Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Rambu Lalu Lintas Menggunakan YOLO Berbasis Deep Learning
Deteksi Rambu Lalu Lintas Menggunakan YOLO Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 5 Dilihat
5.0 (0 ulasan)

Deteksi Rambu Lalu Lintas Menggunakan YOLO Berbasis Deep Learning

Teknologi: Python Ultralytics Flask PyTorch OpenCV JavaScript Tailwind CSS Pandas NumPy Pillow Jupyter Notebook Matplotlib HTML5 Computer Vision Deep Learning Object Detection YOLOv8 Roboflow CUDA Non-Maximum Suppression (NMS) Intersection over Union (IoU) mAP@50
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Rambu Lalu Lintas Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Rambu Lalu Lintas Menggunakan YOLO Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Keselamatan lalu lintas jalan raya merupakan salah satu tantangan transportasi terbesar di dunia. Data Korlantas Polri dan Badan Kesehatan Dunia (WHO) mencatat bahwa lebih dari 80% insiden kecelakaan lalu lintas disebabkan oleh kelalaian manusia (human error), khususnya kegagalan pengemudi dalam mengenali, mematuhi, atau merespons rambu lalu lintas secara tepat waktu. Fenomena ini dipicu oleh berbagai kendala realistis di jalan raya:

  1. Faktor Kelelahan dan Hilangnya Fokus (Driver Fatigue & Distraction): Pengemudi yang berkendara dalam durasi panjang atau terdistraksi oleh gawai sering kali melewatkan rambu larangan krusial (seperti dilarang masuk, dilarang berhenti, atau lampu merah).
  2. Keterbatasan Visibilitas Lingkungan (Adverse Environmental Conditions): Rambu lalu lintas kerap terhalang oleh dedaunan pohon, pencahayaan redup di malam hari, silau lampu sorot, atau kabut dan hujan lebat, sehingga terlambat diidentifikasi dengan mata telanjang.
  3. Titik Buta Kendaraan (Blind Spot Vulnerability): Pada jalanan padat perkotaan atau persimpangan rel kereta api sebidang, rambu peringatan bahaya sering tertutup oleh kendaraan besar (seperti truk kontainer atau bus kota).
  4. Kebutuhan Mendesak Sistem ADAS & Otonom: Industri otomotif dan manajemen transportasi pintar (Intelligent Transportation Systems / ITS) membutuhkan modul deteksi objek visual berlatensi sangat rendah (real-time inference) yang mampu mengenali rambu dari jarak aman sebelum kendaraan melintas.
Solusi & Nilai Tambah Sistem

Produk ini menghadirkan sistem visi komputer terpadu (TRAFFIQ AI: Road Signs Detection & Recognition System) yang memanfaatkan keunggulan arsitektur single-stage detector generasi mutakhir YOLOv8 Nano untuk mengenali rambu lalu lintas secara otomatis:

  1. Deteksi Real-Time Berkecepatan Tinggi: Menggunakan arsitektur anchor-free decoupled head yang mampu memproses frame citra dalam waktu 15 hingga 35 milidetik pada GPU modern dan tetap responsif pada CPU biasa, sangat ideal untuk implementasi pada perangkat komputasi tepi (edge devices) seperti Raspberry Pi 5 atau NVIDIA Jetson.
  2. Cakupan 21 Kelas Rambu Komprehensif: Mengklasifikasikan 21 jenis rambu lalu lintas esensial yang dipetakan secara akurat ke dalam 5 kategori standar regulasi transportasi Indonesia:
    • Rambu Larangan: Dilarang Masuk, Dilarang Berhenti (S-Coret), Dilarang Parkir (P-Coret), Dilarang Belok Kiri, Dilarang Belok Kanan, Dilarang Putar Balik, dan Rambu STOP.
    • Rambu Peringatan: Perlintasan Kereta Api, Peringatan Lampu Lalu Lintas, Persimpangan T Kiri, Penyeberangan Pejalan Kaki, dan Peringatan Bahaya Umum.
    • Rambu Perintah: Wajib Masuk Jalur Kiri, Pilihan Jalur Kiri/Kanan.
    • Rambu Petunjuk: Halte Bus, Area Parkir Resmi, Zebra Cross, dan Lokasi Putar Balik Resmi.
    • Alat Pemberi Isyarat Lalu Lintas (APILL): Lampu Merah, Lampu Kuning, dan Lampu Hijau.
  3. Akurasi Deteksi Teruji (mAP@50 95.80%): Model dilatih selama 50 epoch menggunakan resolusi input 640x640 piksel, mencapai nilai Precision 92.51%, Recall 94.19%, dan mAP@50-95 sebesar 80.49%, membuktikan ketangguhan algoritma dalam mendeteksi objek rambu berukuran kecil maupun yang mengalami distorsi sudut pandang.
  4. Antarmuka Web Modern Flask-Tailwind CSS: Dashboard visual interaktif bernuansa merah-putih khas keselamatan lalu lintas, dilengkapi fungsionalitas drag-and-drop unggah gambar, slider dinamis untuk mengatur Confidence Threshold dan IoU Threshold, visualisasi bounding box berlabel warna kategori, serta 6 preset gambar pengujian instan.
  5. Kamus Edukatif Rambu Lalu Lintas: Modal ensiklopedia interaktif yang memuat nama resmi bahasa Indonesia, kategori rambu, warna indikator standar, serta penjelasan makna fungsional masing-masing dari 21 rambu jalan.
  6. Layanan RESTful API JSON Siap Pakai: Endpoint /api/predict yang menerima unggahan file gambar, ID sampel, maupun payload teks Base64, mengembalikan koordinat piksel kotak pembatas (bounding box $[x_{\min}, y_{\min}, x_{\max}, y_{\max}]$), skor kepercayaan, latensi komputasi, dan citra teranotasi.
  7. Rangkaian Automated Testing (Unittest): Berkas pengujian otomatis (tests/test_app.py) berisi 6 skenario uji yang memastikan seluruh endpoint web, modul AI, dan penanganan eror input bekerja sempurna tanpa cacat.
Fitur Utama Platform
  • Deteksi Cepat 1-Klik: Unggah foto jalan raya atau pilih preset sampel, dan sistem akan langsung melokalisasi seluruh rambu yang tampak beserta kotak pembatas (bounding box) berwarna dinamis.
  • Pengaturan Ambang Batas Sensitivitas Interaktif: Pengguna dapat menggeser slider Confidence Threshold (0.10 s/d 0.90) dan IoU Threshold (0.10 s/d 0.90) untuk menyaring deteksi yang terlalu sensitif atau mengevaluasi kinerja model pada kondisi sulit.
  • Preset Studi Kasus Jalan Raya Bawaan: Tersedia 6 sampel foto pengujian siap uji tanpa perlu repot mencari gambar (Perlintasan Rel KA, Lampu Merah & STOP, Larangan Putar Balik, Zebra Cross Pejalan Kaki, Larangan Parkir, dan Pilihan Jalur).
  • Indikator Diagnostik Inferensi: Menampilkan waktu komputasi inferensi dalam satuan milidetik (ms), resolusi asli citra, jumlah rambu terdeteksi, dan persentase skor kepercayaan presisi.
  • Daftar Rambu Terdeteksi Terstruktur: Menampilkan kartu ringkasan setiap objek yang ditemukan lengkap dengan kategori rambu, nama Indonesia, deskripsi fungsi, koordinat bounding box, dan lencana warna kategori.
  • RESTful JSON API Terintegrasi: Endpoint HTTP POST /api/predict, GET /api/classes, GET /api/samples, dan GET /api/metrics yang siap dihubungkan ke dashboard armada armada truk, aplikasi navigasi Android/iOS, atau mikrokontroler IoT.
  • Notebook Riset Terstruktur (Jupyter Notebook): Berkas riset eksperimen 50 epoch lengkap dengan grafik kurva metrik latihan, matriks konfusi, dan evaluasi multi-split (train, validation, test).

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATASET & ANNOTATION

Audit & Kurasi Dataset 2.093 Citra Rambu Roboflow 100

Penyerapan dataset standar Roboflow 100 Road Signs v2 berisi 2.093 citra (Train 1.376, Valid 488, Test 229) dengan anotasi bounding box ternormalisasi untuk 21 kelas rambu lalu lintas.

roboflow-100/road-signs-6ih4y | 21 Kelas | 2.093 Citra Anotasi | data.yaml
2 DATA AUGMENTATION

Pra-Pemrosesan Citra & Augmentasi Spasial-Fotometrik

Penerapan augmentasi dinamis YOLOv8 mencakup Mosaic 4-image stitching, random scaling, HSV color space jitter, dan letterboxing input 640x640 piksel untuk meningkatkan ketahanan deteksi rambu jarak jauh.

Mosaic Augmentation | HSV Jitter | Letterbox 640x640 | Zero Distortion
3 DEEP LEARNING TRAINING

Pelatihan 50 Epoch Arsitektur YOLOv8 Anchor-Free Head

Pelatihan model YOLOv8n menggunakan CSPDarknet backbone dan decoupled head pada GPU Kaggle, mengoptimasi kombinasi CIoU loss, Distribution Focal Loss (DFL), dan Binary Cross-Entropy class loss.

YOLOv8 Nano | 50 Epochs | CIoU + DFL Loss | lr0=0.01 | Task-Aligned Assigner
4 METRIC VALIDATION

Validasi Komprehensif Precision, Recall & Kurva mAP@50

Evaluasi independen pada data validasi membuktikan performa prima: Precision 92.51%, Recall 94.19%, mAP@50 95.80%, dan mAP@50-95 80.49% dengan matriks konfusi terstandarisasi.

Precision: 92.51% | Recall: 94.19% | mAP@50: 95.80% | mAP@50-95: 80.49%
5 INFERENCE & NMS ENGINE

Pipeline Inferensi Cepat & Non-Maximum Suppression (NMS)

Ekstraksi kotak pembatas, eliminasi duplikasi deteksi via algoritma Non-Maximum Suppression (NMS) berbasis ambang batas IoU, dan pemetaan ke 21 kamus metadata rambu Indonesia.

NMS Post-Processing | IoU Thresh: 0.45 | Conf Thresh: 0.25 | Latensi: 15-35 ms
6 WEB DASHBOARD & REST API

Penerapan Web Interaktif Flask-Tailwind & RESTful API

Integrasi bobot model terlatih best.pt ke aplikasi web modern Flask dengan preview gambar teranotasi, kamus interaktif 21 rambu, dan endpoint RESTful JSON API `/api/predict`.

Flask Server | Tailwind CSS | Base64 Encoding | JSON REST API | Unittest Passed
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

90 Berkas Proyek 4 Folder Utama
best.pt 5.22 MB
AI Model Pratinjau
last.pt 5.22 MB
AI Model Pratinjau
args.yaml 1.7 KB
BoxF1_curve.png 429.73 KB
BoxP_curve.png 300.45 KB
BoxPR_curve.png 238.67 KB
BoxR_curve.png 383.26 KB
confusion_matrix.png 372.08 KB
confusion_matrix_normalized.png 414.98 KB
labels.jpg 208.77 KB
results.csv 6.12 KB
Dataset Pratinjau
results.png 261.4 KB
train_batch0.jpg 473.38 KB
train_batch1.jpg 474.12 KB
train_batch2.jpg 410.03 KB
train_batch3440.jpg 423.27 KB
train_batch3441.jpg 435.45 KB
train_batch3442.jpg 465.53 KB
val_batch0_labels.jpg 553.69 KB
val_batch0_pred.jpg 561.47 KB
val_batch1_labels.jpg 440.57 KB
val_batch1_pred.jpg 438.77 KB
val_batch2_labels.jpg 494.2 KB
val_batch2_pred.jpg 501.99 KB
BoxF1_curve.png 429.07 KB
BoxP_curve.png 301.19 KB
BoxPR_curve.png 238.82 KB
BoxR_curve.png 384.72 KB
confusion_matrix.png 370.96 KB
confusion_matrix_normalized.png 415.02 KB
val_batch0_labels.jpg 553.69 KB
val_batch0_pred.jpg 561.57 KB
val_batch1_labels.jpg 783.31 KB
val_batch1_pred.jpg 786.82 KB
val_batch2_labels.jpg 440.57 KB
val_batch2_pred.jpg 438.69 KB
BoxF1_curve.png 225.3 KB
BoxP_curve.png 129.4 KB
BoxPR_curve.png 76.86 KB
BoxR_curve.png 207.96 KB
confusion_matrix.png 382.11 KB
confusion_matrix_normalized.png 387.78 KB
val_batch0_labels.jpg 476.34 KB
val_batch0_pred.jpg 489.18 KB
val_batch1_labels.jpg 461.49 KB
val_batch1_pred.jpg 475.37 KB
val_batch2_labels.jpg 500.56 KB
val_batch2_pred.jpg 512 KB
BoxF1_curve.png 429.07 KB
BoxP_curve.png 301.19 KB
BoxPR_curve.png 238.82 KB
BoxR_curve.png 384.72 KB
confusion_matrix.png 370.96 KB
confusion_matrix_normalized.png 415.02 KB
val_batch0_labels.jpg 553.69 KB
val_batch0_pred.jpg 561.57 KB
val_batch1_labels.jpg 783.31 KB
val_batch1_pred.jpg 786.82 KB
val_batch2_labels.jpg 440.57 KB
val_batch2_pred.jpg 438.69 KB
BoxF1_curve.png 196.05 KB
BoxP_curve.png 162 KB
BoxPR_curve.png 125.94 KB
BoxR_curve.png 173.94 KB
confusion_matrix.png 342.03 KB
confusion_matrix_normalized.png 372.07 KB
val_batch0_labels.jpg 527.37 KB
val_batch0_pred.jpg 535.43 KB
val_batch1_labels.jpg 577.86 KB
val_batch1_pred.jpg 581 KB
val_batch2_labels.jpg 540.62 KB
val_batch2_pred.jpg 549.68 KB
confusion_matrix.png 372.08 KB
hero-detection.jpg 119.38 KB
results.png 261.4 KB
sample_do_not_u_turn.jpg 23.95 KB
sample_lane_choice.jpg 46.04 KB
sample_no_parking.jpg 50.93 KB
sample_parking.jpg 31.15 KB
sample_railway.jpg 36.4 KB
sample_stop.jpg 33.86 KB
sample_traffic_light.jpg 57.37 KB
sample_zebra_cross.jpg 59.36 KB
index.html 73.74 KB
__init__.py 21 B
test_app.py 3.2 KB
app.py 14.05 KB
link full project.txt 85 B
requirements.txt 165 B
road-signs-detection.ipynb 101.67 KB
Notebook Pratinjau

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran komputasi PyTorch & Flask)

Optimal untuk running service

Penyimpanan
1.5 GB ruang disk kosong untuk dataset gambar, bobot model best.pt, berkas cache, dan aplikasi web

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 5 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Ultralytics, Flask, PyTorch
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.