Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi jaringan telah meningkatkan kompleksitas lalu lintas data, sehingga membutuhkan sistem pemantauan yang lebih efektif untuk mendeteksi berbagai protokol jaringan dan anomali keamanan. Pada tahun 2024, jumlah pengguna internet di seluruh dunia mencapai 5,35 miliar orang, atau sekitar 66,2% dari populasi global. Aktivitas online yang semakin dinamis ini menghasilkan volume data yang sangat besar, dengan rata-rata peningkatan penggunaan data sebesar 1,8% per tahun. Penelitian ini bertujuan untuk merancang dan membangun sistem pemantauan lalu lintas jaringan berbasis web menggunakan teknologi Deep Packet Inspection (DPI) yang diintegrasikan dengan Data Plane Development Kit (DPDK). Sistem yang dikembangkan mampu memantau lalu lintas secara real-time, menganalisis protokol yang digunakan, serta menyajikan visualisasi data interaktif untuk mendukung pengambilan keputusan. Sistem ini menggunakan pustaka open-source nDPI sebagai inti deteksi protokol, yang dioptimalkan dengan DPDK guna meningkatkan kinerja pemrosesan paket. Antarmuka berbasis web yang disediakan memudahkan pengguna untuk memantau statistik lalu lintas, menganalisis anomali, serta mengatur konfigurasi sistem. Pengujian sistem menunjukkan bahwa integrasi antara nDPI dan DPDK secara signifikan meningkatkan efisiensi pemrosesan, memungkinkan penanganan volume data hingga 10GB dengan throughput yang dikategorikan "Sangat Bagus" menurut standar TIPHON, dengan tingkat efisiensi rata-rata mencapai 99,991%. Sistem ini juga terbukti mampu mengidentifikasi berbagai protokol dengan akurasi tinggi, termasuk mendeteksi risiko dan anomali, dengan tingkat kehilangan paket rata-rata hanya 0,83%. Pengujian User Acceptance Test (UAT) berdasarkan standar ISO/IEC 25010:2011 mengonfirmasi bahwa sistem ini memenuhi kebutuhan pengguna dengan antarmuka yang intuitif, keandalan tinggi, dan tingkat keamanan yang memadai. Hasil penelitian ini diharapkan dapat menjadi solusi pemantauan jaringan yang andal, efisien, dan mudah digunakan, serta memberikan kontribusi dalam pengembangan teknologi pemantauan lalu lintas data yang bersifat open-source dan fleksibel.

---

The advancement of network technology has increased the complexity of data traffic, necessitating more effective monitoring systems to identify various network protocols and security anomalies. By 2024, global internet users had reached 5.35 billion, accounting for 66.2% of the world population. This dynamic online activity generates an immense volume of data, with annual data usage growing at an average rate of 1.8%. This study focuses on designing and developing a web-based network traffic monitoring system utilizing Deep Packet Inspection (DPI) technology integrated with the Data Plane Development Kit (DPDK). The proposed system is designed to monitor traffic in real-time, analyze the protocols in use, and provide interactive data visualization to facilitate informed decision-making. The system leverages the open-source nDPI library as the core for protocol detection, optimized with DPDK to enhance the efficiency of packet processing. Equipped with a web-based interface, the system allows users to monitor traffic statistics, analyze anomalies, and configure the system with ease. Testing results demonstrate that integrating nDPI and DPDK significantly enhances processing performance, enabling the system to manage data volumes of up to 10GB with throughput classified as "Very Good" according to the TIPHON standard, achieving an average processing efficiency of 99.991%. Additionally, the system accurately identifies a wide range of protocols and detects risks and anomalies, maintaining an average packet loss rate of only 0.83%. A User Acceptance Test (UAT), conducted in compliance with the ISO/IEC 25010:2011 standard, confirms that the system meets user expectations, featuring an intuitive interface, high reliability, and robust security measures. This research aims to deliver a dependable, efficient, and user-friendly network monitoring solution, while contributing to the advancement of open-source, flexible network traffic monitoring technologies. "

"Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut.

---

The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event."

"Penelitian ini bertujuan untuk merancang sebuah Network Packet Broker (NPB) sebagai bagian dari sistem yang terdistribusi di jaringan untuk filtrasi konten internet publik. Di Indonesia, filtering ini merupakan amanah dari peraturan perundangundangan yang berlaku, namun belum ada produk lokal yang tersedia di pasaran. NPB bertugas menyeleksi paket dengan cepat dan tepat, dan meneruskannya ke bagian lain untuk diaplikasikan rule atau policy yang ditentukan. Intel DPDK dan Intel Hyperscan mempercepat proses dalam menerima, mengolah, dan meneruskan paket. Pengembangan NPB ini meliputi beberapa fitur atau fungsi utama (yang diuji dalam tes fungsional), keamanan, dan kemampuan remote management serta loggingnya. Hasil pengujian menunjukkan bahwa seluruh fungsi utama telah berjalan dengan seharusnya. Pengukuran kinerja berhasil mengetahui baseline dan limit dari arsitektur yang dibuat.

---

This research aims to design a Network Packet Broker (NPB) as part of a distributed system on a network for public internet content filtering. In Indonesia, this filtering is mandated by applicable regulations, but there are currently no local products available in the market. The NPB’s task is to swiftly and accurately filter packets, forwarding them to other components for the application of specified rules/policies. Intel DPDK and Intel Hyperscan accelerate the process of receiving, processing, and forwarding packets. The development of this NPB includes several main features/functions (tested in functional tests), security, and remote management capabilities as well as logging. Test results show that all main functions have run as expected. Performance measurements successfully identified the baseline and limits of the architecture developed. "

"Rambu lalu lintas merupakan sebuah alat yang berada di area-area tertentu yang berisi peringatan, larangan, maupun petunjuk untuk para pengguna jalan. Rambu lalu lintas ini sangat penting untuk dipatuhi, karena jika dilanggar banyak dampak negatifnya, seperti kecelakaan, kemacetan, dan lainnya. Sistem peringatan rambu lalu lintas ini akan memberitahukan rambu lalu lintas yang ada dijalan secara real time dengan komunikasi secara nirkabel menggunakan RF Link Kit. Sistem ini mampu melakukan pengiriman, penerimaan, dan pengolahan dangan jarak maksimal 18 m. Pengiriman informasi pada sistem ini dapat diterima oleh 2 buah divais penerima. Interferensi pada sistem ini dapat dihindari dengan penempatan sebuah transmitter dengan jarak minimal 1 m terhadap transmitter lainnya. Sistem ini dapat digunakan sampai kecepatan 40 km/jam dengan jarak penerimaan sampai 10 m.

---

Traffic signs is a tool in the specific areas that contain a warning, prohibition, or instructions to road users. Traffic signs are important to be obeyed, if violated will have a negative impact, such as traffic accident, traffic jam, and other. Traffic signs warning system will inform traffic signs in real time with wireless communication using RF Link Kit. This system can sending, receiving, and processing with a maximum distance of 18 m. Transmission of information on this system is able to be accepted by 2 receiver device. Interference in this system can be avoided by placing a transmitter with a minimum distance 1 m from the other transmitter. This system can be used up to speeds of 40 km / h with a range up to 10 m."

"ABSTRAKSkripsi ini berisi perancangan, pembuatan, dan analisis sistem pemantau lalulintas dengan teknologi computer vision menggunakan OpenCV. Sistemmemberitahukan kondisi kemacetan jalan yang dipantau dalam empat level(lengang, ramai lancar, padat merayap, dan macet). Penelitian dilakukanmenggunakan OpenCV sebagai library pemograman bahasa C++ denganalgoritma Canny dan Blob Detection untuk mendeteksi kendaraan menggunakankamera pemantau pada posisi vertikal dari samping. Berdasarkan pengujianmetode Blob Detection lebih unggul pada kondisi jalan lengang, namun ketikakondisi semakin ramai algoritma Canny lebih unggul. Sistem mendeteksikendaraan yang lewat dengan rata-rata kecepatan pendeteksian 9.8 ms per framedengan input video berukuran 320 x 240 pixel.

---

ABSTRACTThis thesis describes the design, making, and analysis of traffic monitoring systemby using computer vision technology with OpenCV. These systems notify the userabout the state of the monitored road congestion in four levels (quiet, crowded,dense crowded, and congested). The research was conducted using the OpenCVlibrary programming language C++ with the Canny algorithm and Blob Detectionto detect the vehicle using camera on the position of vertical side. Based from thetest results, the Blob Detection method is superior in the deserted road conditions,but when conditions are more crowded the Canny algorithm is superior. Thesystem can detect vehicle with average speed of 9.8 ms per frame with video inputsize 320 x 240 pixels."

"ABSTRAK

Energi matahari memiliki potensi yang besar untuk pembangkitan tenaga listrik. Namun karena faktor cuaca, energi listrik yang dihasilkan tidak stabil dan berfluktuatif. Terdapat beberapa upaya mitigasi fluktuasi daya PV dengan metode Pembatasan Daya, Penyimpanan Energi, Penyebaran PLTS, Pengaturan Beban dan Peredaman Fluktuasi serta Hibrid PLTS dengan Diesel Generator. Namun metode tersebut masih memiliki kekurangan karena belum mampu menghasilkan daya PV yang stabil pada suatu nilai yang diinginkan. Untuk mengatasi masalah tersebut diatas, maka dilakukan rancang bangun modul Dynamic Power Injection (DPI) yang merupakan modul berbasis arduino ATMEGA 2560. Modul DPI merupakan penggabungan metode Power Curtailment dan Energy Storage. Modul DPI bekerja dengan membaca besaran arus, tegangan, daya pada PV, baterai dan beban. Kemudian DPI menstabilkan daya keluaran PV pada nilai seting yang diinginkan dengan aksi serap dan injeksi. Untuk memonitoring hasil keluaran besaran listrik dan  kestabilan daya PV digunakan modul IoT WIFI ESP 8266 v.1. Dengan demikian data dapat diakses online secara real time melalui PC browser dan Ponsel Android. Dari hasil pengujian, modul DPI mampu menstabilkan daya PV dengan tingkat error 10,052 % dan ramping rate yang baik. Waktu pengiriman data dari DPI ke thingspeak webserver memiliki delay waktu 15 detik.

---

ABSTRACT

---

Solar energy has great potential for electricity generation. But due to weather factors, the electricity produced is unstable and fluctuating. There are several efforts to mitigate PV power fluctuations with the Power Restriction method, Energy Storage, PLTS Distribution, Load and Damping Fluctuation Arrangement and PLTS Hybrid with Diesel Generator. However, this method still has disadvantages because it has not been able to produce stable PV power at a desired value. To overcome the above problems, the design of the Dynamic Power Injection (DPI) module is an Arduino ATMEGA 2560 based module. The DPI module is a combination of Power Curtailment and Energy Storage methods. The DPI module works by reading the amount of current, voltage, power on PV, battery and load. Then the DPI stabilizes the PV output power at the desired setting value with the absorption and injection action. To monitor the output of electrical quantities and PV power stability, the WIFI IoT module ESP 8266 v.1 is used. Thus data can be accessed online in real time through PC browsers and Android phones. From the test results, the DPI module is able to stabilize PV power with an error rate of 10.052% and a good lean rate. The time for sending data from DPI to thingspeak webserver has a delay of 15 seconds.

"

"IT Risk Management merupakan suatu metodologi yang digunakan suatu perusahaan/ organisasi untuk dapat membantu mengatur resiko dari semua divais dan infrastruktur IT yang dimilikinya. Dengan IT Risk Management yang baik, maka perusahaan/ organisasi dapat mengatur seluruh aset IT yang dimiliki sehingga dapat membantu meningkatkan produktifitas perusahaan/ organisasi tersebut. IT Risk Management terdiri atas tiga tahapan, yaitu risk assessment, risk mitigation serta evaluation dan assessment. Pada setiap tahapan tersebut akan diperoleh output tertentu yang berupa report mengenai perusahaan/ organisasi. Untuk membantu dalam implementasi IT Risk Management, dibutuhkan Intrusion Detection System (IDS) yang akan memberikan report mengenai kondisi jaringan suatu perusahaan/ organisasi, meliputi pelaporan apabila terjadi gangguan serta tindakan yang akan dilakukan terhadap gangguan tersebut. Pada skripsi ini dibuat suatu perancangan aplikasi berbasis web yang digunakan untuk perhitungan risk level (tingkat resiko) dalam suatu LAN pada tahapan risk assessment. Aplikasi tersebut digunakan untuk menghitung nilai risk level untuk setiap ancaman (threat) yang terdeteksi oleh IDS untuk suatu pilihan waktu yang dimasukkan oleh user. Aspek keamanan jaringan untuk suatu LAN merupakan hal yang sangat penting, terutama apabila di dalam LAN tersebut terdapat komputer yang didalamnya terdapat data yang sangat penting dan pada jaringan yang sama dengan komputer tersebut, terdapat komputer-komputer lain yang dipakai oleh banyak orang. Ancaman terhadap data pada komputer tersebut tidak hanya dapat berasal dari internet, tetapi juga dapat berasal dari computer-komputer dalam LAN. Oleh karena itu, dengan adanya aplikasi ini diharapkan apabila muncul suatu serangan terhadap suatu komputer yang berasal dari komputer lain pada LAN yang sama, serangan tersebut dapat terdeteksi sehingga tindakan perlindungan data dapat dilakukan. Pada bagian akhir dari skripsi ini, sistem tersebut diujicoba pada LAN suatu perusahaan, untuk selanjutnya dilakukan suatu ujicoba serangan. Ada tiga tahapan ujicoba dengan setiap tahapan dilihat nilai Risk Level yang dihasilkan sistem. Pada tahap pertama, yaitu pencarian IP Address pada suatu LAN, menghasilkan nilai kuantitatif Risk Level sebesar 4 (Low Risk Level). Pada skenario ujicoba tahap 2, yaitu pencarian informasi meliputi port dan nama komputer untuk suatu komputer, menghasilkan nilai kuantitatif Risk Level sebesar 232 (High Risk Level). Pada skenario ujicoba tahap 3, yaitu pengambilalihan suatu computer target, menghasilkan nilai kuantitatif Risk Level sebesar 232 (High Risk Level).

---

IT Risk Management is a methodology used by a company / organization that can help them to manage risk from all devices and IT infrastructure assets. With the good IT Risk Management, the company / organization can manage all IT assets owned so can help them to increase the productivity of the company / organization. IT Risk Management consists of three phases, namely risk assessment, risk mitigation and the evaluation and assessment. At each stage, there are an output in the form of a report to the company / organization. To assist in the implementation of IT Risk Management, Intrusion Detection System (IDS) is required, to provide a report on the condition of the network of a company / organization, including reporting of when an interruption occurs and the action will be taken.

In this thesis, a web-based application is designed, that is used to calculate the risk level in a LAN on the risk assessment stage. That application is used to calculate the value of the risk level for each threat detected by the IDS for a selection entered by the user. Aspects of network security for a LAN is very important, especially where in the LAN there are computers that contains a very important data and at the same with computers, there are computers that are used by many people. Threats to the data on the computers not only can come from the internet, but can also come from computers in the LAN. Therefore, this application is expected to appear when an attack against a computer that came from another computer on the same LAN, the attack can be detected so that the data protection act can be done.

At the end of this thesis, the system is tested on a corporate LAN, to be a trial of attacks. There are three stages of testing with each of the stages seen the value of the resulting Risk Level system. In the first stage, the IP Address is searched on a LAN, the quantitative value of Risk Level is 4 (Low Risk Level). In the phase 2 trial scenario, the search information includes the port and the name of the computer to a computer, the quantitative value of Risk Level is 232 (High Risk Level). In the phase 3 trial scenario, the takeovers process of a target computer, the quantitative value of Risk Level is 232(High Risk Level)."

"Dalam sebuah jaringan, unsur keamanan merupakan sebuah hal penting yang tidak bisa ditawar-tawar lagi. Dengan semakin berkembangnya teknologi informasi baik dari sisi perangkat keras maupun lunak ternyata telah mengakibatkan berkembangnya ancaman terhadap keamanan jaringan. Dalam perancangan jaringan, diperlukan sebuah mekanisme untuk melindungi jaringan tersebut dari gangguan baik yang berasal dari dalam maupun dari luar. Cara untuk melindungi jaringan dari gangguan yang berasal dari luar adalah dengan menggunakan firewall untuk menyaring data yang keluar masuk jaringan. Iptables dan netfilter merupakan aplikasi firewall yang menjadi standar pada sistem operasi GNU/Linux. Pada awalnya iptables merupakan pengembangan dari ipchains yang keduanya dibuat oleh Paul Russel. Selain sebagai firewall, iptables juga bisa berfungsi sebagai network address translator. Iptables memiliki pasangan yang disebut netfilter yang merupakan bagian dari kernel Linux. Kedua bagian ini harus ada untuk menjalankan peran sebagai firewall. Firewall umumnya memeriksa paket berdasarkan header pada paket dan segmen. Dalam skripsi ini, aplikasi iptables dan netfilter akan dikembangkan agar dapat menyaring paket berdasarkan payload. Hasil pengembangannya berupa modul yang sanggup memeriksa paket dengan kecepata rata-rata 0,38 mikro detik per koneksi per paket."

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"

Kemacetan merupakan salah satu masalah yang belum bisa terselesaikan di kota-kota besar di Indonesia. Salah satu cara untuk mengatasi masalah ini, yaitu dengan memanfaatkan teknologi yang dapat memantau lalu lintas secara otomatis, agar dapat dimonitor dan dianalisis untuk pengembangan fasilitas serta kebijakan guna menyelesaikan masalah ini. Teknologi yang dapat diterapkan untuk masalah ini, yaitu teknologi image processing yang dikolaborasikan dengan machine learning dan dengan bantuan library OpenCV. Pendeteksian objek menggunakan MobileNet-SSD dan Caffe model, objek yang dideteksi merupakan kendaraan yang melintas di jalan, pengambilan input menggunakan kamera CCTV yang diakses oleh publik. Kecepatan, performa, akurasi, dan kepadatan jalanan merupakan variabel yang dianalisis pada penulisan ini. Hasil dari pendeteksian memiliki akurasi yang tidak cukup baik sekitar 43% untuk keseluruhan, dan 68% untuk pendeteksian mobil. Terdapat penambahan fitur pada penelitian ini, yaitu pendeteksian motor yang memiliki akurasi 51%

---

Traffic jam is one of many problems that cannot be solved in various cities in Indonesia. One way to overcome this problem is to use technology that can monitor traffic automatically, so that traffic conditions can be monitored, and analyzed for the development of facilities and policies to solve this problem. One of the technologies that can be applied to this problem is image processing technology in collaboration with machine learning, and OpenCV. This research use Mobilenet-SSD and Caffe models for objects detection, objects detected are vehicles that cross the road, input is taken from CCTV cameras that can accessed by public. Speed, performance, accuracy, and road density are the variables analyzed in this paper. The results of the detection have an accuracy that is not good enough only about 43% for the whole detection, and 68% for the detection of the car, and 51% for the detection of the motorcycle

"