Universitas Dian Nuswantoro melaksanakan studi yang membandingkan model deteksi objek YOLOv8n dan YOLOv11n untuk deteksi helm sepeda motor secara waktu nyata dalam pengawasan lalu lintas. Kegiatan ini melibatkan peneliti UDINUS Ubaidillah, Muhammad Naufal; Nugraha, Adhitya; Luthfiarta, Ardytha; Hidayat, Erwin Yudi; Buana, Chandra Lukita; dan Marendratama, Radhitya. Studi tersebut menempatkan penggunaan helm sebagai hal yang berkaitan dengan pengurangan kematian dan cedera dalam kecelakaan sepeda motor, sekaligus mengakui bahwa penegakan penggunaan helm masih menjadi tantangan di banyak wilayah.
UDINUS menggunakan Grey Wolf Optimizer (GWO) untuk melakukan penyetelan hiperparameter model dengan tujuan meningkatkan akurasi dan efisiensi. Optimasi mencakup laju pembelajaran, ukuran batch, ukuran citra, dan momentum. Model dilatih menggunakan dataset deteksi helm yang diperoleh dari Roboflow. Kinerja model dievaluasi melalui metrik deteksi objek standar, yaitu Recall, Precision, mAP@0.5:0.95, dan mAP@0.5. Dengan demikian, studi ini menilai kinerja deteksi serta waktu inferensi dalam konteks deteksi waktu nyata.
Hasil eksperimen menunjukkan bahwa penyetelan menggunakan GWO meningkatkan kinerja model pada sebagian besar metrik. YOLOv8n yang dipadukan dengan GWO mencapai mAP@0.5 tertinggi yang dilaporkan, yaitu 0.900, serta mAP@0.5:0.95 sebesar 0.624. YOLOv11n yang dipadukan dengan GWO mencapai mAP@0.5 sebesar 0.901, sedangkan mAP@0.5:0.95 yang dicapai adalah 0.614. Dalam hal waktu inferensi, YOLOv8n yang dioptimalkan mempertahankan keseimbangan dengan waktu 3.8 ms per citra. Temuan tersebut menunjukkan bahwa optimasi metaheuristik, khususnya GWO, dapat digunakan untuk meningkatkan deteksi objek berbasis pembelajaran mendalam dalam penerapan yang berkaitan dengan keselamatan, seperti sistem transportasi cerdas.
Kegiatan UDINUS ini menghubungkan penelitian deteksi helm dengan pertimbangan kesehatan dan keselamatan serta pengawasan lalu lintas dalam sistem transportasi cerdas. Kegiatan ini memberikan bukti mengenai perbandingan model, optimasi hiperparameter, kinerja deteksi, dan waktu inferensi dengan tetap berfokus pada metode dan temuan yang dilaporkan dalam studi.