Integrasi Algoritma YOLOv8 dan Streamlit untuk Visualisasi Real-Time dan Akurat dalam Penghitungan Kerumunan di Kawasan Stasiun Bekasi

Abstrak

Manajemen kerumunan di area transportasi publik menjadi tantangan penting seiring meningkatnya populasi urban. 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 utama—unggah gambar, deteksi objek, visualisasi, dan unduhan hasil—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 publik. 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.