ANALISIS KOMPARATIF KINERJA YOLOV5, YOLOV8, DAN YOLO11 PADA DETEKSI OBJEK LALU LINTAS MALAM HARI MENGGUNAKAN CLAHE

Abstract

Deteksi objek pada kondisi malam hari menjadi tantangan dalam sistem transportasi cerdas karena rendahnya pencahayaan, kontras citra yang buruk, dan noise yang dapat menurunkan akurasi deteksi objek. Permasalahan tersebut menyebabkan proses ekstraksi fitur pada model deep learning menjadi kurang optimal, terutama pada citra lalu lintas malam hari. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja YOLOv5, YOLOv8, dan YOLO11 dalam mendeteksi objek lalu lintas malam hari menggunakan preprocessing Contrast Limited Adaptive Histogram Equalization (CLAHE). Metode penelitian dilakukan secara eksperimental menggunakan dataset sebanyak 2.000 citra lalu lintas malam hari dengan enam kategori objek. Eksperimen dilakukan pada dua skenario, yaitu tanpa preprocessing dan dengan preprocessing CLAHE. Evaluasi performa menggunakan precision, recall, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa penerapan CLAHE meningkatkan performa seluruh model. YOLOv5 mengalami peningkatan mAP dari 0,509 menjadi 0,600, sedangkan YOLOv8 meningkat dari 0,491 menjadi 0,497 dan YOLO11 dari 0,475 menjadi 0,494. Hasil tersebut menunjukkan bahwa CLAHE efektif meningkatkan kualitas citra dan membantu meningkatkan performa deteksi objek pada kondisi pencahayaan rendah