Perancangan dan Pengembangan Aplikasi Deteksi Objek Pergerakan Mobil di Jalan Tol Menggunakan OpenCV dan  Python

Hafizd Ramadhan; Bagas Daniswara Adi Pangestu; Elvarel Naufal  Krisna

doi:10.69693/ijmst.v4i2.10936

Authors

Hafizd Ramadhan Universitas Pamulang
Bagas Daniswara Adi Pangestu Universitas Pamulang
Elvarel Naufal Krisna Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i2.10936

Keywords:

Deteksi Objek, Opencv, Pemantauan Lalu Lintas

Abstract

Penelitian ini mengembangkan sistem deteksi pergerakan mobil berbasis OpenCV dan Python untuk mendukung pemantauan lalu lintas secara waktu nyata (real-time). Metode yang digunakan meliputi prapemrosesan citra, deteksi objek dengan algoritma background subtraction (MOG2 dan KNN), pelacakan menggunakan centroid tracking, serta klasifikasi kondisi lalu lintas menjadi tiga kategori: lancar, padat, dan macet. Evaluasi kinerja dilakukan berdasarkan akurasi deteksi, frame per second (FPS), dan pengujian berdasarkan pencahayaan. Hasil pengujian menunjukkan bahwa sistem mampu mencapai akurasi 94% pada siang hari, 88% pada malam hari, dan 80% pada kondisi hujan, dengan rata-rata FPS berkisar antara 18–32 tergantung resolusi video. Temuan ini membuktikan bahwa pendekatan berbasis OpenCV dapat diimplementasikan secara efektif untuk mendukung sistem transportasi cerdas dan pemantauan lalu lintas yang efisien.

References

Ardianto, D., & Widiyatmoko, A. T. (2024). Color detector in an image using Python and computer vision library. Journal of Intelligent Systems and Information Technology, 1(1), 25–30.

Budiana, F. P. (2024). Model atensi citra wajah audiens berbasis edge machine learning. Universitas Islam Sultan Agung.

Editya, A. S., Ahmad, T., & Studiawan, H. (2025). Deep learning & optical flow dalam analisis forensik drone. Penerbit Andi.

Fiqri, A., Hugo, A., & Kalbuana, N. (2024). Analisis penggunaan drone untuk meningkatkan respons cepat dalam penanganan kecelakaan pesawat di area terpencil. Jurnal Riset Ilmu Kesehatan Umum dan Farmasi (JRIKUF), 2(3), 76–94.

Fitriyati Prisunia, S. (2023). Pemanfaatan Jetson Nano Nvidia untuk mendeteksi penggunaan masker secara real-time menggunakan OpenCV Python (Skripsi). Universitas Islam Sultan Agung.

Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson Education.

Kaehler, A., & Bradski, G. (2017). Learning OpenCV 3: Computer vision in C++ with the OpenCV library. O'Reilly Media.

Khulan, M. A., & Pebrianti, R. (2023). Rancang bangun sistem keamanan parkir kendaraan roda dua dengan teknologi plate recognition (Skripsi). Politeknik Negeri Ujung Pandang.

Kushariyadi, K., Apriyanto, H., Herdiana, Y., Asy'ari, F. H., Judijanto, L., Pasrun, Y. P., & Mardikawati, B. (2024). Artificial intelligence: Dinamika perkembangan AI beserta penerapannya. PT Sonpedia Publishing Indonesia.

Lukman, A. (2024). Implementasi DeepLabv3+ untuk peningkatan deteksi dan tracking lajur jalan pada sistem autonomous car (Skripsi). Universitas Hasanuddin.

Priandini, J. R. (2024). Pengenalan rambu lalu lintas menggunakan model You Only Look Once (YOLO) V8 (Skripsi). Universitas Islam Sultan Agung Semarang.

Putra, P. Y., Arifianto, A. S., Fitri, Z. E., & Puspitasari, T. D. (2023). Deteksi kendaraan truk pada video menggunakan metode Tiny-YOLOv4. Jurnal Informatika Polinema, 9(2), 215–222.

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779–788.

Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv Preprint arXiv:1804.02767.

Suryadi, D., Octiva, C. S., Fajri, T. I., Nuryanto, U. W., & Hakim, M. L. (2024). Optimasi kinerja sistem IoT menggunakan teknik edge computing. Jurnal Minfo Polgan, 13(2), 1456–1461.

Szeliski, R. (2022). Computer vision: Algorithms and applications (2nd ed.). Springer.

Ultralytics. (2024). Ultralytics YOLOv8 documentation. Ultralytics. https://docs.ultralytics.com

Yaseen, M. (2024). What is YOLOv8: An in-depth exploration of the internal features of the next-generation object detector. arXiv Preprint arXiv:2408.15857.