SEMARANG- Dosen Universitas Harapan Bangsa (UHB) Purwokerto Imam Ahmad Ashari SKom Mkom berhasil meraih gelar doctor usai mempertahankan disertasi dihadapan para penguji pada Program Studi Doktor Sistem Informasi (DSI) Universitas Diponegoro di Gedung Pascasarjana Undip pada Senin (26/01/2026).
Dr Imam Ahmad Ashari SKom Mkom melakukan penelitian disertasi dengan judul “Integrasi Computer Vision Dan Deep Learning Untuk Prediksi Real-Time Kemacetan Lalu Lintas Perkotaan”.
Sidang promosi doktor dipimpin oleh Wakil Dekan Akademik & Kemahasiswaan Dr Tri Laksmi Indreswari SH MH dan Sekretaris Sidang Prof Dr Ir R Rizal Isnanto ST MM MT IPU ASEAN Eng dengan penguji ekstrenal Rektor Universitas Islam Indonesia (UII) Prof Fathul Wahid Msc PhD dan penguji internal Prof Iwan Setiawan ST MT, Qidir Maulana Binu Soesanto SSi MSc PhD. Sebagai Promotor Dr Eng Ir wahyul Amien Syafei IPU ASEAN, sedangkan Co Promotor Dr Eng Adi Wibowo.
Menurut Dr Imam Ahmad Ashari bahwa penelitian ini bertujuan untuk mengintegrasikan teknologi computer vision dan deep learning dalam sistem prediksi kemacetan lalu lintas perkotaan secara realtime. Pada tahap deteksi objek kendaraan, digunakan model YOLO dengan tiga varian yaitu YOLOv5n, YOLOv8n, dan YOLO11n.
“Hasil pengujian menunjukkan bahwa YOLOv8n menghasilkan performa terbaik, khususnya saat diterapkan dengan teknik multi-augmentasi (Scaling, Zoom In, Brightness Adjustment, Color Jitter, dan Noise Injection) dengan nilai mAP50–95 tertinggi sebesar 0,544,” ungkap Dr Imam Ahmad Ashari.
“Teknik augmentasi terbukti berpengaruh signifikan terhadap peningkatan akurasi deteksi, meskipun turut berdampak pada waktu komputasi. Selanjutnya, pada tahap prediksi kemacetan, digunakan pendekatan Bi-LSTM dengan dukungan teknik sliding window dan algoritma Komodo Mlipir (KMA) untuk optimasi parameter,” tambahnya.
Model yang diusulkan, yaitu SW-KMA-Bi-LSTM, menunjukkan performa terbaik dengan nilai RMSE sebesar 14,0569 dan MAE sebesar 8,2372, mengungguli model pembanding lainnya seperti LSTM, Bi-LSTM, MFOA-Bi-LSTM, FD-MarkovLSTM, CAM-LSTM, dan Hyper-Flophet. Validasi model terbaik dilakukan pada studi kasus CCTV Sayung Demak. Hasilnya, rata-rata confidence deteksi YOLO bervariasi: 0,678 (siang) dan 0,559 (malam). Sebaliknya, prediksi SW-KMA-BiLSTM sangat stabil dengan rata-rata confidence 0,986 (siang) dan 0,9895 (malam).
