Identifikasi Pelanggaran Lalu Lintas Kendaraan Mobil terhadap Larangan Putar Balik menggunakan Algoritma You Only Look Once (YOLOv11)

Tiza Farhani Maulia; Dedy Kurniadi; Ghufron Ghufron

doi:10.58192/populer.v5i3.5487

Authors

Tiza Farhani Maulia Univeritas Islam Sultan Agung
Dedy Kurniadi Universitas Islam Sultan Agung
Ghufron Ghufron Universitas Islam Sultan Agung

DOI:

https://doi.org/10.58192/populer.v5i3.5487

Keywords:

ByteTrack, Streamlit, Traffic Violation, U-Turn, YOLOv11

Abstract

The purpose of this study is to identify and analyze traffic violations involving cars that violate U-Turn prohibitions using the You Only Look Once (YOLOv11) algorithm. Illegal U-Turns in restricted areas are a primary cause of traffic congestion and accidents. This study develops an automated, real-time U-Turn violation monitoring system by integrating the YOLOv11n model, ByteTrack tracking algorithm, and Streamlit interface using 2-zone polygon logic. The dataset covers 7 vehicle classes evaluated on 1,072 validation images. Experimental results show that the YOLOv11n model achieves a mean Average Precision (mAP@50) of 66.5%, Precision of 68.4%, and Recall of 64.2%. With an inference speed of 3.2 ms per frame (169 FPS), the 2-zone logic integrated into Streamlit accurately detects illegal maneuvers, updates real-time metrics, and minimizes false alarms without frame lag. The proposed system demonstrates the potential of combining object detection, vehicle tracking, and zone-based logic for automated monitoring of U-Turn violations in restricted areas.

References

Bagus, J. (2023). Klasifikasi rambu lalu lintas Indonesia menggunakan algoritma YOLOv5. Jurnal Teknologi Informasi dan Terapan, 10(1), 15–22.

Budiharto, W. (2021). Deep learning modern dengan Python. Andi Offset.

Harahap, dkk. (2023). Analisis efektivitas rambu lalu lintas terhadap kelancaran arus kendaraan. Jurnal Teknik Sipil dan Lingkungan, 11(2), 85–94. https://doi.org/10.30743/jtsip.v2i1.7660

Hidayat, T., & Pratama, R. (2023). Implementasi deep learning untuk deteksi pelanggaran rambu lalu lintas berbasis computer vision. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(3), 512–520.

Kusuma, W. P., & Setiawan, A. B. (2024). Deteksi objek real-time berbasis YOLO untuk monitoring pelanggaran lalu lintas secara otomatis. Jurnal Riset Informatika dan Komputer, 6(1), 88–96.

Pradana, A., dkk. (2024). Implementasi YOLOv11 untuk pengenalan rambu lalu lintas otomatis. Jurnal Informatika dan Sistem Komputer, 8(2), 101–110.

Pratama, M. R., & Shidiq, M. J. (2024). Analisis performa algoritma You Only Look Once (YOLO) dalam deteksi objek real-time. Jurnal Teknologi Informasi dan Terapan, 11(1), 30–38.

Priadini, A. (2024). Deteksi rambu lalu lintas berbasis YOLOv8 untuk meningkatkan keselamatan berkendara. Jurnal Riset Komputer (JURIKOM), 11(2), 205–212.

Putrada, A. G., & Abdurohman, M. (2022). Pengantar deep learning: Implementasi object detection. Informatika.

Putra, P., & Nurchim, M. (2024). Strategi augmentasi data untuk pelabelan dataset lalu lintas di Indonesia. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(4), 1420–1428.

Ramadhan, H., & Cahyono, B. (2025). Perbandingan arsitektur deep learning pada dataset rambu lalu lintas lokal. Jurnal Tekno Kompak, 19(1), 55–64.

RI, K. P. (2014). Peraturan Menteri Perhubungan Nomor 13 Tahun 2014 tentang rambu lalu lintas. Direktorat Jenderal Perhubungan Darat.

Santoso, B., & Ahmad, F. (2023). Analisis dampak pelanggaran rambu lalu lintas terhadap risiko kecelakaan di jalan raya. Jurnal Transportasi dan Logistik, 10(2), 115–124.

Taufiqurrahman, dkk. (2024). Evaluasi model deteksi objek pada variasi pencahayaan dan kepadatan lalu lintas Indonesia. Jurnal RESTI, 8(1), 77–85.

Wadu, M., dkk. (2024). Pengaruh pergerakan putar balik (U-Turn) terhadap tundaan lalu lintas jalan perkotaan. Jurnal Teknik Sipil dan Lingkungan, 12(1), 33–42.