ABSTRAK
Tingginya angka para pelanggar lalu lintas dijalan raya akibat tidak
menggunakan helm oleh pengendara sepeda motor masih menjadi permasalahan
serius, meskipun sistem tilang elektronik (ETLE) telah diterapkan. Salah satu
kendala dalam proses deteksi pelanggaran ini adalah buruknya kualitas citra akibat
efek blur. Penelitian ini mengusulkan metode gabungan antara algoritma restorasi
Lucy-Richardson Deconvolution dan klasifikasi menggunakan Convolutional
Neural Network (CNN) untuk meningkatkan akurasi deteksi pelanggaran. Dataset
yang digunakan terdiri dari 1.101 citra hasil ekstraksi video, yang terbagi menjadi
dua kelas: menggunakan helm dan tidak menggunakan helm. Citra diuji dengan dan
tanpa proses restorasi untuk membandingkan performa deteksi.
Setelah melalui proses restorasi dan pelatihan model CNN, sistem
memperoleh akurasi sebesar 93% pada data uji. Hasil deteksi menunjukkan
peningkatan yang signifikan dibandingkan citra tanpa restorasi, di mana akurasi
hanya mencapai 87%. Selain itu, sistem dapat memproses citra blur dan
mengklasifikasikan objek helm dengan lebih akurat berdasarkan evaluasi
menggunakan confusion matrix dan visualisasi bounding box. Dengan demikian,
integrasi algoritma Lucy-Richardson Deconvolution dengan CNN terbukti efektif
dalam meningkatkan kualitas citra serta akurasi deteksi pelanggaran penggunaan
helm, dan berpotensi diterapkan pada sistem ETLE untuk mendukung penegakan
hukum lalu lintas secara otomatis.
Kata Kunci: Restorasi Citra, Lucy-Richardson Deconvolution, CNN, Deteksi
Helm, Klasifikasi Citra, ETLE