Peningkatan jumlah kendaraan di wilayah perkotaan menyebabkan permasalahan parkir liar yang berdampak pada kemacetan dan penurunan estetika kota. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis kendaraan parkir liar menggunakan algoritma YOLOv8, dengan pendekatan CRISP-DM sebagai metode pengembangan. Untuk mengidentifikasi kendaraan yang tidak bergerak dalam durasi tertentu, sistem ini dilengkapi dengan algoritma pelacakan ByteTrack dan metode analisis pergerakan Lucas-Kanade Optical Flow. Dataset penelitian terdiri dari citra statis hasil pengambilan dari Google Street View dan video uji dari dataset publik. Proses pelatihan dilakukan di Google Colab menggunakan pustaka Ultralytics, Roboflow, dan OpenCV. Hasil evaluasi model menunjukkan nilai precision sebesar 0.992, recall sebesar 0.680, F1-score sebesar 0.790, serta nilai mAP50 sebesar 0.838. Sistem yang dikembangkan terbukti efektif dalam mendeteksi kendaraan parkir liar secara real-time dan memiliki potensi untuk diimplementasikan dalam sistem pengawasan lalu lintas berbasis smart city.

The increasing number of vehicles in urban areas has led to the widespread issue of illegal parking, causing traffic congestion and reduced city aesthetics. This study aims to develop an automated system for detecting illegally parked vehicles using the YOLOv8 object detection algorithm, implemented through the CRISP-DM methodology. To distinguish between moving and stationary vehicles, the system incorporates the ByteTrack tracking algorithm and Lucas-Kanade Optical Flow motion analysis. The dataset comprises static images collected from Google Street View, and video samples from a public GitHub repository. Model training was conducted on Google Colab using Ultralytics, Roboflow, and OpenCV libraries. Evaluation results show a precision of 0.992, recall of 0.680, F1 score of 0.790, and a mAP50 score of 0.838. The developed system demonstrates strong potential for real-time detection of illegally parked vehicles and can be effectively implemented in traffic surveillance within smart city environments.