DETEKSI PENGENDARA MOTOR TANPA MENGGUNAKAN HELM DENGAN ALGORITMA YOU ONLY LOOK ONCE (YOLO v8n) BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN)

SEMBIRING, HARTANTA DWI PUTRA (2024) DETEKSI PENGENDARA MOTOR TANPA MENGGUNAKAN HELM DENGAN ALGORITMA YOU ONLY LOOK ONCE (YOLO v8n) BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN). Other thesis, UPN Veteran Yogyakarta.

	Text Cover.pdf Download (220kB)
	Text Abstrak.pdf Download (230kB)
	Text Pengesahan Pembimbing.pdf Download (580kB)
	Text Pengesahan Penguji.pdf Download (599kB)
	Text Daftar Isi.pdf Download (224kB)
	Text Daftar Pustaka.pdf Download (211kB)
	Text Skripsi Full.pdf Restricted to Repository staff only Download (10MB)

Abstract

Pelanggaran lalu lintas oleh pengendara sepeda motor yang tidak menggunakan helm merupakan salah satu permasalahan lalulintas di Indonesia, terutama selama operasi kepolisian seperti Operasi Patuh Candi 2023 yang mencatat lebih dari 235.000 pelanggaran di Jawa Tengah dalam dua pekan, dengan ribuan pelanggar terkait helm. Kondisi ini menunjukkan pentingnya sistem pemantauan lalu lintas yang mampu bekerja secara otomatis dan real-time untuk mendeteksi pelanggaran, khususnya pengendara tanpa helm.Model YOLOv8n digunakan melalui pendekatan transfer learning dengan pre-trained model YOLOv8 nano untuk melatih model baru menggunakan dataset yang terdiri dari 9.882 gambar, yang diperoleh dari rekaman CCTV lalu lintas Yogyakarta diambil dari lokasi-lokasi seperti Pasar Cebongan, Simpang Pasar Telo, Warung Boto 2, Simpang Mentri Supeno 2, Simpang Demangan, dan Simpang Maguwo Selatan serta dataset publik dari roboflow.

Penelitian ini mengevaluasi akurasi deteksi model dengan berbagai konfigurasi hyperparameter, khususnya epoch (50, 75, dan 100), untuk menemukan keseimbangan optimal antara presisi dan recall dalam mendeteksi pengendara berhelm dan tanpa helm. Hasil terbaik dicapai dengan model pada 75 epoch, yang menunjukkan performa optimal pada metrik mAP50-95 dengan nilai 0,537 dan recall 0,829. Meskipun akurasi presisi tertinggi tercapai pada epoch 100, peningkatan dari epoch 75 ke 100 tidak signifikan, sehingga pemilihan model dengan 75 epoch dianggap lebih efisien.

Pengujian sistem di berbagai lokasi CCTV seperti Pasar Cebongan, Simpang Pasar Telo, Warung Boto 2, Simpang Mentri Supeno 2, Simpang Demangan, dan Simpang Maguwo Selatan menunjukkan performa deteksi yang cukup baik dengan akurasi rata-rata 79,49%, presisi 94,79%, dan recall 76,47%. Penelitian ini berhasil mendeteksi multi-objek dalam kondisi real-time, meskipun terdapat tantangan pada deteksi objek yang berada pada jarak jauh atau blur, yang menyebabkan penurunan performa terutama untuk kelas "TanpaHelm." Hasil ini mengindikasikan bahwa peningkatan resolusi kamera atau penyesuaian sudut pengambilan gambar dapat meningkatkan performa deteksi dalam skenario yang kompleks.

Kata kunci : Deteksi helm, YOLO v8n, Pemantauan real-time, Deteksi objek

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi helm, YOLO v8n, Pemantauan real-time, Deteksi objek
Subjects:	H Social Sciences > HE Transportation and Communications Q Science > Q Science (General) Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	14 Nov 2024 01:27
Last Modified:	14 Nov 2024 01:27
URI:	http://eprints.upnyk.ac.id/id/eprint/41638

Actions (login required)

View Item