OPTIMASI ALGORITMA YOU ONLY LOOK ONCE VERSI 11 UNTUK DETEKSI DAN KLASIFIKASI RAMBU LALU LINTAS PADA MALAM HARI

Latar belakang. Deteksi dan klasifikasi rambu lalu lintas merupakan salah satu komponen dalam sistem Advanced Driver Assistance Systems (ADAS). Namun, pada kondisi malam hari, performa sistem deteksi dan klasifikasi menurun akibat pencahayaan rendah, meningkatnya noise, motion blur, serta ukuran objek rambu lalu lintas yang relatif kecil. Model deteksi objek berbasis deep learning seperti masih terbatas dalam menangani deformasi spasial dan distorsi visual pada kondisi non ideal. Tujuan. Penelitian ini bertujuan untuk mengoptimalkan performa YOLOv11 dalam mendeteksi dan mengklasifikasikan rambu lalu lintas pada malam hari melalui integrasi Deformable Convolutional Network (DCN). Metode. DCN diintegrasikan pada bagian backbone YOLOv11, khususnya pada blok C3k2, untuk meningkatkan fleksibilitas sampling spasial terhadap perubahan bentuk dan posisi objek. Dataset yang digunakan merupakan data primer berupa citra malam hari yang diperoleh dari kamera dashcam DDPAI Mola N3 di beberapa wilayah Provinsi Sulawesi Selatan dengan 10 kelas rambu lalu lintas. Dataset dibagi menjadi training, validation, dan testing set, serta dilakukan penyeimbangan kelas pada data pelatihan menggunakan teknik downsampling dan upsampling. Hasil. Hasil pengujian menunjukkan bahwa integrasi DCN pada YOLOv11 meningkatkan performa deteksi dan klasifikasi rambu lalu lintas pada malam hari yang ditunjukkan oleh peningkatan nilai precision, recall, mAP@50, dan mAP@50-95. Peningkatan performa tersebut dicapai dengan tambahan kompleksitas komputasi yang masih dalam batas dapat diterima. Kesimpulan. Integrasi DCN pada YOLOv11 terbukti efektif dalam meningkatkan keandalan sistem deteksi dan klasifikasi rambu lalu lintas pada kondisi malam hari dan berpotensi mendukung pengembangan sistem ADAS yang lebih akurat dan adaptif.