<![CDATA[Untuk mendukung terwujudnya smart city, interkoneksi antar bidang menjadi sangat penting, tak terkecuali bidang transportasi. Bidang transportasi berperan sangat besar untuk mendukung kemajuan daerah. Perbandingan jumlah kedaraan dan kapasitas jalan raya yang sesuai sangat penting untuk diperhatikan. Apabila kapasitas jalan kurang, maka akan menimbulkan kemacetan. Kemacetan ini bisa menaikkan tingkat kecelakaan, efek pada pertumbuhan ekonomi, dan kenaikan emisi gas buang. Arus kendaraan merupakan suatu hal yang penting dalam pengoperasian dan perencanaan pada ruas jalan yang baru dan melakukan modifikasi ruas jalan yang ada untuk dapat memenuhi dan mengantisipasi perubahan yang terjadi pada kondisi lalu-lintas.Untuk mendapatkan informasi karakteristik lalu-lintas ,diperlukan berbagai informasi sarana lalu-lintas yang bergerak, serta perilaku penggunanya. Dari informasi yang diperoleh kemudian dianalisa untuk didapatkan hasil dampak kerja lalu-lintas, apabila hasil dari dampak kerja berada kurang dari standar pelayanan minimal, maka perlu diusulkan untuk perbaikan geometrik atau pengaturan kembali penggunaan pada ruang jalan. Penghitungan jumlah kendaraan dan pengklasifikasian selama ini dilakukan dengan cara penghitungan secara konvensional pada titik waktu yang ditentukan. Penggunaan teknik ini memiliki kekurangan yaitu memerlukan sumber daya manusia yang banyak dan tidak bisa dilakukan secara terus menerus. Dengan mengetahui kondisi tersebut, maka dalam penelitian ini akan dibuat sistem penghitung dan melakukan klasifikasi jenis kendaraan secara real time dan terus menerus menggunakan teknik pengolahan citra. Komputer papan tunggal nVidia Jetson Nano digunakan karena didesain melakukan proses kecerdasan buatan yang tertanam dan dengan harga yang relatif terjangkau. Berdasarkan percobaan didapatkan hasil Sistem Pendeteksian yang digunakan mobienet-SSD v2 hasil training mendapatkan akurasi perhitungan kendaraan sepeda motor 50 %, kendaraan ringan yang terdiri dari mobil dan pickup sejumlah 65 %, Truk sejumlah 83 % dan Bus sejumlah 33 %. Kecepatan pemrosesan metode pada Jetson Nano dengan tensor RT, mobilenet SSD v2 dan tensorflow didapatkan kecepatan proses realtime 24 fps.]]>
