Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pengembangan Sistem Informasi Perencanaan Obat berdasarkan Metoda Morbiditas dilatarbelakangi adanya masalah berkaitan dengan pengelolaan obat khususnya pada tahap perencanaan obat dimana obat direncanakan hanya berdasarkan pada konsumsi obat tahun sebelumnya dan belum berdasarkan pada pola penyakit yang ada sehingga ketersediaan obat belum optimal, disatu sisi terdapat obat yang ketersediaannya sangat terbatas dan disisi lain terdapat obat yang ketersediaannya berlebihan. Disamping itu keciinya anggaran obat perlu terns ditingkatkan melalui penyediaan data kebutuhan obat yang lebih lengkap dihitung berdasarkan Metoda Konsumsi dan Metoda Morbiditas. Penelitian ini bertujuan untuk mengkaji dan membuat suatu sistem inforrnasi yang mampu mengolah data kasus penyakit dari LB1 menjadi informasi kebutuhan obat sehingga diharapkan bermanfaat untuk menentukan jenis, jumlah, dan biaya kebutuhan obat pada scat membuat perencanaan obat. Dan diharapkan dihasilkannya indikator penggunaan obat sehingga dapat dipantau ketaatan pelaksanaan pengobatan pada standar pengobatan yang ada. Metodologi penelitian dilakukan dengan pendekatan pengembangan sistem, yaitu pendekatan System Development Life Cycle - SDLC meliputi tahap perencanaan sister, analisis sistem, perancangan sistem, uji coba dan koreksi, dan penggunaan sistem. Pengambilan data pada tahap perencanaan sistem dilakukan dengan teknik telaah dokumen dan wawancara guna memperoleh gambaran sistem yang lama dan melakukan identifikasi masalah, peluang dan kelayakan sistem secara operasional dan teknis. Pada tahap analisis sistem dilakukan analisa secara lebih mendalam sehingga diketahui bentuk informasi yang diperlukan, siapa pengguna informasi, waktu keluarnya informasi, dan kriteria sistem informasi yang diharapkan pengguna. Pada tahap perancangan sistem dilakukan perancangan secara terperinci pengenai basis data, masukan, keluaran, alur proses atau algoritma, program aplikasi dan pemilihan konvigurasi perangkat keras yang akan menjalankan sistem. Uji cobs dan koreksi prototipe dilakukan pada laboratorium komputer FKM UI, disamping itu juga dilakukan penilaian kelebihan dan kelemahan sistem. Sebagai hasilnya program aplikasi Sistem Informasi Perencanaan Obat berdasarkan Metoda Morbiditas ini diharapkan dapat dipergunakan di lingkungan Dinas Kesehatan Kota Pontianak. Beberapa simpulan dari penelitian ini antara lain bahwa Pengembangan Sistem Informasi Perencanaan Obat berdasarkan Metoda Morbiditas dapat diterapkan dilingkungan Dinas Kesehatan Kota Pontianak dengan beberapa prakondisi yang memungkinkan sistem berjalan untuk memenuhi keseluruhan kebutuhan informasi yang diharapkan pengguna untuk perencanaan kebutuhan obat dan pemantauan penggunaan obat. Program aplikasi yang sederhana, mudah dalam penggunaan, tingkat pengarnanan data yang baik dan dapat dikembangkan sehingga pengiriman data dari Puskesmas ke Dinas Kesehatan menjadi lebih mudah. Beberapa saran pada tahap lanjutan hendaknya juga dilakukan pengembangan sistem yang terkomputerisasi di Puslofar terhadap penerimaan, penyimpanan, pendistribusian dan pelaporan mutasi obat; adanya penyempumaan pada format form LB 1 dan penyempumaan standar pengobatan sehingga mencakup keseluruhan penyakit yang ada pada LB1. ...... The background of drug planning information system development base on morbidity method was the problem related to drug management particularly in drug planning step, where drug was planned merely based on drug consumption in a previous year and still not based on existing disease pattern, thus drug availability was still not optimal, in one side there was very limited drug availability and in the other side drug availability was excessive, Additionally, small drug budget need to be increased through more complete data provision of drug requirement calculated based on consumption method and morbidity method. The aim of this study was to identify and build a information system that can process data of disease case of LB 1 to drug requirement information that expected useful to determine type, number and cost of drug requirement when performing drug planning. It is expected to produce drug utility indicator so that treatment implementation adherence on existing treatment standard can be monitored. The study was carried out by system development approach, System Development Life Cycle (SDLC) approach including system planning, system analysis, system design, system testing and revising, and system use steps. In system planning step, document review and interview technique were employed to collect data in order to obtain the description of old system and to identify the problem, the chance and advisability of the system operationally and technically. In system analysis step, analysis is performed more deeply so that information form needed, information user, time of information out, and information system user criteria expected can be identified. In system design step, design is performed in detail on data, input, output, process flow or algorithm, applied program and hardware configuration selection to carry out the system. Prototype testing and correction were conducted in FKM UI computer laboratory, in addition, assessment of system benefit and limitation were performed. As a result, the application of program of drug planning information system base on morbidity method is expected can be used in Pontianak Health District. Some conclusions from this study include drug planning information system development base on morbidity method can be used in Pontianak Health District with some preconditions allowing the system to be carried out to meet all information need that user expected to drug requirement planning and drug utilization monitoring. Simple and easy applicable program, high level of data safety to be developed so that data transferring from health centre to health district is much easier. Some advises for the next step that it is needed to perform computerized system development on drug receiving, maintenance, distribution and drug mutation reporting in Puslofar; it is expected the finishing on LB 1 format and treatment standard, thus cover all of disease LB 1.

Abstrak :
Latar belakang: Penggunaan komputer dapat menimbulkan suatu keluhan kesehatan yang disebut dengan Computer Vision Syndrome (CVS), Sindrom ini dapat dipengaruhi oleh berbagai faktor risiko individual, lingkungan dan komputer. Tujuan: Mengidentifikasi dan menganalisis faktor-faktor resiko ergonomik individual dan komputer yang berhubungan dengan kejadian Computer Vision Syndrome (CVS) pada pekerja pengguna komputer yang berkacamata dan pekerja yang tidak berkacamata. Metode: Penelitian ini merupakan penelitian metode kualitatatif. Penelitian dilakukan pada bulan April - Mei 2013 di Unit Pelakasana dan Pelatihan. Sampel sebanyak 18 orang dengan kriteria tertentu, dibagi menjadi 2 kelompok pekerja berkacamata dan pekerja yang tidak berkacamata. Peneliltian dilakukan dengan wawancara langsung menggunakan kuesioner dan pengukuran. Hasil: Faktor-faktor yang berhubungan dengan kejadian CVS adalah Kelembaban 71%, Pencahayaan kurang dari 300-500 lux (KEPMENKES nomor 1405/Menkes/SK/XI/2002), Usia lebih dari 40 tahun (das et al.), lama bekerja dengan komputer, dan jarak komputer dengan mata. Kesimpulan: Gejala ekstraokuler pada pekerja pengguna kacamata bifocal melakukan retrofleksi leher sehingga leher tertekuk kebelakang yang menyebabkan keluhan nyeri pada leher. Penderita terbanyak bukan dari pengguna kacamata tetapi pada pekerja yang tidak berkacamata. Serta penderita CVS (berdasarkan kriteria anamnesa) di usia 25 tahun, kedua hal ini berkaitan dengan potur ergonomi pada saat kerja baik secara design tempat kerja, kondisi ruangan ataupun durasi kerja yang semuanya saling berkaitan sehingga menimbulkan gejala Computer Vision Syndrome (CVS). ......Background: Computer usage could cause health complaints called Computer Vision Syndrome (CVS). This syndrome was influenced by individual and computer risk factors. Aim: The objective of the study is to identify and to analyze individual and computer factors of computer Vision Syndrome (CVS). Methods: This study was an observational study with methods qualitatively. The research was conducted in April-May 2013 in the Pelakasana and Training Unit. Sample of 18 people with certain criteria, divided into 2 groups of workers and workers who are not wearing glasses glasses. Peneliltian done by direct interviews using questionnaires and measurements. Results: Factors associated with the incidence of CVS is Humidity 71%, less than the 300-500 lux lighting (KEPMENKES 1405/Menkes/SK/XI/2002), age over 40 years (das et al.), Long working computers, and computer distance by eye. Conclusion: Extraocular symptoms in workers bifocal glasses users do retrofleksi neck so the neck is bent backwards which causes pain in the neck. Most patients but not from users goggles to workers who do not wear glasses. And people with CVS (based on criteria anamnesis) at the age of 25 years, these two things related to ergonomic posture at work both in design work, ambient conditions or duration of action that are all intertwined, giving rise to symptoms of Computer Vision Syndrome (CVS).

Abstrak :
Di dalam penelitian ini akan digunakan teknologi Augmented Reality di dalam sebuah film animasi. Pendeteksian berbasis Computer Vision pada penelitian ini akan menggunakan ARToolKit dan 3dSMax. ARToolKit yang digunakan membutuhkan marker. Marker sendiri adalah visual tag yang dimasukkan ke dalam real scene yang bisa dikenali dalam Augmented Reality. Kamera yang digunakan untuk mengenali marker, akan merubah pola pada marker ke dalam biner. Setelah kamera mengidentifikasi marker, maka dilakukan transformasi posisi marker dan melakukan render objek 3D di atas marker, sehingga akan terlihat film animasi pada desktop. Dari segi fungsionalitas, pengguna melihat animasi sudah bekerja dengan cukup baik. Inti sari dari materi pun juga tersampaikan. Jadi, keberhasilan implementasi cukup besar, dengan beberapa perbaikan di masa depan diharapkan bisa mencapai ekspektasi. Tujuan pembuatannya adalah untuk memberikan pengetahuan mengenai pembuatan sebuah film pendek beranimasi yang ditampilkan pada layar komputer secara real-time dengan markers sebagai implementasi Augmented Reality. Film beranimasi ini mengadopsi cerita rakyat Sangkuriang, yang berasal dari Jawa Barat, Indonesia.

---

In this research we design Augmented Reality System inserted inside an animated movie. Computer Vision based tracking in this research work uses ARToolKit and 3dSMax. ARToolKit needs marker. The marker itself is a visual tag inserted into real scene and it could be recognized in Augmented Reality. The camera used to recognize the marker and detect it to be changed to the binary form. After identifying the marker, the position transforming of the marker and the rendering part will follow as the 3D objects show up on the marker. The result is an animated movie get started. The animation functions quite well. The point of the story is delivered enough. Overall, the implementation turns out considerably good, by correcting some points it could reach the expectation. The purpose of this project is to share the techique to present an animated movie on the desktop using markers as the implementation of Augmented Reality. The animated movie adopting Sangkuriang folk story, originated from West Java, Indonesia.

Abstrak :
ABSTRAK

Pada tahun 2013, Badan Pusat Statistik mencatat bahwa telah terjadi 100.106 kasus kecelakaan lalu lintas di Indonesia. Sebagian besar kecelakaan disebabkan oleh faktor manusia, yaitu mengantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi blur, Canny dan kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi blur, canny dan kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Performa sistem pendeteksi kantuk diuji melalui empat variabel, yaitu kernel size, nilai threshold, perbedaan kondisi pencahayaan dan karakteristik mata. Berdasarkan hasil pengujian, kernel size terbaik untuk mendeteksi mata adalah (4,4). Selain itu, nilai threshold terbaik untuk lower threshold dan upper threshold adalah 70-110 dan 210-240. Perbedaan kondisi pencahayaan (pagi, siang, sore dan malam) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 20%. Karakteristik mata (berkacamata dan tidak berkacamata) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 16,7%.

---

ABSTRACT

In 2013, Badan Pusat Statistik (Statistics Indonesia) recorded that 100.106 cases of traffic accident have occured in Indonesia. Mostly caused by human error, i.e. drowsiness. Drowsiness detection system is developed to respond this situation. Drowsiness detection system is built through OpenCV library by combining the Haar Cascade Classifier algorithm with blur, canny and contour function. Haar Cascade Classifier was used to detect areas of face and eyes whereas the combination of blur, canny and contour function is used to detect the driver’s eyes and analyze the open or closed driver’s eyes. The performance of drowsiness detection system was tested through four variables; kernel size, threshold value, lighting condition (morning, noon, afternoon and night) and eye’s characteristic (eyeglasses or not). Based on the experiments, the best kernel size to detect the driver’s eyes is 4,4. Then, the best lower threshold and upper threshold are 70-110 and 210-240. Subsequently the light conditions has a 20 % error rate to the system. The eye’s characteristic has a 16,7 % error rate to the system.

Abstrak :
Kecerdasan buatan (artificial intelligence, AI) merupakan teknologi yang sedang berkembang dengan cepat pada masa ini. Adanya teknologi AI membuat banyak permasalahan sederhana dan kompleks dapat diatasi dengan program komputer. Salah satu penerapan dari teknologi AI yang memiliki perkembangan yang besar adalah pada computer vision, yang mana dapat dibuat program yang dapat mendeteksi dan mengklasifikasi objek pada suatu gambar. Pada bidang ini, computer vision dapat digunakan untuk mendeteksi rokok. Algoritma dapat dibuat untuk mengetahui jika ada objek rokok dan lokasi dari rokok tersebut pada gambar. Hal ini dapat berguna untuk menyensor rokok pada media video yang dikonsumsi oleh anak-anak. Pada media video, biasanya sensor dilakukan dengan cara manual dan dengan bantuan tracking. Cara ini dapat melelahkan karena walaupun dengan tracking, harus ada orang sebagai pendeteksi yang menunjukkan lokasi objek rokok secara berkala. Terdapat banyak arsitektur dan model algoritma untuk deteksi objek, salah satunya adalah YOLOv8 (You Only Look Once version 8). YOLOv8 adalah versi terbaru dari algoritma YOLO, yang mana merupakan salah satu algoritma state-of-the-art dalam deteksi objek. YOLO merupakan model dari Convolutional Neural Network (CNN) yang melakukan deteksi dengan konsep single stage detector, yaitu algoritma ini melakukan deteksi objek dengan menggunakan keseluruhan gambar sekaligus untuk menjadi masukan input neural network-nya. Cara ini membuat YOLO memiliki tingkat kecepatan yang tinggi mendekati real-time. Selain deteksi objek, diterapkan juga algoritma tracking yang berfungsi untuk menandai pergerakan objek rokok pada video. Sehingga objek rokok akan tetap disensor walaupun terjadi perubahan cahaya, terhalang objek lain, dan gangguan visual lainnya pada video. Algoritma tracking yang digunakan pada penelitian ini adalah ByteTrack. ByteTrack adalah algoritma tracking yang menggunakan komputasi yang minim karena dapat melakukan tracking dengan hanya memproses lokasi bounding box tiap frame video. Perbedaan algoritma ini dibandingkan yang lain adalah ByteTrack akan memanfaatkan semua hasil deteksi objek walaupun terdapat nilai confidence yang kecil. Pada penelitian ini didapatkan model training terbaik dari YOLOv8 dengan nilai presisi sebesar 86,5%, nilai recall sebesar 86,1%, nilai mAP 50 sebesar 88,1%, dan nilai mAP 50:95 sebesar 58,3%. Lalu pada konfigurasi confidence ByteTrack didapatkan hasil terbaik dengan pada confidence tahap pertama sebesar 0,247 dan tahap kedua sebesar 0,01. Hasil tracking ini mendapatkan nilai presisi sebesar 62,3%, nilai recall sebesar 62,7%, nilai akurasi sebesar 45,5%, dan nilai F1 sebesar 62,5%. ......Artificial intelligence (AI) is a technology that is developing rapidly and popular in this era. AI technology creates the possibility to solve and overcome many simple complex problems. One example of the application of AI technology that has great development is computer vision, which is a concept that can make a computer program to detect and classify objects in an image.  Using computer vision, this technology can be used to detect cigarette. From image or video media, the algorithm can check if there is any cigarette and then locate the object in the image. This is useful to censor cigarette from media that consumed by children. On video medium, censorship usually done manually with the help of object tracking. This method can be tiring because even if object tracking is used, there must be a person as a detector that locate the cigarette every few frames. There are many architectures and models for object detection, YOLOv8 (You Only Look Once version 8) is one of them. YOLOv8 is the latest version of YOLO algorithm. YOLOv8 is considered as one of the state-of-the-art algorithm for object detection.  YOLO model is based from Convolutional Neural Network (CNN). The concept of this algorithm to detect object is called single stage detector, which means that it takes the whole image as input for its neural network thus only single image process needed. This concept makes YOLO fast to detect objects. Object tracking algorithm is also used to keep track detected cigarette even if there is a change in light, occlusion from other object, and other visual changes in the video. ByteTrack is used for the tracking algorithm in this study. ByteTrack works by processing bounding box location of each frame in video, making it use little computation. The main difference of this algorithm is that it process all bounding boxes from the object detection, including detected object with low confidence score. In this study, the YOLOv8 model managed to obtain the best performance with precision value of 86.5%, recall value of 86.1%, mAP 50 value of 88.1%, and mAp 50:95 value of 58.3%. For the confidence configuration of ByteTrack, best performance is achieved with 0.247 confidence score for the first association and 0.01 confidence score for the second association. The result of this configuration is a precision value of 62.5%, a recall value of 62.7%, an accuracy value of 45.5%, and a F1 score of 62.5%.

Abstrak :
Live streaming merupakan salah satu metode transmisi data yang digunakan untuk menonton sebuah video. Transmisi live streaming akan mengirimkan file video secara sedikit demi sedikit kepada penonton secara langsung sehingga penonton dapat menyaksikan video yang ditransmisikan secara langsung atau disebut dengan real-time tanpa perlu mengunduh video sehingga video dapat disiarkan secara langsung. Pada saat ini live streaming merupakan salah satu bentuk konten video yang banyak diminati pada semua kalangan dan bentuk seperti siaran TV, streaming video game, video media sosial, hingga pengiklanan produk penjualan. Pada penelitian ini sistem pendeteksi komponen komputer sebagai produk penjualan video live streaming dilakukan dengan metode Object Detection dengan menggunakan model YOLOv7 yang merupakan model dari computer vision untuk dapat melakukan object detection secara real-time. Penelitian akan membandingkan variasi model dari YOLOv7 untuk menemukan varian yang paling sesuai untuk digunakan sebagai model pendeteksian pada video live streaming. Penelitian ini juga akan mencaritahu pengaruh dari resolusi dan juga jarak perekaman video terhadap tingkat akurasi model dengan melakukan ujicoba model terhadap video simulasi live streaming. Hasil percobaan membuktikan bahwa varian YOLOv7-Tiny menjadi yang paling sesuai untuk diimplementasikan kedalam video live streaming dikarenakan kecepatan pendeteksian yang lebih cepat dengan kecepatan 4.5 kali lebih cepat dari varian YOLOv7 dan sekitar 21.7 kali lebih cepat dari varian YOLOv7-X. Pengaruh jarak juga terbukti dengan menurunnya nilai mAP 0.5 yang dihasilkan model ketika jarak yang digunakan semakin besar dan perubahan resolusi juga terbukti berpengaruh terhadap viii kemampuan deteksi model dengan jumlah objek dan juga beban yang dihasilkan semakin besar seiring dengan meningkatnya resolusi yang digunakan. ......Live Streaming is one of the data transmission methods used to watch a video. Live Streaming transmission will send video files bit by bit to the viewer directly so that the viewer can watch videos that are transmitted directly or referred to as real time without the need to download the video so that the video can be broadcast live. At this time Live Streaming is a form of video content transmission method that is in great demand among all groups and forms such as TV broadcasts, video game streaming, social media videos, and also product advertising. In this study, the detection system for computer component as selling product on video live streaming was carried out with Object Detection method using YOLOv7 model, which is an computer vision model capable for object detection on real-time video. This study will also find out the effect of resolution and video recording distance on the accuracy of the model by testing the model on live streaming video simulations. The experimental results prove that the YOLOv7-Tiny variant is the most suitable to be implemented into live streaming video due to faster detection speed with a speed 4.5 times faster than the YOLOv7 variant and around 21.7 times faster than the YOLOv7-X variant. The effect of distance is also evident by the decreasing of mAP 0.5 value which is produced by the model when the distance used is greater and changes in resolution are also proven to affect the detection ability of the model with the number of objects and also the resulting load is greater as the resolution used increases.

Abstrak :
Seiring dengan kemajuan teknologi, kemampuan kendaraan atau robot untuk dapat secara otonom menjelajahi lingkungannya menjadi semakin diminati. Terdapat banyak tantangan yang dihadapi oleh kendaraan atau robot otonom agar dapat melakukannya. Salah satu tantangan tersebut adalah melacak gerakan inkremental dan menganalisis lingkungannya dengan akurat untuk melakukan lokalisasi. Salah satu metode yang dapat digunakan untuk membantu menangani masalah tersebut adalah dengan menggunakan visual odometry. Visual odometry adalah proses mengestimasi gerakan translasi dan rotasi kendaraan atau robot menggunakan kamera yang dipasangkan dengan menganalisa gambar-gambar yang diambil. Dalam penelitian ini, penulis mencoba membangun sebuah sistem visual odometry stereo sederhana. Sistem ini terdiri dari enam bagian utama yaitu mendeteksi fitur dan mengkomputasi deskriptornya menggunakan Oriented FAST and Rotated BRIEF (ORB), mencocokkan fitur secara brute force berdasarkan jarak Hamming dari deskriptor-deskriptor fitur, melacak fitur menggunakan optical flow Lucas-Kanade, melakukan triangulasi terhadap titik-titik fitur menggunakan linear triangulation, mengestimasi translasi dan rotasi dengan menyelesaikan permasalahan Perspective-n-Point (PnP) menggunakan gabungan metode Efficient PnP (EPnP) dan Random Sample Consensus (RANSAC), dan memperbaharui estimasi posisi dan orientasi. Sistem yang dibangun ini memperoleh average translation root mean squared error sebesar 5.1284% dan average rotation error sebesar 0.027 deg/m pada dataset odometry publik KITTI dengan performa kecepatan 18.88 frames per second pada environment komputer 1 core dengan clock speed 2.7 Ghz. ......As technology advances, the ability of vehicles or robots to be able to autonomously explore their environment is becoming increasingly desirable. There are many challenges that autonomous vehicles or robots face in order to do so. One of the challenges is to track incremental motions and accurately analyze their environment for localization. One of the methods that can be used to help to deal with this problem is by using visual odometry. Visual odometry is the process of estimating the translational and rotational movements of a vehicle or robot using a camera attached by analyzing the images taken. In this research, the author tried to build a simple stereo visual odometry system. This system consists of six main parts, namely detecting features and computing their descriptors using Oriented FAST and Rotated BRIEF (ORB), matching features by brute forcing based on Hamming distance from the feature descriptors, tracking features using Lucas-Kanade optical flow, triangulating the feature points using linear triangulation, estimating translation and rotation by solving Perspective-n-Point (PnP) problems using a combination of Efficient PnP (EPnP) and Random Sample Consensus (RANSAC) methods, and updating the position and orientation estimation. This system has an average translation root mean squared error of 5.1284% and an average rotation error of 0.027 deg/m on the KITTI public odometry dataset with a speed performance of 18.88 frames per second in a 1 core computer with a clock speed of 2.7 Ghz.

Abstrak :
Kamera digunakan oleh pengelola jalur lalu lintas kendaraan di jalan besar pada beberapa kota-kota di Indonesia untuk tujuan pengawasan, pengendalian, hingga pengambilan bukti pelanggaran atau kronologi kecelakaan pada ruas jalan tersebut. Namun, penggunaan kamera ini masih dalam tahap menerima data yang kemudian tindakan selanjutnya dilakukan secara manual. Sedangkan, banyak kebutuhan yang dapat dipenuhi dengan adanya perkembangan teknologi pada bidang komputasi. Salah satunya adalah penggunaan kamera tersebut dapat dimaksimalkan dengan mengimplementasikan algoritma pembelajaran mesin untuk menentukan jalur lalu lintas mana yang menjadi prioritas pada persimpangan dengan kuantifikasi kepadatan kendaraan pada ruas jalan. Pada penilitian ini sistem kuantifikasi kepadatan kendaraan melalui data gambar dikaji dengan menggunakan algoritma untuk mendeteksi objek kendaraan pada seperti YOLOv4 yang merupakan state-of-the-art dalam algoritma pendeteksian karena memiliki akurasi yang lebih baik dan juga lebih cepat dibandingkan dengan arsitektur deteksi objek lainnya. Selain itu, diimplementasikan juga algoritma pelacakan objek kendaraan seperti CSRT/KCF sehingga tidak perlu melakukan proses deteksi secara terus-menerus dan dapat mengurangi biaya komputasi. Hasil percobaan pada penilitian ini membuktikan bahwa kombinasi model deteksi dan pelacakan dapat digunakan secara real-time maupun interaktif. Walaupun nilai mAP dari model YOLOv4 mengalami penurunan sekitar 20.65%, namun perbedaan antara hasil kuantifikasi kepadatan kendaraan sistem dan nilai aktual masih tidak terlalu jauh yaitu sekitar 1-5%, tergantung dengan jenis model yang digunakan. ...... Cameras are used by traffic lane managers on major roads in several cities in Indonesia for the purpose of monitoring, controlling, and collecting evidence of violations or chronology of accidents on those roads. However, the use of this camera is still in the stage of receiving data, then further actions are carried out manually. Meanwhile, many needs can be met with the development of technology in the field of computing. One of them is that the use of the camera can be maximized by implementing machine learning algorithms to determine which traffic lanes are the priority at intersections by quantifying the density of vehicles on the road. In this study, the vehicle density quantification system through image data will be studied using an algorithm to detect vehicle objects such as YOLOv4 which is a state-of-the-art detection algorithm because it has better accuracy and is also faster than other object detection architectures. In addition, vehicle object tracking algorithms such as CSRT/KCF will also be implemented so that there is no need to carry out the detection process continuously and can reduce computational costs. To meet the needs of image data processing from the video as well as the configuration of the AI ​​model, one of the libraries, namely OpenCV, will be used to facilitate the creation and optimization of machine learning models/algorithms. This research proves that the combination of detection and tracking models can be used in real-time or interactively. Although the mAP value of the YOLOv4 model has decreased by about 20.65%, the difference between the system vehicle density quantification results and the actual value is still not too far away, around 1-5%, depending on the type of model used.