Perkembangan teknologi transportasi menuntut sistem pengelolaan lalu lintas yang lebih akurat dan adaptif, khususnya dalam pengklasifikasian jenis kendaraan untuk mendukung perencanaan dan pemeliharaan infrastruktur jalan dan jembatan. Penelitian ini bertujuan untuk mengembangkan kemampuan sistem SINDILA-PLATO dalam melakukan pengklasifikasian kendaraan ke dalam 12 kategori secara otomatis dan real-time. Metode yang digunakan meliputi pengolahan citra digital dan penerapan algoritma pembelajaran mesin berbasis deep learning untuk meningkatkan akurasi deteksi dan klasifikasi kendaraan.

Data yang digunakan diperoleh dari rekaman lalu lintas pada berbagai kondisi lingkungan dan waktu, yang kemudian dilakukan proses pelabelan sesuai standar klasifikasi kendaraan. Model dikembangkan melalui tahapan preprocessing, pelatihan, validasi, dan pengujian performa. Hasil penelitian menunjukkan bahwa sistem SINDILA-PLATO mampu meningkatkan tingkat akurasi klasifikasi hingga lebih dari 90% pada sebagian besar kategori kendaraan, dengan performa yang stabil pada kondisi lalu lintas padat maupun bervariasi.

Implementasi sistem ini diharapkan dapat mendukung pengambilan keputusan berbasis data dalam manajemen lalu lintas, perencanaan kapasitas jalan, serta evaluasi beban kendaraan terhadap struktur jalan dan jembatan. Selain itu, sistem ini juga berpotensi untuk diintegrasikan dengan teknologi smart transportation di masa depan.

LOKASI: Rak Penelitian 1
TLL: 246