SSD-MobileNet v2 dan SSD-EfficientDet dengan Partisi Ukuran Dataset untuk Meningkatkan Akurasi Deteksi Kendaraan Parkir Ilegal Berbasis Video CCTV Khansa Farras Callista, Bambang Heru Iswanto, Haris Suhendar
Program Studi Fisika, FMIPA Universitas Negeri Jakarta, Jl. Rawamangun Muka No. 01, Rawamangun 13220, Indonesia.
Abstract
Parkir liar di pinggir jalan menjadi salah satu sumber kemacetan dan gangguan ketertiban lalu lintas. Pengawasan secara manual melalui CCTV tidak efisien. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem otomatis untuk mendeteksi kendaraan parkir liar dengan membandingkan performa dua model deteksi objek berbasis Single Shot Multibox Detector (SSD), yaitu MobileNet v2 dan EfficientDet-D0, serta mengkaji pengaruh strategi pemisahan dataset berdasarkan ukuran objek terhadap akurasi deteksi.
Metode yang digunakan mencakup pengumpulan dan anotasi data dari video CCTV publik, diikuti proses pelatihan dua model SSD pada dua subset data yang dibagi berdasarkan luas area bounding box kendaraan: objek kecil dan objek besar. EfficientDet-D0 dilatih untuk mendeteksi objek kecil, sementara MobileNet v2 difokuskan pada objek besar. Evaluasi dilakukan dengan metrik mean Average Precision (mAP) pada berbagai tingkat Intersection over Union (IoU), serta pengukuran kecepatan inferensi (FPS) untuk menilai kelayakan implementasi waktu nyata.
Hasil penelitian menunjukkan bahwa MobileNet v2 memberikan performa terbaik pada subset objek besar, dengan tingkat ketepatan rata-rata sebesar 94,9% dan skor sempurna 100% pada tingkat tumpang tindih IoU 0.50 dan 0.75. Model ini juga menunjukkan kecepatan inferensi tinggi yaitu 25 FPS, menjadikannya cocok untuk sistem real-time. Di sisi lain, EfficientDet-D0 pada subset objek kecil mencatat rata-rata ketepatan sebesar 58,6%, menandakan keterbatasan dalam mendeteksi objek kecil secara akurat. Sebagai perbandingan, ketika seluruh dataset dilatih hanya menggunakan MobileNet v2 tanpa pemisahan, performa menurun menjadi mAP 73,7% pada IoU 0.50. Hal ini menegaskan bahwa strategi pemisahan dataset berdasarkan ukuran objek dan pelatihan model yang disesuaikan dapat meningkatkan akurasi deteksi secara signifikan, khususnya pada kondisi visual ekstrem.
Temuan ini menunjukkan bahwa dengan memanfaatkan MobileNet v2 untuk objek besar dan EfficientDet-D0 untuk objek kecil, dapat membuka peluang pengembangan sistem pemantauan lalu lintas yang lebih cerdas dan efisien, yang mampu beroperasi secara otomatis, sehingga dapat membantu mengurangi pelanggaran parkir dan meningkatkan kelancaran arus lalu lintas.
