Untuk mengatur lalu-lintas dengan banyaknya kendaraan saat ini dibutuhkan
tenaga manusia yang banyak karena dalam mengawasi keaadaan lalu-lintas
terdapat banyak daerah atau area yang yang harus diawasi. Dalam lalu-lintas
banyak juga terdapat aspek-aspek penting yang perlu diamati, seperti kecepatan
kendaraan, jumlah kendaraan, dan hal-hal lain yang bersangkutan dengan
kendaraan pada lalu-lintas. Oleh sebab itu, sistem traffic management yang baik
dibutuhkan. Penelitian ini akan menguji akurasi dari metode YOLO dalam
mendeteksi kendaraan. Pada penelitian ini terdapat tiga nilai parameter utama
yaitu, epoch, batch, dan learning rate. Dataset yang digunakan pada penelitian ini
yaitu, dataset Roboflow. Pada dataset ini terdapat beberapa jenis kendaraan yang
terdapat pada citra dan dipilih dua jenis kendaraan. Untuk dataset pengujian,
digunakan data video stock yang merupakan video singkat. Berdasarkan pengujian
nilai epoch dan batch didapatkan akurasi maksimum 63% . Pada pengujian kedua
berdasarkan nilai learning rate didapatkan akurasi maksimum 71%. Dengan
penelitian ini, dapat disimpulkan bahwa nilai epoch,batch, dan learning rate
mempengaruhi hasil akurasi deteksi pada objek. Faktor terbesar yang
mempengaruhi hasil akurasi adalah nilai yang optimal atau kurang optimal dari
parameter yang digunakan.