Analisis Beban Kendaraan Terhadap Karakteristik Jalan Menggunakan Metode YOLOv5 Dan Perhitungan ESAL
Abstract
Roads are essential infrastructure supporting various types of vehicles; however, excessive loads are a primary cause of surface damage. The increasing volume of vehicles and imbalanced infrastructure development contribute significantly to road deterioration, leading to a reduction in road service life and increased maintenance costs. This study aims to address these issues by developing a system for vehicle detection, classification, and load estimation using the YOLO (You Only Look Once) algorithm a deep learning method capable of detecting and classifying vehicle objects in real time with high speed and accuracy. The data were obtained from CCTV surveillance video recordings. The results indicate that a total of 4,395 vehicles were successfully detected. These detections were then used to estimate the vehicle load using the Equivalent Single Axle Load (ESAL) method. The estimated total daily traffic reached 632,880 vehicles, with a corresponding daily load estimation of 284,214.74 ESAL. The findings highlight the significant impact of vehicle loads on road characteristics and demonstrate the effectiveness of YOLOv5 as a real time tool for monitoring and detecting vehicular load.
Keywords: Computer Vision; YOLOv5; Vehicle detection; Vehicle load; Equivalent Single Axle Load
Abstrak
Jalan merupakan infrastruktur yang penting dalam menopang berbagai jenis kendaraan, namun beban berlebih menjadi penyebab utama kerusakan permukaan pada jalan. Volume kendaraan yang meningkat dan pembangunan infrastruktur yang tidak seimbang menyebabkan kerusakan pada jalan yang menyebabkan pengurangan umur jalan dan meningkatkan biaya perbaikan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut yaitu dengan membangun Pendeteksi, Klasifikasi dan menghitung beban kendaraan berbasis Algoritma YOLO (You Only Look Once), sebuah algoritma deep learning yang mampu mendeteksi dan mengklasifikasikan objek kendaraan secara real-time dengan kecepatan dan akurasi yang sangat baik. Data yang digunakan diambil dari rekaman video pengawas CCTV. Hasil penelitian menunjukan kendaraan yang terdeteksi sebanyak 4.395 unit, kendaraan yang berhasil terdeteksi kemudian dilakukan untuk perhitungan estimasi beban kendaraan menggunakan perhitungan Equivalent Single Axle Load (ESAL). Hasil terhitung dengan total lalu lintas harian mencapai 632.880 unit kendaraan dengan estimasi beban harian sebesar 284.214,74 ESAL. Hasil penelitian menegaskan adanya pengaruh signifikan beban kendaraan terhadap karakteristik jalan serta menunjukkan efektivitas YOLOv5 sebagai alat dalam memantau dan mendeteksi beban kendaraan secara real time
Keywords
References
D. I. Mulyana and M. A. Rofik, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” J. Pendidik. Tambusai, vol. 6, no. 3, pp. 13971–13982, 2022
M. M. Rana, M. S. Hossain, M. M. Hossain, and M. D. Haque, “Improved vehicle detection: unveiling the potential of modified YOLOv5,” Discov. Appl. Sci., vol. 6, no. 7, pp. 1-15, 2024
L. Dan and F. Lingkungan, “Studi analisis kinerja jalan raya akibat beban lalu lintas dan faktor lingkungan, vol 15, No 2, pp. 90–99. 2020
D. P. Anggraeni, C. Renatasari, P. April, R. Pakpahan, S. Fitri, and A. Wati, “Analisis Peningkatan Jumlah Transportasi Kota Surabaya Menggunakan Sistem Dinamik,” KOLONI J. Multidisiplin Ilmu, vol. 3, no. 2, pp. 2828–6863, 2024.
R. Jl and N. Giriwoyo, “Analisis Penyebab Kerusakan Jalan pada Ruas. Ngadirojo-Giriwoyo,” Sukoharjo,” vol. 2, no. 1, pp. 21–25, 2020.
K. R. Pelangie, “Pengaruh Jumlah Kendaraan Terhadap Kerusakan Jalan Aspal Kelas Iiia (Studi Kasus: Jalan Hayam Wuruk, Jakarta),” vol. 13, no. 1, pp. 26–37, 2023.
P. di Indonesia, “Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi,” J. Kecerdasan Buatan, vol. 4, no. 1, pp. 38–44, 2022
M. Hariyanto, M. Kholiq, A. Yani, and Narti, “Inti nusa mandiri,” Inti Nusa Mandiri, vol. 14, no. 2, pp. 133–138, 2020.
I. W. Adi, A. Wiguna, R. R. Huizen, and G. A. Pradipta, “Model Deteksi Objek Menggunakan Yolov5 untuk Pengendalian Pengaturan Lalu Lintas, vol 6, No 1, pp. 840–844, 2024.
M. J. Alam et al., “An Optimized YOLOv5 Based Approach For real-time Vehicle Detection At Road Intersections Using Fisheye Cameras,” 2025
R. Dwiyanto, D. W. Widodo, and P. Kasih, “Implementasi Metode You Only Look Once ( YOLOv5 ) Untuk Klasifikasi Kendaraan Pada CCTV Kabupaten Tulungagung,” Semin. Nas. Inov. Teknol., vol. 1, no. 1, pp. 102–104, 2022.
T. Maulana and E. Harahap, “Deteksi Plat Nomor Kendaraan Menggunakan Algoritma YOLOv5 dengan Metode Convolutional Neural Network, vol 12, No 2, pp. 103–112, 2024.
P. A. Cahyani, M. Mardiana, P. B. Wintoro, and M. A. Muhammad, “Sistem Perhitungan Kendaraan Menggunakan Algortima YOLOv5 dan DeepSORT,” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 1, pp. 86–99, 2024
Zhandy, E. Tungadi, and M. Fajri Raharjo, “Aplikasi Monitoring Pelanggaran Lalu Lintas di Area Jalan TolMenggunakan YOLOv5', vol 5, no 2, pp. 89–93, 2023.
A. Safitri, D. Najimuddin, and Padusung, “Analisis Beban Kendaraan Terhadap Kerusakan Jalan Lintas Plampang-Labangka,” J. SainTekA, vol. 2, no. 1, pp. 1–7, 2021, [Online]. Available: http://e-journallppmunsa.ac.id/index.php/sainteka/article/view/330
C. A. Alvina and M. Triani, “Analisis Pengaruh Infrastruktur Jalan dan Kepadatan Penduduk Terhadap Pendapatan Per Kapita di Pulau Sumatera, vol 1, no 1, pp: 35 - 42, 2022.
E. Mailoa, “Perbandingan Beberapa Algoritma Machine Learning Dalam Analisis Sentimen Terkait Pemilihan Presiden RI 2024”, vol 13, no 2, pp. 1096 - 1105, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.