APLIKASI MONITORING PELANGGARAN LALU LINTAS DI AREA JALAN TOL MENGGUNAKAN YOLOV5

• Tim Peneliti Zhandy
• Jurnal Link Jurnal
• Share on

Pelanggaran lalu lintas kerap kali terjadi tak terkecuali pada jalan tol yang dikelola oleh PT. MMN-JTSE dimana hal tersebut tentu akan bermuara pada kerugian baik bagi pihak perusahaan, pelanggar maupun pengguna jalan lainnya. Perusahaan saat ini sudah melakukan berbagai tindakan pencegahan diantaranya dengan melakukan pengawasan di area jalan tol yang terjun langsung ke lapangan dan pengawasan melalui CCTV pada ruangan Sentral Komunikasi. Namun, metode pengawasan langsung oleh petugas dengan terjun langsung ke area jalan tol tentunya sangat berbahaya mengingat area jalan tol merupakan area cepat berkendara dan didominasi oleh kendaraan yang berukuran besar. Metode pengawasan dengan CCTV oleh petugas juga berisiko menyebabkan kesalahan dalam identifikasi pelanggaran akibat kelalaian dalam pengawasan, terlebih cukup banyak CCTV yang diawasi di area jalan tol. Penelitian ini bertujuan untuk membangun aplikasi monitoring pelanggaran lalu lintas di area jalan tol yang akan memudahkan dalam proses identifikasi pelanggaran lalu lintas dan secara realtime akan mengirimkan notifikasi pelanggaran lalu lintas kepada petugas begitu pelanggaran terjadi. Pelanggaran yang dapat dideteksi adalah pelanggaran melawan arus dan objek selain mobil yang memasuki area tol seperti orang, motor, dan sepeda. Model yang digunakan untuk mengklasifikasikan objek adalah model You Only Look Once (YOLO) yang merupakan trained model yang dapat digunakan untuk mengidentifikasi berbagai objek seperti mobil, motor dan berbagai benda lainnya. Untuk mengirimkan realtime notification ke Whatsapp, digunakan library pywhatkit. Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, penelitian ini berhasil mengidentifikasi pelanggaran lalu lintas yang terjadi di area jalan tol. Pengujian dilakukan dengan mengukur akurasi klasifikasi objek pada berbagai kondisi diantaranya malam terang dan siang terang dengan akurasi masing-masing 93.29% dan 98.04%. Kemudian dilanjutkan dengan pengujian akurasi sistem dalam mengidentifikasi pelanggaran lalu lintas dengan hasil akurasi 91.83%. Hasil dari identifikasi pelanggaran kemudian dituangkan dalam bentuk visualisasi data melalui website menggunakan Graph.js.