Sistem Deteksi Kelengkapan Spion pada Kendaraan Roda Dua Menggunakan Metode YOLOv12

Abstract

Tingginya angka kecelakaan lalu lintas yang melibatkan kendaraan roda dua masih menjadi permasalahan serius, salah satunya disebabkan oleh rendahnya kepatuhan pengendara terhadap kelengkapan kendaraan, seperti penggunaan kaca spion. Ketiadaan atau ketidaklengkapan spion dapat mengurangi visibilitas pengendara dan meningkatkan risiko kecelakaan. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi kelengkapan spion pada kendaraan roda dua secara otomatis menggunakan metode YOLOv12. Sistem yang dikembangkan memanfaatkan kamera sebagai media akuisisi citra, kemudian memproses gambar menggunakan algoritma deep learning YOLOv12 untuk mendeteksi objek motor dan spion secara real-time. Penentuan kelengkapan spion dilakukan berdasarkan jumlah spion yang terdeteksi pada setiap kendaraan, sehingga kendaraan dapat diklasifikasikan ke dalam kategori “Melanggar” atau “Tidak Melanggar”. Hasil pengujian menunjukkan bahwa model YOLOv12 memiliki performa deteksi yang sangat baik dengan nilai precision sebesar 0,991, recall sebesar 0,997, dan mAP50 sebesar 0,995. Selain itu, sistem mampu beroperasi secara real-time dengan nilai Frame Per Second (FPS) yang memadai untuk pemantauan lalu lintas. Pengujian keseluruhan pada 100 sampel data menghasilkan tingkat keberhasilan sebesar 94% dalam mengklasifikasikan kelengkapan spion kendaraan roda dua. Dengan demikian, sistem ini berpotensi untuk diintegrasikan dengan sistem Electronic Traffic Law Enforcement (ETLE) sebagai solusi pendukung penegakan hukum lalu lintas berbasis teknologi visi komputer.