Deteksi Ketersediaan Lahan Parkir Mobil Menggunakan Yolo V4 Berbasis Website
Abstract
Sistem deteksi ketersediaan lahan parkir mobil merupakan solusi inovatif untuk mengatasi masalah parkir yang sering kali penuh dan sulit dipantau secara manual. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi ketersediaan lahan parkir mobil menggunakan algoritma YOLOv4 yang terintegrasi dengan platform berbasis website. Sistem ini bekerja dengan mendeteksi mobil yang terparkir pada suatu area parkir menggunakan teknik deteksi objek berbasis deep learning, yaitu YOLOv4. Pengguna dapat mengunggah gambar atau video area parkir melalui website, yang kemudian diproses oleh model YOLOv4 untuk mendeteksi kendaraan yang terparkir. Sistem ini tidak hanya menghitung jumlah kendaraan yang ada, tetapi juga memberikan informasi tentang ketersediaan lahan parkir. Lahan kosong akan ditandai dengan warna hijau, sedangkan lahan yang terisi akan ditandai dengan warna merah pada tampilan antarmuka pengguna. Data training yang digunakan dalam pengembangan model ini sebanyak 130, sementara data uji sebanyak 33. Dengan parameter tersebut, model YOLOv4 berhasil mencapai Mean Average Precision (mAP) sebesar 100%, yang menunjukkan tingkat akurasi deteksi yang sangat tinggi. Dengan solusi ini, diharapkan pengelolaan area parkir menjadi lebih efisien dan pengguna dapat dengan mudah mengetahui ketersediaan lahan parkir tanpa kesulitan.
Keywords
Full Text:
References
Arief, R. W. (2021). Sistem Deteksi dan Pengenalan Rambu Lalu Lintas Di Indonesia
Mengunakan Algoritma YOLOv4= Traffic Sign Detection and Recognition System in Indonesia
Using the YOLOv4 Algorithm (Doctoral dissertation, Universitas Hasanuddin).
Budiarjo, D. D. (2020). IMPLEMENTASI SISTEM CERDAS PADA OTOMATISASI
PENDETEKSIAN JENIS KENDARAAN DI JALAN RAYA.
IMB Suarjaya, et al
Smart Comp : Jurnalnya Orang Pintar Komputer, Vol. 14, No. 1, Januari 2025
Ektrada, E., Hakim, L., & Kristanto, S. P. (2023). Sistem Tracking dan Counting Kendaraan
Berbasis YOLO untuk Pemetaan Slot Parkir Kendaraan. Software Development, Digital
Business Intelligence, and Computer Engineering, 1(02), 55-60.
Fatmawati, F., & Narti, N. (2022). Perbandingan Algoritma C4. 5 dan Naive Bayes Dalam
Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring. JTIM: Jurnal
Teknologi Informasi dan Multimedia, 4(1), 1-12.
Hudaya, M. A., Santoso, I., & Soetrisno, Y. A. A. (2020). Perancangan Sistem Pelacakan
(Tracking) Dan Perhitungan Kendaraan Pada Citra Bergerak Menggunakan Metode
Convolutional Neural Network. Transient: Jurnal Ilmiah Teknik Elektro, 9(1), 80-87.
Jalled, F., & Voronkov, I. (2016). Object Detection using Image Processing. 1–6. Retrieved from
http://arxiv.org/abs/1611.07791.
M. Singh, A. Verma, A. Parasher, N. Chauhan, and G. Budhiraja, “Implementation of Database
Using Python Flask Framework,” vol. 8, no. 12, pp. 24894–24899, 2019, doi:
18535/ijecs/v8i12.4399.
Marutho, D. (2019). Perbandingan Metode Naive Bayes, KNN, Decision Tree Pada Laporan
Water Level Jakarta. Jurnal Ilmiah Infokam, 15(2).
Menegaz, M. 2018. Understanding YOLO – Hacker Noon. Diambil kembali dari HackerNoon:
https://hackernoon.com/understanding-yolo-f5a74bbc7967.
Mulyanto, A., Jatmiko, W., Mursanto, P., Prasetyawan, P., & Borman, R. I. (2021). A New
Indonesian Traffic Obstacle Dataset and Performance Evaluation of YOLOv4 for ADAS. Journal
of ICT Research & Applications, 14(3).
Nurhawaisah, N. (2021). Rancang Bangun Sistem Klasifikasi dan Counting Kendaraan dengan
Metode YOLOv3 (Doctoral dissertation, Institut Teknologi Kalimantan).
Nurhikmat, T. (2018). Implementasi deep learning untuk image classification menggunakan
algoritma Convolutional Neural Network (CNN) pada citra wayang golek.
O’Shea, K., & Nash, R. 2015. An Introduction to Convolutional Neural Networks. Diambil
kembali dari arXiv: https://arxiv.org/abs/1511.08458
Oklilas, A. F., Dwinta, D., Shofi, G., Mariza, N. P., Kinanti, S. A., & Sari, Y. A. (2023). Akurasi
Pengujian Model Hasil Training menggunakan YOLOv4 untuk Pengenalan Kendaraan di Jalan
Raya. JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer, 15(1d), 799-806.
Pandia, M. (2024). Kajian Literatur Multimedia Retrieval: Machine Learning Untuk Pengenalan
Wajah. Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), 7(1), 161-166.
Prabowo, W. A., & Wiguna, C. (2021). Sistem informasi UMKM bengkel berbasis web
menggunakan metode scrum. Jurnal Media Informatika Budidarma, 5(1), 149-156.
Putra, A. K., & Bunyamin, H. (2020). Pengenalan Simbol Matematika dengan Metode
Convolutional Neural Network (CNN). Jurnal STRATEGI-Jurnal Maranatha, 2(2), 426-433.
Rahmawati, L., & Adi, K. (2017). Rancang bangun penghitung dan pengidentifikasi kendaraan
menggunakan Multiple Object Tracking. Youngster Physics Journal, 6(1), 70-75.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. 2016. You Only Look Once: Unified, RealTime Object Detection. arXiv, 1-10.
Suwito, S. (2021). Penggunaan Bahasa Pemrograman Python untuk Membuat Aplikasi yang
Dapat Digunakan Sebagai Media Dalam Mengajarkan Konsep Perilaku Lentur Balok Beton
Bertulang.
V. R. Vyshnavi and A. Malik, “Efficient Way of Web Development Using Python and Flask,”
vol. 6, no. 2, pp. 16–19, 2019.
Valentina, R., Rostianingsih, S., & Tjondrowiguno, A. N. (2020). Pengenalan Gambar Botol
Plastik dan Kaleng Minuman Menggunakan Metode Convolutional Neural Network. Jurnal
Infra, 8(1), 249-254.
DOI: https://doi.org/10.30591/smartcomp.v14i1.8286
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution 4.0 International License.
========================================================================
Smart Comp Indexed By:
 |  |  |  |
 |  |  |
This work is licensed under a Creative Commons Attribution 4.0 International License.
