Detail Cantuman

Kemacetan di persimpangan jalan adalah salah satu masalah utama di kota-kota besar, yang timbul akibat ketidaksesuaian waktu lampu lalu lintas dengan volume kendaraan. Penelitian ini bertujuan untuk merancang dan membangun sistem Smart Traffic Light berbasis jumlah kendaraan secara real-time dengan memanfaatkan dua metode deteksi objek, yakni YOLOv3 (You Only Look Once) dan R-CNN (Region-based Convolutional Neural Network). Sistem ini menggunakan kamera webcam untuk merekam video lalu lintas, yang kemudian diproses oleh Raspberry Pi 4 dengan pustaka OpenCV dan TensorFlow. YOLOv3 mampu mendeteksi objek secara langsung pada keseluruhan gambar dalam satu tahap, sehingga sesuai untuk aplikasi real-time. Sebaliknya, R-CNN membuat beberapa wilayah kandidat (region proposals) lalu mengklasifikasikan satu per satu, menjadikan akurasi lebih tinggi namun dengan waktu pemrosesan yang lebih lama. Data deteksi kendaraan dikirim dari Raspberry Pi ke Arduino UNO melalui komunikasi serial untuk mengatur durasi lampu lalu lintas. Sinkronisasi Raspberry Pi dengan Arduino memungkinkan sistem bekerja real time dalam mengontrol lampu berdasarkan hasil deteksi kendaraan. Sistem ini menyesuaikan durasi lampu hijau secara dinamis: jika kendaraan ? 3, maka lampu hijau menyala 10 detik, dan akan bertambah 4 detik untuk setiap tambahan 1 kendaraan. Pengujian dilakukan dalam kondisi offline maupun online. Hasil menunjukkan bahwa YOLOv3 memiliki performa lebih baik dengan rata-rata delay 2 detik (offline) dan 6 detik (online), sedangkan R-CNN memiliki delay hingga 3 detik (offline) dan 8?15 detik (online). Meskipun hasil pendeteksian R-CNN lebih akurat, namun karena waktu pemrosesannya lebih lama, YOLOv3 dinilai lebih cocok diterapkan untuk sistem lampu lalu lintas berbasis real-time karena memiliki performa yang cepat dan stabil.