Komparasi Algoritma You Only Look Once (YOLO) Dan Real-Time Detection Transformer (RT-DETR) Untuk Menghitung Jumlah Kendaraan Bermotor
Keywords:
YOLO, RT-DETR, Counting Vehicles, Object Detectio, Computer VisioanAbstract
Masalah lalu lintas menjadi tantangan utama dalam manajemen kota, terutama di negara berkembang sebagai perhatian global. Peningkatan jumlah kendaraan menyebabkan peningkatan trafik di jalan raya yang tidak diimbangi dengan perluasan jalan, sehingga menyebabkan kemacetan, terutama di dalam kota. Penelitian ini membandingkan kinerja dua algoritma deteksi objek, yaitu You Only Look Once (YOLO) dan Real-Time Detection Transformer (RT-DETR), dalam menghitung jumlah kendaraan bermotor seperti, motor, mobil, bus, truk, dan pickup. Penelitian ini diuji dengan menggunakan data video berdurasi 1 menit 11 detik yang diambil dari atas jembatan penyeberangan orang (JPO) pada 3 tempat yang berbeda di Bekasi (Caman Raya, Stadiun Bekasi, dan Mall Living Plaza) dengan kondisi jalan ramai lancar dan waktu yang berbeda (pagi, siang, dan malam). Hasil penelitian menunjukkan bahwa algoritma RT-DETR memiliki akurasi deteksi lebih tinggi dibandingkan YOLO. RT-DETR berhasil mengungguli YOLO dalam menghitung kendaraan di berbagai kondisi yang diuji terutama dalam pengujian kondisi pencahayaan yang berbeda. RT-DETR memiliki rata-rata akurasi deteksi untuk seluruh jenis kendaraan sebesar 0,86 sedangkan YOLO sebesar 0,79. RT-DETR juga menunjukkan performa yang lebih konsisten pada berbagai jenis kendaraan yang diuji. Berdasarkan hasil ini, RT-DETR lebih unggul dalam menghitung kendaraan bermotor dibandingkan YOLO terhadap berbagai kondisi yang telah diuji.
Kata kunci— YOLO, RT-DETR, Counting Vehicles, Object Detection, Computer Vision
References
R. Nurhawanti, “Sistem Pendeteksi Sepeda Motor Pelanggar Marka Jalan Menggunakan Metode Convolutional Neural Networks (CNNs),” Universitas Pendidikan Indonesia, May 2019.
F. Rofii, G. Priyandoko, M. I. Fanani, and A. Suraji, “Vehicle Counting Accuracy Improvement By Identity Sequences Detection Based on Yolov4 Deep Neural Networks,” TEKNIK, vol. 42, no. 2, pp. 169–177, Aug. 2021, doi: 10.14710/teknik.v42i2.37019.
M. Leriansyah, “Deteksi dan Perhitungan Kendaraan untuk Mengetahui Arus Kepadatan Lalu Lintas secara Otomatis Menggunakan YOLO-V3,” Universitas Islam Indonesia, 2020.
Y. Pratama and E. Rasywir, “Eksperimen Penerapan Sistem Traffic Counting dengan Algoritma YOLO (You Only Look Once) V.4.,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 4, p. 1438, Oct. 2021, doi: 10.30865/mib.v5i4.3309.
D. Setiawan, Y. Riti, and N. Trisuwita, “Perbandingan Performa Model SSD Mobilenet V2 dan FPNLite dalam Deteksi Helm Pengendara Sepeda Motor,” Komputika : Jurnal Sistem Komputer, vol. 13, no. 1, May 2024, doi: 10.34010/komputika.v13i1.10333.
S. Jupiyandi, F. R. Saniputra, Y. Pratama, M. R. Dharmawan, and I. Cholissodin, “Pengembangan Deteksi Citra Mobil untuk Mengetahui Jumlah Tempat Parkir Menggunakan CUDA dan Modified YOLO,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 4, p. 413, Jul. 2019, doi: 10.25126/jtiik.2019641275.
Y. Zhao et al., “DETRs Beat YOLOs on Real-time Object Detection,” ArXiv, Apr. 2023.
J. E. Guisiano, D. Barretta, É. Moulines, T. Lauvaux, and J. Sublime, “OBJECT DETECTION MODELS SENSITIVITY & ROBUSTNESS TO SATELLITE-BASED ADVERSARIAL ATTACKS,” in IEEE International Symposium on Geoscience and Remote Sensing (IGARSS), Athens, Greece, Jul. 2024. [Online]. Available: https://hal.science/hal-04561852
F. P. Rustamy, “DEtection TRansformer (DETR) vs. YOLO for object detection,” Medium. Accessed: Jun. 28, 2024. [Online]. Available: https://medium.com/@faheemrustamy/detection-transformer-detr-vs-yolo-for-object-detection-baeb3c50bc3
F. Jalled and I. Voronkov, “Object Detection using Image Processing,” Nov. 2016.
R. Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik. Bandung: INFORMATIKA, 2004.
F. Q. Syuhaila, “SISTEM DETEKSI PLAT NOMOR OTOMATIS MENGGUNAKAN ALGORITMA YOLO V3 DENGAN FRAMEWORK DARKNET,” ITS, 2020.
L. F. Basuki, “Implementasi Metode Histogram Of Oriented Gradients Dengan Optimasi Algoritma Frei-Chen Untuk Deteksi Citra Manusia,” UNIKOM, Nov. 2016.
M. Nada, “Penerapan Deep Learning Menggunakan Convolutional Neural Network (CNN),” Medium, Jun. 2019.
W. Suartika, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101,” JURNAL TEKNIK ITS, vol. 5, no. 1, 2016.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Jun. 2016, pp. 779–788. doi: 10.1109/CVPR.2016.91.
L. Zhang et al., “CCDN-DETR: A Detection Transformer Based on Constrained Contrast Denoising for Multi-Class Synthetic Aperture Radar Object Detection,” Sensors, vol. 24, no. 6, p. 1793, Mar. 2024, doi: 10.3390/s24061793.
