Tri Arif Wiharso, M.Pd Dosen Pembimbing 1 Helfy Susilawati, S.Pd., M.T Dosen Pembimbing 1 Muhamad Dendy Fauzan Dosen Pembimbing 1

Masalah penelitian yaitu Bagaimana cara klasifikasi objek Train, Tree, Building, Railroad dan Power Pole menggunakan Deep Learning YOLO, Bagaimana mengukur hasil akurasi dan kinerja dari pendeteksian objek yang menggunakan kamera dengan metode Deep Learning YOLO. Tujuan Melakukan klasifikasi dengan memberikan kotak pembatas (bounding box) pada objek terutama diperlintasan kereta api dengan 5 objek yaitu: Train, Tree, Building, Railroad dan Power Pole menggunakan metode Deep learning YOLO.Untuk menganalisis kinerja dari pendeteksian yang didapat dari metode Deep Learning YOLO. Studi Literatur Dengan mengumpulkan informasi seperti kajian teori, pengumpulan data dari beberapa sumber berupa jurnal, buku, atau artikel terkait penelitian skripsi. Metode Pengumpulan Data Melakukan pengambilan dataset sebanyak 1.090 gambar yang diambil dengan kamera Handphone. Perancangan Sistem Selanjutnya perancangan sistem berdasarkan flowchart yang menggambarkan rencana kebutuhan data dan konsep yang diterapkan untuk hasil objek terdeteksi dilingkungan terbatas. Analisis Kerja Tahap analisis kinerja akan melakukan perhitungan pendeteksian mengenai hasil gambar yang sempurna, tidak sempurna dan gagal. Pada hasil pengujian yang dilakukan menggunakan model YOLOv8l dengan dataset yang digunakan yaitu: 872 frame data train (436 frame dari setiap lokasi) dan 218 frame dara validation (109 dari setiap lokasi) digunakan untuk mengetahui tingkat kecepatan dan akurasi pada deteksi objek kereta api diperlintasan. Hasil evaluasi data train menggunakan 100 epoch pada menunjukan nilai keseluruhan klasifiksi objek yaitu: Instance 3034, Precision 0.81, Recall 0.849 dan mean Average Precision50 adalah 0.87. Hasil model yang diperoleh cukup baik dengan nilai mAP yang dihitung dari batas ambang IoU 50 sebesar 0,87 dan presisi yang menunjukan keakuratan objek yang terdeteksi sebesar 0.81. Studi ini menegaskan bahwa algoritma YOLO cocok untuk deteksi kecepatan kendaraan secara real-time, berkontribusi pada pengembangan sistem transportasi pintar. Disarankan untuk meningkatkan ukuran sampel demi validasi dan perbandingan hasil yang lebih baik, serta menganjurkan penelitian lebih lanjut di area ini. Penelitian ini penting untuk meningkatkan keselamatan dan efisiensi transportasi, membantu perencanaan kota dan strategi transportasi umum.