.png)
Balikpapan, 12 September 2025 – Tim peneliti dari Institut Teknologi Kalimantan (ITK) melaksanakan pengambilan data lalu lintas di gerbang depan kampus, tepat di pos satpam utama, pada sore hari sekitar pukul 17.00 WITA. Waktu ini dipilih karena merupakan jam padat kendaraan, saat mahasiswa selesai mengikuti perkuliahan dan mulai meninggalkan area kampus.
Dalam kegiatan ini, tim menggunakan kamera pengawas dan sistem deteksi kendaraan berbasis deep learning dengan algoritma terbaru YOLOv11. Penelitian ini bertujuan untuk menguji kemampuan model dalam mendeteksi kendaraan bermotor, baik mobil maupun sepeda motor, yang keluar dan masuk kampus secara real-time. “Pemilihan lokasi di gerbang depan pos satpam sangat strategis karena di titik inilah lalu lintas kendaraan kampus terpantau paling padat,” jelas salah satu peneliti. “Dengan kondisi riil seperti ini, performa sistem dapat diuji secara lebih akurat.”
Data yang terkumpul nantinya akan digunakan untuk membandingkan performa tiga varian model YOLOv11—yakni YOLOv11n, YOLOv11s, dan YOLOv11m—baik dengan maupun tanpa bantuan GPU. Hasil awal menunjukkan bahwa sistem mampu mendeteksi mobil dengan cukup baik, meskipun masih ditemukan kendala dalam mendeteksi sepeda motor, khususnya pada jalur masuk.
Penelitian ini diharapkan dapat menjadi landasan pengembangan sistem pemantauan lalu lintas kampus berbasis kecerdasan buatan, yang tidak hanya membantu pendataan kendaraan keluar-masuk, tetapi juga mendukung upaya pengelolaan parkir, keamanan, serta efisiensi lalu lintas di lingkungan ITK.
Dengan berkembangnya teknologi computer vision dan AI, sistem serupa di masa depan berpotensi diterapkan secara lebih luas, termasuk pada jalan raya perkotaan, kawasan industri, maupun sistem transportasi publik.
Tim Peneliti:
1. Ayu Lia Pratama, S.Si.,
2. Dr. Swastya Rahastama, M.Si.,
3. Aji Muhammad Ananta Jundi
4. Satrio Putra Hamdani
5. Muhammad Nuur Syabandi
1. Menghasilkan studi kasus nyata di lingkungan kampus yang dapat dijadikan dasar pengembangan sistem cerdas berbasis visi komputer di berbagai konteks lain, seperti transportasi perkotaan, parkir otomatis, dan pengelolaan lalu lintas.
2. Mendorong penerapan teknologi cerdas (smart technology) untuk mendukung pengelolaan transportasi berkelanjutan dan smart campus, yang sejalan dengan tren global menuju transformasi digital di bidang pendidikan tinggi.
3. Menyediakan analisis perbandingan performa model YOLOv11n, YOLOv11s, dan YOLOv11m, baik dengan maupun tanpa GPU accelerator, sehingga dapat menjadi rujukan untuk penelitian lanjutan terkait efisiensi dan akurasi model.