DETEKSI KENDARAAN DAN ESTIMASI KECEPATAN UNTUK MONITORING PELANGGARAN DI JALAN TOL BERBASIS YOLO DENGAN NOTIFIKASI REAL-TIME

LUIS FERNANDO , SIMBOLON (2025) DETEKSI KENDARAAN DAN ESTIMASI KECEPATAN UNTUK MONITORING PELANGGARAN DI JALAN TOL BERBASIS YOLO DENGAN NOTIFIKASI REAL-TIME. FAKULTAS TEKNIK , UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (249Kb) | Preview
	File PDF SKRIPSI FULL TANPA LAMPIRAN.pdf Restricted to Hanya staf Download (8Mb) | Minta salinan
Preview	File PDF SKRIPSI FULL TANPA PEMBAHASAN.pdf Download (8Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Kecelakaan lalu lintas di jalan tol Indonesia mengalami peningkatan signifikan dengan 1.464 kejadian pada tahun 2022 menjadi 1.565 kejadian pada tahun 2023. Pelanggaran batas kecepatan menjadi salah satu penyebab utama kecelakaan tersebut. Penelitian ini mengembangkan sistem pemantauan kecepatan kendaraan berbasis YOLOv11 dengan Enhanced Tracking Algorithm dan notifikasi otomatis via Telegram untuk meningkatkan pengawasan lalu lintas di jalan tol. Metodologi penelitian menggunakan pendekatan eksperimental dengan dataset 22.711 gambar kendaraan (80% training, 12% validasi, 8% testing). Model YOLOv11 dilatih menggunakan Google Colab dengan GPU NVIDIA A100-SXM4-40GB selama 25 epoch untuk mendeteksi car, bus, truck, dan license-plate. Enhanced Tracking Algorithm mengintegrasikan position history tracking, velocity-based prediction, dan adaptive distance threshold untuk perhitungan kecepatan akurat. Hasil penelitian menunjukkan YOLOv11-l memberikan performa optimal dengan mAP@50 sebesar 0,947, precision 0,924, recall 0,920, dan F1-Score 0,922. Validasi kecepatan menggunakan speedometer referensi mencapai akurasi rata-rata 92,87% (96,67% pada 30 km/jam, 88,47% pada 39 km/jam, 93,49% pada 43 km/jam). Pengujian video Ultra HD 2560×1440 piksel mendemonstrasikan deteksi multiobjek dengan overlay informasi lengkap dan notifikasi Telegram real-time. Pengujian CCTV online Jasa Marga dalam tiga sesi (pagi, siang, sore) menunjukkan adaptabilitas terhadap variasi pencahayaan dengan deteksi kecepatan 15,58-119,82 km/jam. Enhanced Tracking Algorithm mempertahankan kontinuitas tracking dengan parameter optimal dan response time notifikasi kurang dari 5 detik.Sistem efektif untuk pemantauan kecepatan real-time dan berkontribusi dalam upaya pengurangan kecelakaan lalu lintas di jalan tol Indonesia. Kata Kunci: Deteksi Kendaraan, Enhanced Tracking Algorithm, Jalan Tol, Pemantauan Kecepatan, Telegram, YOLOv11. Traffic accidents on Indonesian toll roads increased significantly from 1,464 incidents in 2022 to 1,565 incidents in 2023, with speed violations being a major contributing factor. This research develops a YOLOv11-based vehicle speed monitoring system with Enhanced Tracking Algorithm and automatic Telegram notifications to improve toll road traffic surveillance. The experimental methodology uses a dataset of 22,711 vehicle images (80% training, 12% validation, 8% testing). The YOLOv11 model was trained using Google Colab with NVIDIA A100-SXM4-40GB GPU for 25 epochs to detect car, bus, truck, and license-plate. Enhanced Tracking Algorithm integrates position history tracking, velocity-based prediction, and adaptive distance threshold for accurate speed calculation. Results show YOLOv11-l provides optimal performance with mAP@50 of 0.947, mAP@50-95 of 0.870, precision 0.924, recall 0.920, and F1Score 0.922. Speed validation using speedometer reference achieves 92.87% average accuracy (96.67% at 30 km/h, 88.47% at 39 km/h, 93.49% at 43 km/h). Ultra HD 2560×1440 pixel video testing demonstrates multi-object detection with comprehensive overlay information and real-time Telegram notifications. Online CCTV testing from Jasa Marga in three sessions (morning, afternoon, evening) shows adaptability to lighting variations with speed detection range of 15.58-119.82 km/h. Enhanced Tracking Algorithm maintains tracking continuity with optimal parameters and notification response time under 5 seconds. The system proves effective for real-time speed monitoring and contributes to reducing traffic accidents on Indonesian toll roads. Keywords: Enhanced Tracking Algorithm, Speed Monitoring, Telegram, Toll Road, Vehicle Detection, YOLOv11.

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Elektro
Pengguna Deposit:	2507788683 Digilib
Date Deposited:	18 Dec 2025 13:42
Terakhir diubah:	18 Dec 2025 13:42
URI:	http://digilib.unila.ac.id/id/eprint/94492

Actions (login required)

Lihat Karya Akhir