Detail Cantuman

Pembacaan rambu lalu lintas secara otomatis merupakan elemen penting dalam meningkatkan keselamatan di jalan raya. Penelitian ini mengembangkan sistem deteksi rambu lalu lintas berbasis Deep Learning menggunakan arsitektur YOLOv8 (You Only Look Once versi 8). Berdasarkan evaluasi yang dilakukan, model menunjukkan performa yang sangat baik dengan tingkat akurasi deteksi mencapai 85,2%. Dari total 1.041 Frame yang diuji, model berhasil mendeteksi objek dengan benar dalam 765 kasus. Namun, terdapat 68 kasus (7%) di mana deteksi model salah, serta 86 kasus (8,3%) di mana objek tidak terdeteksi sama sekali. Selain itu, terdapat 122 kasus (11,7%) di mana tidak ada deteksi sama sekali. Hal ini menunjukkan adanya tantangan dalam mendeteksi objek dalam kondisi atau jenis tertentu. Confusion matrix menunjukkan hasil yang cukup baik dengan Precision sebesar 91,8%, Recall 89,9%, dan F1 Score 90,9%, yang mengindikasikan model memiliki kemampuan deteksi yang akurat dan konsisten. Namun, specificity yang hanya mencapai 64,2% mengisyaratkan bahwa model masih rentan terhadap false positives. Untuk meningkatkan performa model, disarankan untuk menganalisis secara mendalam kasus-kasus kesalahan deteksi, memperluas dan memperkaya dataset pelatihan, serta melakukan Fine Tuning pada model. Uji lanjutan dengan dataset yang lebih beragam juga diperlukan untuk memastikan model dapat menggeneralisasi dengan baik dalam berbagai kondisi. Meskipun model telah menunjukkan akurasi yang tinggi, langkahlangkah perbaikan yang diusulkan diharapkan dapat meningkatkan kemampuan deteksi dan mengurangi kekurangan yang ada. Kata Kunci: Deteksi Rambu Lalu Lintas, Deep Learning, YOLOv8, Keselamatan Jalan Raya, Evaluasi Model, Confusion Matrix, Precision, Recall, F1 Score, Specificity, Fine Tuning Model, Dataset Pelatihan, Akurasi Deteksi, False Positives, Generalisasi Model.