Modifikasi Yolo dengan Attention Module dan BIFPN untuk Penghitungan Kendaraan Realtime Lampu Lalu Lintas dengan Pendekatan Zona
Tahun 2026 · Penulis: Ferrari Romano
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 Module (CBAM) pada bagian backbone dan Bidirectional Feature Pyramid Network (BiFPN) pada bagian head. Penambahan CBAM bertujuan untuk memperkuat kemampuan atensi model sehingga lebih fokus pada fitur-fitur penting dari objek kendaraan, sementara penerapan BiFPN berfungsi untuk meningkatkan fusi fitur multi-skala dari berbagai level skala sehingga model dapat mendeteksi objek dengan berbagai ukuran dan kondisi latar belakang yang lebih kompleks, seperti yang sering terjadi pada persimpangan jalan yang padat. Hasil evaluasi performa model menunjukkan bahwa modifikasi YOLOv5s + CBAM menghasilkan precision yang lebih tinggi, yaitu 0.949 dibandingkan model dasar YOLOv5s yang hanya mencapai 0.931. Selain itu, model YOLOv5s + CBAM + BiFPN berhasil mencapai precision tertinggi yaitu 0.951, meskipun recall dan mAP mengalami sedikit penurunan. Berdasarkan hasil tersebut, model modifikasi terbukti lebih stabil dan akurat dalam mendeteksi objek, terutama pada kelas kendaraan yang lebih sulit dideteksi, seperti Mini Bus dan Truk. Selain itu, modifikasi ini juga mampu mengurangi kesalahan klasifikasi pada kelas Motor yang memiliki ukuran kecil dan bentuk yang dinamis, yang sering kali sulit dideteksi oleh model dasar. Ini terbukti melalui hasil analisis confusion matrix yang menunjukkan penurunan kesalahan klasifikasi antar kelas dan pengurangan objek yang salah terdeteksi sebagai latar belakang.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,854
Tahun 2026 · Penulis: Andhika Rachmat Fauzi
Peningkatan Akurasi YOLOv11 Untuk Pendeteksian Kendaraan Pada Citra Low-Light Menggunakan Pendekatan Cascaded CLAHE dan Denoising Autoencoder
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 ma
- Cosine 0,816
Tahun 2024 · Penulis: Bima Setyawan
Deteksi Kerusakan Jalan Beraspal Menggunakan YOLOv5
Kerusakan jalan beraspal merupakan kondisi dimana jalan mengalami kerusakan sehingga dapat mengurangi fungsi jalan sebagai jalur transportasi. Menurut data kondisi permukaan jalan 2021, kerusakan jalan dengan tipe kondisi rusak ringan mencapai 2646,43 KM dan k
- Cosine 0,812
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