Rancang Bangun Sistem Monitoring Pelanggaran Lalu Lintas Berbasis YOLOv8 Studi Kasus Kota Bandar Lampung

Abstract

Kecelakaan lalu lintas di Indonesia meningkat signifikan, dengan kasus nasional naik dari 103.645 (2021) menjadi 146.854 (2023), kenaikan kumulatif 41,7 persen dalam dua tahun, sementara sepeda motor terlibat dalam 76,42 persen kendaraan yang mengalami kecelakaan. Di Kota Bandar Lampung, simpul transportasi strategis penghubung Sumatra-Jawa, pengawasan pelanggaran lalu lintas masih sangat bergantung pada pemantauan manual dengan jangkauan terbatas. Penelitian ini bertujuan merancang, mengimplementasikan, dan menguji secara fungsional dan struktural sebuah sistem monitoring lalu lintas berbasis machine learning menggunakan YOLOv8 yang mengintegrasikan deteksi empat jenis pelanggaran tidak menggunakan helm, bonceng tiga, tidak menggunakan sabuk pengaman, dan kecepatan berlebih dalam satu sistem terpadu untuk konteks Kota Bandar Lampung. Sistem yang dinamai “Traffic Monitor” dikembangkan dengan arsitektur modular yang memisahkan deteksi kendaraan dari deteksi pelanggaran, mendukung input berupa unggahan berkas maupun live streaming, dengan parameter inferensi yang dapat dikonfigurasi pengguna. Pengujian black-box menunjukkan bahwa alur kerja utama sistem streaming, deteksi, visualisasi, penyimpanan data, dan navigasi dashboard berfungsi sesuai skenario yang ditetapkan, sementara pengujian white-box pada modul Detection Module mengindikasikan kompleksitas siklomatik rendah hingga sedang dengan empat jalur independen teridentifikasi. Sistem berhasil memenuhi enam kebutuhan fungsional pada level antarmuka dan alur kerja. Perlu dicatat bahwa model deteksi kustom untuk keempat kelas pelanggaran belum selesai dilatih, sehingga evaluasi performa model secara kuantitatif (precision, recall, F1-score, mAP) belum tersedia dan menjadi arah penelitian selanjutnya. Temuan ini menunjukkan bahwa arsitektur sistem monitoring pelanggaran lalu lintas yang terintegrasi secara fungsional dapat dikembangkan dan diverifikasi secara struktural sebelum evaluasi performa model dilakukan secara lengkap.