METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
INTEGRASI ALGORITMA YOLOV8 DAN STREAMLIT UNTUK VISUALISASI
REAL-TIME DAN AKURAT DALAM PENGHITUNGAN KERUMUNAN
DI KAWASAN STASIUN BEKASI
Prihandoko, 2Sri Agustina Rumapea*, 1Abdul Hanif Pratama Departemen of Informatics.
Gunadarma University.
Depok.
Indonesia Faculty of Computer Science.
Universitas Methodist Indonesia.
Medan.
Indonesia Email: srirumapea78@gmail.
DOI: https://doi.
org/10.
46880/jmika.
Vol9No1.
ABSTRACT
Crowd management in public transportation areas has become a critical challenge with the rise of urban This study develops a real-time web-based people detection and counting system by integrating the YOLOv8 algorithm with the Streamlit framework.
A case study was conducted at the entrance of Bekasi Station.
The model was developed using the AI Project Life Cycle approach, and the system was built following the Waterfall methodology.
Data were obtained from video recordings, which were extracted into images, annotated, and processed into training and testing datasets.
The YOLOv8 model was trained for 50 epochs, yielding strong performance with an mAP@0.
5 of 91.
7%, a maximum precision of 93.
6%, and an F1-score of 87%.
Tests on 15 images showed an average accuracy of 80.
37% and an error rate of 19.
The model's performance declined on out-of-dataset images due to variations in lighting and extreme crowd density.
The system was tested using black-box testing and demonstrated that all main featuresAiimage upload, object detection, visualization, and result downloadAifunctioned correctly.
The system has been successfully deployed on Streamlit Cloud.
These results indicate that the system offers a practical, lightweight, and responsive solution to support crowd monitoring in public areas.
In future development phases, the system can be extended to support real-time video stream processing and integrated with an object tracking and classification module to accurately identify and differentiate the ingress and egress flow of individuals within a defined surveillance area.
Keyword: Crowd Counting.
Object Detection.
Public Transportation.
Streamlit.
YOLOv8.
ABSTRAK
Manajemen kerumunan di area transportasi publik menjadi tantangan penting seiring meningkatnya populasi Penelitian ini mengembangkan sistem deteksi dan penghitungan jumlah orang secara real-time berbasis web, dengan mengintegrasikan algoritma YOLOv8 dan framework Streamlit.
Studi kasus dilakukan di pintu masuk Stasiun Bekasi.
Model dikembangkan menggunakan pendekatan AI Project Life Cycle dan sistem dibangun dengan metode Waterfall.
Data diperoleh dari rekaman video yang diekstrak menjadi gambar, kemudian dianotasi dan diproses menjadi dataset pelatihan dan pengujian.
Model YOLOv8 dilatih selama 50 epoch, menghasilkan performa yang baik dengan mAP@0.
5 sebesar 91,7%, precision maksimum 93,6%, dan F1-score 87%.
Uji coba terhadap 15 gambar menunjukkan akurasi rata-rata 80,37% dan error 19,63%.
Performa model menurun pada gambar luar-dataset akibat variasi pencahayaan dan kepadatan ekstrem.
Sistem diuji melalui black-box testing dan menunjukkan bahwa semua fitur utamaAiunggah gambar, deteksi objek, visualisasi, dan unduhan hasilAi berfungsi dengan baik.
Sistem telah berhasil dideploy di Streamlit Cloud.
Hasil ini menunjukkan bahwa sistem mampu memberikan solusi praktis, ringan, dan responsif untuk mendukung pengawasan kerumunan di area Pada tahap selanjutnya, sistem dapat ditingkatkan untuk mendukung pemrosesan input berupa stream video secara langsung serta diintegrasikan dengan modul klasifikasi guna mengidentifikasi dan membedakan arus pergerakan individu yang masuk dan keluar dari suatu area pengamatan.
Kata Kunci: Crowd Counting.
Deteksi Objek.
Streamlit.
Transportasi Publik.
YOLOv8.
PENDAHULUAN
Dalam beberapa dekade terakhir, lonjakan populasi urban dan percepatan urbanisasi telah membawa tantangan besar dalam pengelolaan kerumunan, terutama di fasilitas umum seperti stasiun kereta api (Hassan et al.
, 2023.
Khan et al.
, 2.
Kemampuan untuk memantau dan memperkirakan jumlah orang secara akurat di area-area padat menjadi Halaman 179 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
sangat penting, baik untuk menjaga keselamatan, meningkatkan kenyamanan pengguna, maupun mendukung efisiensi operasional (Lee & Marinov.
Zhang et al.
, 2.
Teknologi computer vision telah berkembang pesat, dengan algoritma deteksi objek seperti YOLO (You Only Look Onc.
yang memungkinkan sistem untuk melakukan pendeteksian objek secara cepat dan akurat dalam waktu nyata (Darmadi & Doni, 2024.
Sohan et al.
, 2.
Versi terbarunya.
YOLOv8, menawarkan peningkatan signifikan dalam hal akurasi deteksi, kecepatan inferensi, dan efisiensi penggunaan sumber daya komputasi (Gyndyz & Ik, 2023.
Shyaa & Hashim, 2.
Bersamaan dengan itu, kemunculan framework seperti Streamlit membuat proses pembuatan aplikasi berbasis machine learning menjadi lebih cepat, ringan, dan dapat diakses dengan mudah melalui web (Mhadhbi, 2.
Namun demikian, sebagian besar studi sebelumnya masih berfokus pada skenario umum dan belum sepenuhnya mengadaptasi teknologi ini untuk kebutuhan spesifik area transportasi publik, yang diwarnai dengan tantangan seperti keragaman tingkat pencahayaan, kepadatan dinamis, dan kebutuhan realtime monitoring (Kusuma et al.
, 2021.
Zhu et al.
, 2.
Pada area seperti Stasiun Bekasi, yang melayani ribuan penumpang setiap harinya, diperlukan pendekatan yang lebih terfokus dan adaptif.
Penelitian ini bertujuan mengembangkan sistem crowd counting berbasis web yang mampu mendeteksi dan memprediksi jumlah orang secara real-time di area Stasiun Bekasi.
Sistem mengintegrasikan model YOLOv8 dengan framework Streamlit, diharapkan dapat mendukung pengelolaan kerumunan yang lebih efektif dan meningkatkan keselamatan serta kenyamanan pengguna transportasi Metode AI Project Life Cycle digunakan untuk membangun model deteksi, sedangkan pengembangan sistem mengikuti pendekatan Waterfall agar pengembangan berjalan sistematis dan terstruktur.
KAJIAN LITERATUR
Crowd Counting dan Tantangan Manajemennya Crowd counting, atau penghitungan jumlah orang dalam sebuah area, menjadi salah satu kebutuhan mendesak di era urbanisasi pesat.
Pengelolaan kerumunan secara efektif dibutuhkan untuk meningkatkan keselamatan publik, mengoptimalkan operasional, serta memitigasi risiko pada area dengan mobilitas tinggi seperti stasiun kereta (Hassan et al.
Khan et al.
, 2.
Studi dari Lee & Marinov .
menunjukkan bahwa lonjakan volume ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
penumpang yang tidak terkelola dapat meningkatkan risiko kecelakaan dan memperburuk pengalaman pengguna transportasi.
Berbagai pendekatan telah dikembangkan untuk mengatasi masalah ini, mulai dari metode manual hingga solusi berbasis teknologi, seperti sensor thermal, kamera CCTV, hingga penerapan algoritma berbasis kecerdasan buatan.
Teknologi Computer Vision dalam Crowd Counting Computer vision menjadi pendekatan dominan dalam penghitungan kerumunan dalam beberapa tahun Teknologi ini memungkinkan sistem untuk secara otomatis mendeteksi, mengenali, dan menghitung objek manusia dari citra maupun video.
Salah satu teknik yang paling banyak digunakan adalah deteksi objek berbasis Convolutional Neural Networks (CNN), di mana model dilatih untuk mengenali fiturfitur visual spesifik dari manusia (Zhang et al.
, 2.
Metode deteksi objek berbasis CNN terbukti pendekatan tradisional.
Namun, tantangan tetap ada, terutama dalam menghadapi perubahan pencahayaan, tumpang tindih antarindividu, dan kepadatan tinggi yang sering terjadi di area public (Zhu et al.
, 2.
Algoritma YOLO dan Perkembangannya YOLO (You Only Look Onc.
adalah algoritma deteksi objek berbasis CNN yang dirancang untuk memproses gambar secara end-to-end dalam satu tahap prediksi, sehingga menghasilkan kecepatan dan efisiensi yang tinggi (Redmon et al.
, 2.
Sejak YOLO dikembangkan dengan berbagai versi perbaikan.
YOLOv8, sebagai versi terbaru yang dikembangkan oleh Ultralytics, membawa beberapa inovasi signifikan, antara lain deteksi anchor-free, arsitektur model yang lebih ringan, serta peningkatan dalam akurasi dan kecepatan inferensi (Shyaa & Hashim, 2024.
Sohan et al.
, 2.
Penelitian oleh Gyndyz & Ik .
membuktikan bahwa YOLOv8 memiliki performa lebih baik dibandingkan YOLOv5 dalam skenario real-time crowd detection.
Studi lain oleh Shyaa & Hashim .
juga menegaskan bahwa YOLOv8 efektif dalam menangani tantangan deteksi objek pada situasi keramaian padat, berkat mekanisme feature extraction yang lebih adaptif terhadap berbagai kondisi lingkungan.
Framework Streamlit untuk Implementasi WebBased System Halaman 180 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Dalam implementasi sistem crowd counting berbasis web, framework Streamlit menjadi pilihan yang populer karena kemudahannya dalam membangun aplikasi machine learning secara cepat, ringan, dan interaktif (Mhadhbi, 2.
Dengan menggunakan Python sebagai bahasa utama.
Streamlit mendukung integrasi berbagai model machine learning tanpa memerlukan keahlian front-end development yang kompleks.
Dalam konteks crowd counting, penggunaan Streamlit memungkinkan visualisasi hasil deteksi secara real-time di web browser, mempercepat proses deployment, dan memperluas aksesibilitas sistem untuk pengguna di lapangan.
Kesenjangan Penelitian Terdahulu Beberapa memanfaatkan algoritma YOLO untuk crowd counting, penerapannya pada lingkungan nyata seperti stasiun kereta api.
Kusuma et al.
menggunakan YOLOv4 untuk menghitung jumlah orang di transportasi publik dengan akurasi 69%, namun tidak mendukung visualisasi berbasis web dan tidak mempertimbangkan dinamika kepadatan tinggi.
Penelitian lain oleh Zhu et al.
menggunakan kombinasi YOLO dan Deep SORT untuk pelacakan kerumunan, tetapi fokusnya lebih pada pelacakan individu dan belum spesifik terhadap kebutuhan transportasi publik.
Oleh karena itu, penelitian ini mengembangkan sistem crowd counting berbasis YOLOv8 yang diintegrasikan ke dalam platform web menggunakan Streamlit, dengan fokus utama pada skenario nyata di area pintu masuk Stasiun Bekasi.
METODE PENELITIAN
Penelitian ini memadukan dua pendekatan metodologis utama: AI Project Life Cycle untuk pengembangan model kecerdasan buatan dan metode Waterfall untuk pengembangan sistem berbasis web.
Pendekatan ini dipilih untuk memastikan keterpaduan antara model deteksi yang akurat dan sistem yang praktis serta aplikatif.
Pada tahap problem scoping, masalah utama yang diidentifikasi adalah kesulitan mendeteksi dan menghitung jumlah orang secara akurat di area padat seperti Stasiun Bekasi, khususnya pada jam sibuk.
Tujuan penelitian ditetapkan untuk mengembangkan sistem otomatis berbasis gambar yang mampu mendeteksi jumlah orang secara real-time guna ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
mendukung manajemen kerumunan dan peningkatan Tahap menggunakan kamera smartphone, yang kemudian diekstrak menjadi dataset gambar.
Data di anotasi menggunakan platform Roboflow dan dibagi menjadi tiga subset: data latih, validasi, dan uji.
Proses data exploration memastikan kualitas, distribusi, dan keragaman data sebelum tahap modelling.
Pada tahap modelling, model YOLOv8 dilatih menggunakan Google Colab dengan pemanfaatan sumber daya komputasi awan.
Evaluasi model dilakukan secara berkala menggunakan metrik kinerja seperti akurasi, precision, recall, dan F1-score.
Jika performa belum optimal, dilakukan tuning parameter dan pelatihan ulang.
Tahap deployment mencakup integrasi model ke dalam sistem berbasis web yang dikembangkan menggunakan Visual Studio Code dan Streamlit.
Sistem memungkinkan pengguna mengunggah gambar untuk deteksi jumlah orang secara otomatis, dengan hasil yang di visualisasikan secara real-time.
Sementara itu, pengembangan sistem mengikuti pendekatan Waterfall, dimulai dari analisis kebutuhan, perancangan, implementasi, pengujian, hingga Rangkaian metodologi ini secara keseluruhan dirancang untuk menghasilkan solusi yang tidak hanya kuat secara teknis, tetapi juga relevan dan bermanfaat secara praktis di lingkungan nyata, khususnya dalam mendukung pengelolaan kepadatan kerumunan di area transportasi publik.
Visualisasi alur metodologi penelitian ini dapat dilihat pada Gambar 1.
Diagram Kerangka Metodologi Penelitian yang disajikan berikut.
Gambar 1.
Diagram Kerangka Metodologi Penelitian Halaman 181 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
HASIL DAN PEMBAHASAN Hasil Penelitian Penelitian ini dilakukan dengan mengimplemen tasikan algoritma YOLOv8 pada sistem berbasis web menggunakan framework Streamlit untuk mendeteksi dan menghitung jumlah orang di area pintu Stasiun Bekasi.
Penelitian ini mencakup tahap pengumpulan data .
ata acquisitio.
, eksplorasi data .
ata exploratio.
, pemodelan .
, evaluasi model, hingga pengembangan sistem.
Hasil Data Acquisition Data yang digunakan dalam penelitian ini diperoleh melalui rekaman video dengan durasi sekitar 4 menit 50 detik, menggunakan kamera smartphone.
Rekaman video dilakukan pada jam-jam sibuk .
00 WIB dan 17.
00 WIB) serta jam non-sibuk .
00 WIB) untuk mendapatkan variabilitas kondisi yang tinggi.
Hasil ekstraksi dari rekaman video menghasilkan total 528 frame gambar yang digunakan pada tahap selanjutnya .
apat dilihat pada Gambar 2 Hasil Data Acquisition Dalam Bentuk Fram.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
augmentasi data menggunakan teknik flip horizontal, di mana gambar asli dibalik secara horizontal untuk menciptakan variasi orientasi objek.
Teknik ini berguna untuk meningkatkan robustnes model terhadap variasi orientasi objek yang mungkin ditemui di lingkungan Gambar 3.
Sampel Hasil Prepocessing Data: Resize Gambar 4.
Sampel Hasil Augmentasi Data: Flip Horizontal Gambar 2.
Hasil Data Acquisition Dalam Bentuk Frame Hasil Data Exploration Proses eksplorasi data melibatkan tahap preprocessing yang terdiri dari auto-orient, static crop, dan resize ke ukuran standar 640x640 piksel.
Tahap ini menghasilkan 505 frame valid.
Selanjutnya, augmentasi data diterapkan melalui teknik flip horizontal, brightness adjustment, dan exposure Jumlah gambar untuk training set meningkat menjadi 1060 gambar, validation set sebanyak 101 gambar, dan testing set sebanyak 50 gambar, memperkaya dataset pelatihan secara signifikan .
apat dilihat pada Gambar 3 Sampel Hasil Preprocessing Data: Resize dan Gambar 4 Sampel Hasil Augmentasi Data: Flip Horizonta.
Gambar 4 secara khusus menggambarkan contoh hasil Hasil Pemodelan Pemodelan menggunakan algoritma YOLOv8s dengan 50 epoch pelatihan yang dilakukan secara Dari pelatihan model tersebut, model terbaik yang diperoleh memiliki ukuran file 22.
5MB setelah proses stripping optimizer.
Hasil ini menunjukkan bahwa model memiliki kapasitas komputasi yang optimal dengan akurasi prediksi yang tinggi .
apat dilihat pada Gambar 5 Hasil Train Mode.
Gambar 5.
Hasil Train Model Evaluasi Kinerja Model Deteksi Objek Person Evaluasi kinerja model dilakukan guna menilai efektivitas model dalam mendeteksi objek dari kelas Halaman 182 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Evaluasi ini bertujuan untuk memastikan bahwa model yang telah dilatih tidak hanya bekerja optimal pada data pelatihan, tetapi juga memiliki kemampuan generalisasi yang baik terhadap data baru.
Beberapa metrik evaluasi yang digunakan meliputi Confusion Matrix.
Precision.
Recall.
F1-Score, serta Mean Average Precision .
AP).
Penggunaan metrikmetrik ini memungkinkan analisis performa model secara komprehensif, sehingga potensi kekuatan dan keterbatasan model dapat diidentifikasi secara objektif.
Confusion Matrix Hasil confusion matrix menggambarkan kemampuan model dalam mengklasifikasikan kelas person secara benar dan salah.
Berdasarkan hasil evaluasi, model mencatat:
l True Positive (TP) sebanyak 1.
282, menunjukkan jumlah objek person yang berhasil terdeteksi secara l False Positive (FP) sebesar 237, yaitu jumlah prediksi salah di mana objek background diklasifikasikan sebagai person.
l False Negative (FN) sebanyak 175, yaitu jumlah objek person yang tidak berhasil terdeteksi dan diklasifikasikan sebagai background.
l True Negative (TN) tidak tersedia secara eksplisit mengingat model hanya mengevaluasi satu kelas Recall Recall mengukur kemampuan model dalam mendeteksi semua instansi dari kelas person.
Berdasarkan Gambar 6, nilai recall mencapai puncaknya sebesar 0.
95 pada saat confidence threshold berada pada nilai rendah.
Namun, seiring peningkatan nilai confidence, terjadi penurunan nilai recall, yang mengindikasikan bahwa model menjadi lebih selektif tetapi juga cenderung melewatkan beberapa objek yang Gambar 6.
Kurva nilai Recall terhadap nilai Confidence ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Precision Precision menunjukkan proporsi prediksi person yang benar terhadap keseluruhan prediksi person yang dilakukan model.
Dari Gambar 7, diperoleh nilai precision tertinggi saat confidence score Hal ini menunjukkan bahwa pada ambang kepercayaan tersebut, model memiliki tingkat ketelitian yang optimal dalam mendeteksi objek dari kelas person.
Gambar 7.
Kurva nilai Precision terhadap nilai Confidenc Precision-Recall Curve Kurva Precision-Recall (Gambar memberikan informasi tentang keseimbangan antara kedua metrik tersebut dalam berbagai tingkat ambang Berdasarkan grafik, diketahui bahwa model mencapai nilai maksimum mAP@0.
5 sebesar 0.
Hal ini menunjukkan bahwa model memiliki akurasi tinggi dalam mendeteksi objek dengan tingkat kesesuaian spasial (IoU) minimal 50%.
Gambar 8.
Kurva nilai precision terhadap nilai recall Halaman 183 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
F1-Score F1-Score merupakan metrik harmonisasi antara precision dan recall.
Gambar 9 menunjukkan bahwa model mencapai nilai F1 tertinggi sebesar 0.
87 pada confidence score 0.
Nilai ini mencerminkan kinerja yang seimbang antara sensitivitas dan ketelitian model dalam melakukan deteksi objek.
Gambar 9.
Kurva nilai F1 terhadap nilai confidence Mean Average Precision .
AP) Mean Average Precision .
AP) digunakan sebagai metrik utama untuk menilai performa keseluruhan model dalam deteksi objek.
Berdasarkan Gambar 10, diperoleh bahwa nilai mAP@0.
5 melebihi 90%, sedangkan mAP@[.
juga menunjukkan tren peningkatan selama proses pelatihan.
Selain itu, tren penurunan pada metrik train/box_loss, train/cls_loss, train/dfl_loss, serta val/box_loss, val/cls_loss, dan val/dfl_loss menunjukkan bahwa model mampu belajar secara efektif dan menjaga performanya pada data Gambar 10.
Hasil mAP (Mean Average Precisio.
Metric Validasi Model Validasi dilakukan menggunakan validation set yang tidak dilibatkan dalam proses pelatihan.
Proses validasi bertujuan untuk memastikan bahwa model ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
mengeneralisasi pada data yang belum pernah dilihat.
Berdasarkan hasil pelaksanaan skrip validasi model pt diuji dengan ambang kepercayaan sebesar 25% pada citra uji.
Hasil validasi menunjukkan bahwa model dapat tmempertahankan performa yang baik pada data uji, serta memberikan deteksi yang konsisten terhadap objek person.
Hasil Uji Coba Model dan Sistem Uji Coba Model Model diuji menggunakan 15 gambar dari berbagai kondisi kepadatan pengunjung di area pintu Stasiun Bekasi.
Hasil pengujian menunjukkan rata-rata persentase error sebesar 19,63%, dengan tingkat akurasi prediksi mencapai 80,37%.
Pengujian pada gambar-gambar yang tidak termasuk dalam dataset pelatihan menunjukkan peningkatan persentase error, menegaskan perlunya dataset yang lebih beragam untuk meningkatkan generalisasi model.
Hasil Pengembangan Sistem Setelah diperoleh model deteksi terbaik melalui proses pelatihan dan evaluasi, tahap selanjutnya adalah pengembangan sistem berbasis model tersebut untuk mendeteksi dan menghitung jumlah orang secara Pengembangan sistem dijelaskan dalam tahapan-tahapan berikut ini.
Hasil Implementation Pengembangan sistem terdiri dari dua tahap Pertama, antarmuka sistem dilakukan menggunakan framework Streamlit untuk menghasilkan tampilan yang sederhana dan intuitif.
Pengguna dapat mengunggah gambar, menjalankan proses deteksi, dan melihat hasil perhitungan secara langsung.
Komponen antarmuka mencakup judul aplikasi, deskripsi singkat, serta sidebar untuk navigasi dan input gambar.
Kedua, implementasi penghitungan jumlah orang menggunakan model YOLOv8.
Model ini dimuat dari file best.
pt dan dijalankan pada gambar yang diunggah.
Proses prediksi menghasilkan bounding box untuk setiap objek yang terdeteksi sebagai orang, lalu dihitung menggunakan fungsi len.
Hasil jumlah orang yang terdeteksi dianotasi ke dalam gambar menggunakan OpenCV dan ditampilkan di antarmuka.
Halaman 184 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Hasil Testing Pengujian sistem terbagi menjadi dua bagian Pertama, uji coba model dilakukan terhadap 15 gambar uji, dengan membandingkan hasil prediksi model dan perhitungan manual .
round trut.
Hasil menunjukkan rata-rata persentase error sebesar 19,63% dan tingkat akurasi sebesar 80,37%.
Model menunjukkan kinerja yang baik untuk gambar yang berasal dari dataset pelatihan, namun cenderung menurun pada gambar dari luar dataset .
ut-of-sampl.
karena variasi sudut pandang, pencahayaan, dan Kedua, uji coba sistem menggunakan metode Blackbox Testing untuk mengevaluasi fungsionalitas Lima skenario diuji, termasuk pemuatan model, unggah gambar, deteksi objek, tampilan hasil, dan unduhan hasil deteksi.
Semua fungsi sistem berjalan sesuai ekspektasi, menunjukkan stabilitas dan kesiapan sistem untuk digunakan dapat dilihat pada tabel dibawah ini.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Pembahasan Dalam penelitian ini, implementasi algoritma YOLOv8 pada sistem crowd counting berbasis web terbukti efektif dalam mendeteksi dan menghitung jumlah orang di area publik, dengan akurasi yang tinggi pada kondisi gambar yang serupa dengan dataset Namun, tantangan utama yang muncul adalah pada kondisi gambar yang bervariasi seperti pencahayaan yang kurang optimal, resolusi rendah, dan objek tumpang tindih, yang menyebabkan penurunan Oleh karena itu, penelitian lebih lanjut diperlukan untuk memperluas dan memperkaya dataset guna meningkatkan kemampuan generalisasi model.
Penggunaan framework Streamlit telah terbukti mampu menghasilkan antarmuka sistem yang responsif dan mudah digunakan oleh pengguna, sehingga mendukung penerapan sistem ini secara praktis dalam lingkungan nyata.
Fitur yang interaktif dan responsif tersebut memungkinkan pengguna untuk melakukan pemantauan secara real-time dengan hasil yang dapat Tabel 1.
Hasil Balck Box Testing Skenario Pengujian Langkah Pengujian Hasil yang Diharapkan Hasil Pengujian 1 Memuat model Sistem memuat Model berhasil Sesuai model deteksi dari dimuat tanpa file best.
2 Mengunggah Pengguna Gambar Sesuai mengunggah file berhasil gambar ke sistem diunggah dan 3 Deteksi objek Sistem mendeteksi Jumlah orang Sesuai dan prediksi objek jumlah orang memprediksi sesuai dengan jumlah orang pada gambar yang gambar yang 4 Menampilkan Sistem Gambar Sesuai hasil deteksi menampilkan hasil dengan anotasi deteksi dalam ditampilkan di bentuk gambar yang dianotasi 5 Mengunduh Pengguna File gambar Sesuai Hasil Deployment Tahap akhir adalah deployment sistem menggunakan platform Streamlit cloud.
Proses ini diawali dengan pembuatan repository publik di GitHub yang memuat seluruh kode sumber.
Setelah itu, integrasi dengan Streamlit Cloud dilakukan melalui akun GitHub untuk mempermudah pemilihan Formulir "Deploy an app" diisi dengan informasi terkait repository, branch, dan path file Rekomendasi Pengembangan Penelitian rekomendasi penting untuk pengembangan sistem di masa depan, antara lain:
Menambah mengklasifikasikan jumlah pengunjung masuk dan keluar secara terpisah di area pintu stasiun.
Mengembangkan sistem yang dapat memproses media input berupa video secara real-time untuk pemantauan langsung.
Menggunakan kamera dengan resolusi lebih tinggi dan penempatan strategis untuk meningkatkan akurasi deteksi.
Memperluas dataset pelatihan dengan variasi kondisi lingkungan yang lebih banyak untuk meningkatkan robustnes model.
Implementasi rekomendasi ini diharapkan akan meningkatkan kontribusi sistem dalam manajemen kerumunan secara signifikan, khususnya di area-area publik dengan intensitas pengunjung yang tinggi.
KESIMPULAN
Penelitian ini berhasil mengembangkan sebuah sistem crowd counting berbasis web dengan menggunakan model YOLOv8 yang diintegrasikan ke dalam framework Streamlit.
Sistem ini dirancang untuk mendeteksi dan menghitung jumlah orang secara realtime di area pintu masuk Stasiun Bekasi.
Hasil implementasi menunjukkan bahwa sistem mampu menampilkan visualisasi deteksi secara langsung, yang Halaman 185 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
sangat bermanfaat untuk mendukung pengelolaan kerumunan di lokasi yang padat seperti stasiun kereta Dari hasil pengujian, model YOLOv8 menunjukkan performa yang cukup baik dengan tingkat akurasi sebesar 80,37%, dan rata-rata kesalahan sebesar 19,63% dalam mendeteksi serta menghitung jumlah orang pada gambar.
Meski demikian, kinerja model masih dipengaruhi oleh beberapa kendala.
Variasi kondisi pencahayaan, sudut pandang kamera, dan tingkat kepadatan kerumunan yang tidak sepenuhnya tercakup dalam data pelatihan.
Jumlah dan kualitas data pelatihan yang terbatas, sehingga kemampuan model dalam mengenali kondisi baru masih belum optimal.
Kesulitan dalam mendeteksi objek manusia yang berada terlalu jauh atau saling bertumpukan, terutama jika resolusi gambar rendah atau bounding box terlalu kecil.
Melalui pengujian black-box, seluruh fungsi utama dalam sistemAimulai dari pemuatan model, pengunggahan gambar, hingga proses deteksi dan perhitungan objekAiberhasil dijalankan dengan baik dan sesuai ekspektasi.
Secara keseluruhan, sistem ini memiliki potensi sebagai alat bantu dalam pengawasan keselamatan dan kenyamanan pengguna transportasi Lebih jauh, penelitian ini juga menjawab beberapa kekurangan dari studi sebelumnya, terutama pada aspek visualisasi berbasis web dan responsivitas sistem dalam kondisi kepadatan tinggi.
Kontribusi ini diharapkan menjadi langkah awal menuju sistem pemantauan kerumunan yang lebih adaptif, efisien, dan mudah diakses.
SARAN
Berdasarkan hasil penelitian dan keterbatasan yang telah diidentifikasi, terdapat beberapa arah pengembangan yang disarankan untuk penelitian Pertama, sistem yang dikembangkan saat ini belum mampu membedakan jumlah orang yang masuk dan keluar di area pintu stasiun.
Oleh karena itu, perlu dikembangkan mekanisme penghitungan dua arah untuk analisis arus pergerakan yang lebih akurat.
Kedua, sistem masih terbatas pada input berupa citra .
, sehingga pengembangan sistem yang mendukung pemrosesan video atau streaming secara pemantauan kerumunan secara real-time.
Ketiga, hasil deteksi yang belum optimal dalam kondisi pencahayaan rendah, sudut pandang ekstrem, dan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
kepadatan tinggi menunjukkan perlunya pelatihan model dengan data yang lebih beragam agar kemampuan generalisasi dapat ditingkatkan.
Terakhir, optimalisasi parameter model serta integrasi teknik pelacakan objek .
bject trackin.
direkomendasikan guna meningkatkan akurasi dan ketahanan sistem dalam menghadapi tumpang tindih objek dan kondisi kepadatan tinggi.
Perbaikan-perbaikan ini diharapkan dapat mendukung pengembangan sistem crowd counting yang lebih andal, akurat, dan aplikatif di lingkungan nyata.
DAFTAR PUSTAKA