Modifikasi Yolo dengan Attention Module dan BIFPN untuk Penghitungan Kendaraan Realtime Lampu Lalu Lintas dengan Pendekatan Zona

Abstract

Mengembangkan sistem deteksi kendaraan secara real-time yang dapat digunakan untuk pengaturan lampu lalu lintas adaptif. Sistem ini memanfaatkan teknologi visi komputer dengan memodifikasi arsitektur YOLOv5s melalui penambahan Convolutional Block Attention Module (CBAM) pada bagian backbone dan Bidirectional Feature Pyramid Network (BiFPN) pada bagian head. Penambahan CBAM bertujuan untuk memperkuat kemampuan atensi model sehingga lebih fokus pada fitur-fitur penting dari objek kendaraan, sementara penerapan BiFPN berfungsi untuk meningkatkan fusi fitur multi-skala dari berbagai level skala sehingga model dapat mendeteksi objek dengan berbagai ukuran dan kondisi latar belakang yang lebih kompleks, seperti yang sering terjadi pada persimpangan jalan yang padat. Hasil evaluasi performa model menunjukkan bahwa modifikasi YOLOv5s + CBAM menghasilkan precision yang lebih tinggi, yaitu 0.949 dibandingkan model dasar YOLOv5s yang hanya mencapai 0.931. Selain itu, model YOLOv5s + CBAM + BiFPN berhasil mencapai precision tertinggi yaitu 0.951, meskipun recall dan mAP mengalami sedikit penurunan. Berdasarkan hasil tersebut, model modifikasi terbukti lebih stabil dan akurat dalam mendeteksi objek, terutama pada kelas kendaraan yang lebih sulit dideteksi, seperti Mini Bus dan Truk. Selain itu, modifikasi ini juga mampu mengurangi kesalahan klasifikasi pada kelas Motor yang memiliki ukuran kecil dan bentuk yang dinamis, yang sering kali sulit dideteksi oleh model dasar. Ini terbukti melalui hasil analisis confusion matrix yang menunjukkan penurunan kesalahan klasifikasi antar kelas dan pengurangan objek yang salah terdeteksi sebagai latar belakang.