Menemukan tempat parkir yang kosong di area terbuka seringkali menjadi tantangan, terutama di pusat perbelanjaan yang ramai. Penelitian ini bertujuan untuk merancang sistem untuk mendeteksi ketersediaan tempat parkir mobil secara real-time menggunakan algoritma YOLOv8 yang diimplementasikan pada perangkat bergerak. YOLOv8 dipilih karena kemampuan deteksi objeknya yang cepat dan akurat. Dataset terdiri dari 131 citra area parkir luar ruangan, yang dianotasi menjadi dua kelas: empty dan cars. Pelatihan model dilakukan dengan berbagai konfigurasi pengaturan hiperparameter untuk mengevaluasi kinerja berdasarkan presisi, recall, dan tolok ukur mAP@50. Hasil terbaik diperoleh dengan konfigurasi optimizer Adam yang menghasilkan 96,74% presisi, 99,06% recall, dan 99,17% mAP@50. Hasil ini juga diintegrasikan ke dalam aplikasi perangkat bergerak berbasis React Native di mana hasil langsung ditampilkan saat deteksi dilakukan secara real-time. Hasil pengujian mengonfirmasi bahwa sistem secara akurat memberikan informasi tentang slot parkir yang tersedia secara responsif selama kondisi siang hari. Namun, akurasi deteksi dalam kondisi malam hari sedikit menurun karena tingkat pencahayaan yang rendah, sehingga memerlukan perbaikan melalui peningkatan data dan augmentasi yang spesifik untuk kondisi gelap. Studi ini menunjukkan bahwa teknologi deteksi objek berbasis YOLOv8 dapat secara efektif menyelesaikan masalah pencarian tempat parkir di area terbuka.
Finding an empty parking spot in an open area can often be a challenge, especially in busy shopping centers. This study aims to design a system for detecting the availability of parking spots in real time using the YOLOv8 algorithm implemented on mobile devices. YOLOv8 was chosen for its fast and accurate object detection capabilities. The dataset consists of 131 images of outdoor parking areas, annotated into two classes: empty and cars. Model training was conducted with various hyperparameter configurations to evaluate performance based on precision, recall, and the mAP@50 metric. The best results were obtained with the Adam optimizer configuration, yielding 96.74% precision, 99.06% recall, and 99.17% mAP@50. These results were also integrated into a React Native-based mobile application where the results are displayed in real-time as detection occurs. Testing results confirm that the system accurately provides information about available parking slots in a responsive manner during daytime conditions. However, detection accuracy in nighttime conditions decreases slightly due to low lighting levels, necessitating improvements through enhanced data and augmentation specific to dark conditions. This study demonstrates that YOLOv8-based object detection technology can effectively address the challenge of finding parking spaces in open areas.