DETEKSI JUMLAH KENDARAAN DI LAMPU MERAH BERDASARKAN METODE YOLO V4 OBJECT DETECTION

SEJATI, BAYU PAMUNGKAS (2023) DETEKSI JUMLAH KENDARAAN DI LAMPU MERAH BERDASARKAN METODE YOLO V4 OBJECT DETECTION. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text SKRIPSI_BAYU PAMUNGKAS.pdf Restricted to Repository staff only Download (3MB)
	Text ABSTRAK.pdf Download (129kB)
	Text COVER.pdf Download (164kB)
	Text DAFTAR ISI.pdf Download (127kB)
	Text DAFTAR PUSTAKA.pdf Download (158kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (249kB)

Abstract

Machine learning sudah banyak dikembangkan untuk memcahkan permasalahan yang
ada. Khususnya pada pendeteksian kendaraan, metode machine learning dikembangkan untuk
menghitung kepadatan lalu lintas, otomasi lampu merah, maupun peningkatan performa dari
metode tersebut. Penelitian ini menggunakan YOLOv4 karena metode ini memiliki kecepatan
pemrosesan yang baik dari pada metode lainnya. Metode YOLOv4 menggunakan arsitektur
Darknet-53 dalam proses ekstraksi fitur dengan penerapan Convolutional Neural Network
(CNN). YOLOv4 juga menerapkan pendeteksian 3 skala untuk memaksimalkan hasil
pendeteksian dari ukuran besar ke kecil. Dalam penelitian ini menggunakan pre-trained model
dengan dataset COCO dalam proses pelatihan sebelumnya. YOLOv4 masih memiliki akurasi
yang lebih rendah dari metode lainnya, maka dari itu diterapkan cropping image untuk
meningkatkan akurasi dengan ukuran objek yang lebih besar dan meningkatkan waktu
pemrosesan.
Terdapat tiga parameter yang digunakan dalam proses pengujian, yaitu data original, YOLOv4,
dan YOLOv4Tiny. Dari masing - masing parameter tersebut diambil sepuluh sampel gambar.
Hasil pengujian menunjukkan hasil akurasi pendeteksian naik berdasarkan ukuran objek.
Semakin besar ukuran citra maka akurasi yang dihasilkan semakin tinggi. Akurasi rata – rata
naik sebesar 1 - 3% pada data uji dengan tiga parameter sebelumnya. Akurasi tertinggi didapat
pada data uji YOLOv4 dengan akurasi rata rata 94,53%. Hal tersebut menunjukkan metode
YOLOv4 memiliki akurasi pendeteksian yang baik pada ukuran objek yang besar. Namun
penerapan cropping image kurang sesuai dikarenakan akurasi dan waktu pemrosesan yang
menurun.
Kata Kunci : Deteksi Kendaraan, YOLOv4, COCO dataset

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Deteksi Kendaraan, YOLOv4, COCO dataset
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	21 Aug 2023 03:12
Last Modified:	21 Aug 2023 03:12
URI:	http://eprints.upnyk.ac.id/id/eprint/36996

Actions (login required)

View Item