Peningkatan Akurasi YOLOv11 Untuk Pendeteksian Kendaraan Pada Citra Low-Light Menggunakan Pendekatan Cascaded CLAHE dan Denoising Autoencoder

Abstract

Pendeteksian kendaraan merupakan komponen krusial dalam Sistem Transportasi Cerdas (ITS). Namun, kinerja model deteksi objek seringkali mengalami penurunan akurasi yang drastis ketika dihadapkan pada citra dengan kondisi minim cahaya (low-light). Citra pada malam hari umumnya memiliki karakteristik kontras yang sangat rendah dan tingkat noise yang tinggi, sehingga mengakibatkan hilangnya detail fitur visual penting pada kendaraan. Penelitian ini bertujuan untuk meningkatkan akurasi model YOLOv11 dalam mendeteksi kendaraan pada citra low-light melalui penerapan pendekatan prapemrosesan bertingkat (cascaded). Metode yang diusulkan menggabungkan teknik peningkatan kontras Contrast Limited Adaptive Histogram Equalization (CLAHE) dan arsitektur deep learning Convolutional Denoising Autoencoder (CDAE). Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan memanfaatkan dataset berupa 2.000 citra lalu lintas yang diekstraksi dari rekaman CCTV publik di ruas jalan Tugu Ireng, Kabupaten Magelang. Objek penelitian difokuskan pada empat kelas kendaraan utama: mobil, sepeda motor, bus, dan truk. Pada tahap prapemrosesan, CLAHE diterapkan secara spesifik pada kanal Lightness (L) dalam ruang warna LAB untuk meningkatkan kontras secara lokal tanpa mendistorsi warna asli objek. Selanjutnya, model CDAE digunakan untuk mereduksi noise intensitas tinggi yang teramplifikasi, sekaligus mempertahankan ketajaman batas tepi kendaraan. Citra hasil kombinasi CLAHE-DAE ini kemudian diumpankan ke dalam arsitektur YOLOv11 untuk proses deteksi objek. Evaluasi kinerja sistem diukur menggunakan metrik kualitas citra, yaitu Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM), serta metrik performa deteksi yang mencakup Precision, Recall, dan mean Average Precision (mAP). Melalui pendekatan cascaded ini, diharapkan kualitas visual citra low-light dapat dipulihkan secara komprehensif, sehingga mampu memberikan peningkatan yang signifikan terhadap stabilitas dan akurasi deteksi YOLOv11 dibandingkan dengan penggunaan citra mentah (baseline)