ini dapat dilakukan dengan melacak objek yang sama dalam beberapa frame atau menggunakan metode lainnya.

Berikut ini pemrograman MATLAB untuk sistem deteksi dan penghitungan kendaraan di jalan tol menggunakan metode YOLOv3 dalam MATLAB:

% Tentukan path model YOLOv3 yang telah dilatih
yolov3ModelPath = 'path_to_yolov3_model';

% Load model
net = load(yolov3ModelPath);
lgraph = net.lgraph;

% Baca video
videoFile = 'path_to_input_video.mp4';
videoReader = VideoReader(videoFile);

% Inisialisasi penghitungan kendaraan
vehicleCount = 0;

% Loop melalui setiap frame video
while hasFrame(videoReader)
    frame = readFrame(videoReader);

    % Praproses frame jika diperlukan (misalnya, normalisasi piksel)

    % Deteksi kendaraan menggunakan model YOLOv3
    detections = detectYOLOv3Vehicle(frame, lgraph);

    % Hitung jumlah kendaraan yang terdeteksi dalam frame saat ini
    vehicleCount = vehicleCount + size(detections, 1);

    % Gambar kotak deteksi pada frame
    frame = insertObjectAnnotation(frame, 'rectangle', detections, 'Vehicle');

    % Tampilkan frame dengan kotak deteksi
    imshow(frame);
end

% Tampilkan jumlah total kendaraan yang terdeteksi
fprintf('Jumlah total kendaraan: %d\n', vehicleCount);

% Fungsi untuk mendeteksi kendaraan menggunakan model YOLOv3
function detections = detectYOLOv3Vehicle(frame, lgraph)
    % Preprocess frame (misalnya, normalisasi piksel)

    % Deteksi objek menggunakan model YOLOv3
    detections = detectYOLOv3(frame, lgraph, 'SelectStrongest', false);

    % Ambil hanya deteksi yang berkaitan dengan kendaraan
    vehicleIdx = strcmp(detections.Label, 'Vehicle');
    detections = detections(vehicleIdx, :);
end

Evaluasi kinerja metode YOLOv3 dalam mendeteksi dan menghitung kendaraan di jalan tol dilakukan dengan mengukur akurasi deteksi, kecepatan pemrosesan video, dan ketepatan penghitungan jumlah kendaraan.

Metode YOLOv3 adalah alat yang efektif dalam mendeteksi dan menghitung kendaraan di jalan tol melalui pengolahan video. Dengan akurasi yang tinggi dan kemampuan real-time, metode ini memiliki potensi besar dalam meningkatkan pemantauan lalu lintas dan pengelolaan jalan tol. Dalam masa depan, pengembangan lebih lanjut dalam bidang ini dapat membantu menciptakan sistem transportasi yang lebih cerdas dan efisien.