Penerapan Algoritma Yolo V7 Sebagai Dekteksi Kecelakaan Pada Lalu Lintas
Abstract
Peningkatan jumlah penduduk dalam negara berkembang memicu mobilitas masyarakat yang lebih tinggi di daerah dan kota. Namun, jika sarana dan prasarana lalu lintas tidak memadai, maka kecelakaan lalu lintas sering terjadi, menimbulkan kerugian yang signifikan. Kecelakaan ini menimbulkan kerugian material dan dapat mengakibatkan korban yang meninggal dunia.. YOLO (You Only Look Once) framework telah meraih ketenaran karena keseimbangannya yang sangat baik antara kecepatan dan akurasi. Fitur ini memungkinkan pengenalan objek yang efisien dan handal dalam gambar. YOLO (You Only Look Once) adalah algoritma deteksi objek yang berbasis Convolutional Neural Network (CNN). Dalam konteks YOLO telah terbukti unggul dibandingkan dengan model Mask R-CNN dan SSD. Karena keunggulan ini, YOLO digunakan untuk deteksi kecelakaan. YOLO memiliki tingkat presisi sebesar 95.75%, mengindikasikan kemampuannya untuk mengidentifikasi objek dengan tingkat keakuratan yang tinggi. Tingkat recall sebesar 93.60% menunjukkan bahwa model dapat mendeteksi sebagian besar objek yang benar-benar ada dalam dataset. Skor F1 sebesar 0.94 menunjukkan bahwa model memiliki keseimbangan yang baik antara presisi dan recall. Selain itu, [email protected] mencapai 95.55%, yang menunjukkan kemampuan model dalam mengidentifikasi objek dengan baik saat menggunakan ambang batas IoU sebesar 0.5.
Downloads
References
[2] V. A. Dihni, “Angka Kecelakaan Lalu Lintas di Indonesia Meningkat di 2021,” databoks.katadata.co.id, 2022. https://databoks.katadata.co.id/datapublish/2022/03/24/angka-kecelakaan-lalu-lintas-di-indonesia-meningkat-di-2021-tertinggi-dari-kecelakaan-motor
[3] J. Terven and D. Cordova-Esparza, “A Comprehensive Review of YOLO: From YOLOv1 and Beyond,” pp. 1–27, 2023, [Online]. Available: http://arxiv.org/abs/2304.00501
[4] E. R. Setyaningsih and M. S. Edy, “YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi,” Teknika, vol. 11, no. 1, pp. 45–52, 2022, doi: 10.34148/teknika.v11i1.419.
[5] M. Fathur Rahman Haikal et al., “ANALISIS PERBANDINGAN AKURASI DAN PERFORMA ALGORITMA DETEKSI OBJEK PADA YOLO v3 DENGAN SINGLE SHOT MULTIBOX DETECTOR (SSD),” Front. Neurosci., vol. 14, no. 1, pp. 1–13, 2021.
[6] C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “YOLOv7: Trainable bag of freebies sets new state of th art for real-time object detectors,” pp. 1–17, 2022, [Online]. Available: http://arxiv.org/abs/2207.02696
[7] L. Cao, X. Zheng, and L. Fang, “The Semantic Segmentation of Standing Tree Images Based on the Yolo V7 Deep Learning Algorithm,” 2023.
[8] S. Zhou et al., “An Accurate Detection Model of Takifugu rubripes Using an Improved YOLO-V7 Network,” J. Mar. Sci. Eng., vol. 11, no. 5, 2023, doi: 10.3390/jmse11051051.
[9] C. Y. Wang, A. Bochkovskiy, and H. Y. M. Liao, “Scaled-yolov4: Scaling cross stage partial network,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 13024–13033, 2021, doi: 10.1109/CVPR46437.2021.01283.
[10] X. Ding, X. Zhang, N. Ma, J. Han, G. Ding, and J. Sun, “RepVgg: Making VGG-style ConvNets Great Again,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., no. 2017, pp. 13728–13737, 2021, doi: 10.1109/CVPR46437.2021.01352.
[11] R. Wang and J. Li, “Bayes test of precision, recall, and F1 measure for comparison of two natural language processing models,” ACL 2019 - 57th Annu. Meet. Assoc. Comput. Linguist. Proc. Conf., pp. 4135–4145, 2020, doi: 10.18653/v1/p19-1405.
