View/Open

Author
MUHAMMAD, AD-DIN

Date Published
19 Aug 2026

Advisor
Radhinka Bagaskara, S.Si.Kom., M.Si., M.Sc.,
Ilham Firman Ashari, S.Kom., M.T,

Subject
Teknik Informatika

Publisher

Kendaraan Over Dimension and Overload (ODOL) menjadi salah satu permasalahan utama dalam sistem transportasi di Indonesia karena dapat meningkatkan risiko kecelakaan lalu lintas serta mempercepat kerusakan infrastruktur jalan. Pengawasan kendaraan ODOL yang masih dilakukan secara manual kurang efektif dan menyita banyak waktu. Penelitian ini bertujuan untuk mengimplementasikan algoritma You Only Look Once versi 11 (YOLOv11) dalam mendeteksi dan mengklasifikasikan kendaraan angkutan barang kategori ODOL dan non-ODOL berbasis citra CCTV secara otomatis. Penelitian difokuskan pada kendaraan golongan II dan III yang melintas di kawasan Simpang ITERA, Bandar Lampung. Metode penelitian meliputi pengumpulan data video CCTV, preprocessing citra, anotasi dataset, augmentasi data yang mencakup Contrast Limited Adaptive Histogram Equalization (CLAHE), flip, dan penyesuaian pencahayaan, pelatihan model YOLOv11, serta evaluasi performa menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa model YOLOv11m terbaik mencapai nilai mAP@0,5 sebesar 0,926 pada data pengujian dengan Precision 0,839, Recall 0,829, dan inference time 27,6 ms per frame. Model menunjukkan kemampuan generalisasi yang baik tanpa indikasi overfitting, serta performa yang seimbang antara kelas ODOL (mAP@0,5 = 0,933) dan non-ODOL (mAP@0,5 = 0,920). Pengujian ketahanan terhadap variasi pencahayaan menunjukkan model tetap andal pada kondisi siang (mAP@0,5 = 0,915) maupun malam (mAP@0,5 = 0,966). Hasil-hasil tersebut menunjukkan bahwa YOLOv11 layak dijadikan dasar sistem pengawasan kendaraan ODOL otomatis berbasis CCTV di Indonesia. Kata Kunci: YOLOv11, ODOL, Deteksi Objek, CCTV, Deep Learning

URI
https://repo.itera.ac.id/depan/submission/SB2608180045

Keyword
Deep Learning CCTV Object Detection ODOL YOLOv11