Model Pelacakan Objek Berbasis YOLO-OCSort Untuk Estimasi Kepadatan Lalu Lintas

Abstrak

Estimasi kepadatan lalu lintas secara akurat merupakan komponen krusial dalam sistem transportasi cerdas untuk optimalisasi manajemen lalu lintas perkotaan. Penelitian ini mengembangkan model pelacakan objek berbasis integrasi YOLOv8 dan Online Clustering SORT (OCSort) untuk estimasi kepadatan lalu lintas realtime. YOLOv8 digunakan sebagai object detector dengan akurasi tinggi, sementara OCSort mengimplementasikan algoritma tracking dengan pendekatan observationcentric association untuk mengatasi keterbatasan tracking konvensional dalam menangani nonlinear motion dan oklusi temporal. Evaluasi komprehensif dilakukan menggunakan MOT17FRCNN benchmark Dataset untuk pengukuran performa tracking dan subset UADETRAC Dataset untuk analisis computational performance. Sistem diuji pada hardware Intel Core i7 Generation 13, 32 GB RAM, dan NVIDIA GeForce RTX 3060 12 GB VRAM. Hasil evaluasi menunjukkan MOTA sebesar 0.4910, MOTP 0.9072, dan IDF1 0.6702 dengan identity switches yang sangat rendah (7 kejadian) dan fragmentations sebanyak 65 kejadian. Perbandingan dengan metode stateoftheart menggunakan 2001 frames menunjukkan keunggulan signifikan YOLOOCSort dalam computational efficiency dengan processing time terbaik 118.01 seconds, mengalahkan ByteTrack (146.98s), BoTSORT (161.91s), dan DeepSORT (152.33s). Sistem mencapai endtoend FPS sebesar 17.0, model processing time 33.8 ms per frame, dan mampu mendeteksi ratarata 20.1 objek per frame dengan confidence score 0.608. Statistical analysis dengan confidence interval 95% mengkonfirmasi consistency dan reliability hasil evaluasi. Kontribusi penelitian ini adalah validasi empiris terhadap efektivitas integrasi YOLOv8OCSort yang menghasilkan keseimbangan optimal antara akurasi tracking dan computational efficiency untuk aplikasi trafficmonitoring realtime.