Peningkatan Akurasi YOLOv11 Untuk Pendeteksian Kendaraan Pada Citra Low-Light Menggunakan Pendekatan Cascaded CLAHE dan Denoising Autoencoder
Tahun 2026 · Penulis: Andhika Rachmat Fauzi
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12253
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Pendeteksian kendaraan merupakan komponen krusial dalam Sistem Transportasi Cerdas (ITS). Namun, kinerja model deteksi objek seringkali mengalami penurunan akurasi yang drastis ketika dihadapkan pada citra dengan kondisi minim cahaya (low-light). Citra pada malam hari umumnya memiliki karakteristik kontras yang sangat rendah dan tingkat noise yang tinggi, sehingga mengakibatkan hilangnya detail fitur visual penting pada kendaraan. Penelitian ini bertujuan untuk meningkatkan akurasi model YOLOv11 dalam mendeteksi kendaraan pada citra low-light melalui penerapan pendekatan prapemrosesan bertingkat (cascaded). Metode yang diusulkan menggabungkan teknik peningkatan kontras Contrast Limited Adaptive Histogram Equalization (CLAHE) dan arsitektur deep learning Convolutional Denoising Autoencoder (CDAE). Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan memanfaatkan dataset berupa 2.000 citra lalu lintas yang diekstraksi dari rekaman CCTV publik di ruas jalan Tugu Ireng, Kabupaten Magelang. Objek penelitian difokuskan pada empat kelas kendaraan utama: mobil, sepeda motor, bus, dan truk. Pada tahap prapemrosesan, CLAHE diterapkan secara spesifik pada kanal Lightness (L) dalam ruang warna LAB untuk meningkatkan kontras secara lokal tanpa mendistorsi warna asli objek. Selanjutnya, model CDAE digunakan untuk mereduksi noise intensitas tinggi yang teramplifikasi, sekaligus mempertahankan ketajaman batas tepi kendaraan. Citra hasil kombinasi CLAHE-DAE ini kemudian diumpankan ke dalam arsitektur YOLOv11 untuk proses deteksi objek. Evaluasi kinerja sistem diukur menggunakan metrik kualitas citra, yaitu Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM), serta metrik performa deteksi yang mencakup Precision, Recall, dan mean Average Precision (mAP). Melalui pendekatan cascaded ini, diharapkan kualitas visual citra low-light dapat dipulihkan secara komprehensif, sehingga mampu memberikan peningkatan yang signifikan terhadap stabilitas dan akurasi deteksi YOLOv11 dibandingkan dengan penggunaan citra mentah (baseline)
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,854
Tahun 2026 · Penulis: Ferrari Romano
Modifikasi Yolo dengan Attention Module dan BIFPN untuk Penghitungan Kendaraan Realtime Lampu Lalu Lintas dengan Pendekatan Zona
Mengembangkan sistem deteksi kendaraan secara real-time yang dapat digunakan untuk pengaturan lampu lalu lintas adaptif. Sistem ini memanfaatkan teknologi visi komputer dengan memodifikasi arsitektur YOLOv5s melalui penambahan Convolutional Block Attention Mod
- Cosine 0,839
Tahun 2026 · Penulis: Ramadan Bayu Laksono
Analisis Peforma Yolo11 Dengan Backbone Resnet18 Pada Deteksi Plat Nomor Kendaraan
Peningkatan jumlah kendaraan bermotor menuntut sistem pemantauan lalu lintas yang mampu bekerja secara otomatis, salah satunya melalui teknologi pengenalan plat nomor kendaraan. Penerapan teknologi ini di lapangan masih menghadapi kendala teknis seperti varias
- Cosine 0,819
Tahun 2025 · Penulis: Sofia Yuliana Manullang
Modifikasi Arsitektur YOLOv10 untuk Meningkatkan Performa Deteksi Biota Laut pada Citra Bawah Air
Penelitian ini dilakukan untuk mengatasi tantangan dalam deteksi objek bawah air yang sering mengalami kendala akibat kondisi lingkungan seperti pencahayaan rendah, kabut air, dan objek yang tersamarkan atau berukuran kecil. Deteksi secara manual oleh penyelam