IMPLEMENTASI YOLOv8n DAN YOLOv8n-seg UNTUK ESTIMASI KETINGGIAN AIR PADA BENDUNG DI INDONESIA

DEWA, GALANG SATRIAMAHESA PUTRA (2025) IMPLEMENTASI YOLOv8n DAN YOLOv8n-seg UNTUK ESTIMASI KETINGGIAN AIR PADA BENDUNG DI INDONESIA. Skripsi thesis, UPN Veteran Yogyakarta.

	Text Cover_123210119_Galang Satriamahesa Putra Dewa.pdf Download (168kB)
	Text Abstrak_123210119_Galang Satriamahesa Putra Dewa.pdf Download (234kB)
	Text Halaman Pengesahan_123210119_Galang Satriamahesa Putra Dewa.pdf Download (5MB)
	Text Daftar Isi_123210119_Galang Satriamahesa Putra Dewa.pdf Download (258kB)
	Text Daftar Pustaka_123210119_Galang Satriamahesa Putra Dewa.pdf Download (201kB)
	Text Fulltex_123210119_Galang Satriamahesa Putra Dewa.pdf Restricted to Repository staff only Download (10MB)

Abstract

Permasalahan terkait pemantauan tinggi air pada bendungan menjadi sangat penting
dalam konteks mitigasi bencana banjir. Pada praktiknya, pemantauan masih dilakukan secara
manual menggunakan pengukur air (water gauge) konvensional yang rentan terhadap
kesalahan pembacaan, keterbatasan jangkauan pengawasan, serta ketergantungan pada
sumber daya manusia. Selain itu, pendekatan otomatis yang sudah ada kerap tidak fleksibel
terhadap perubahan posisi kamera dan tidak mampu bekerja saat angka pengukur air tertutup
oleh objek lain. Oleh karena itu, penelitian ini mengangkat topik pengembangan sistem
otomatis berbasis visi komputer untuk mendeteksi dan mengestimasi ketinggian air pada
bendungan dengan pendekatan yang lebih adaptif dan akurat.
Penelitian ini menggunakan metode pemrosesan citra digital berbasis deep learning
dengan model YOLOv8 sebagai inti dari sistem. Sistem dikembangkan melalui tiga model
utama: model deteksi pengukur air, model deteksi angka pada pengukur air, dan model
segmentasi air. Akuisisi data dilakukan dengan mengambil frame dari 53 video bendungan
yang kemudian dianotasi secara manual untuk melatih ketiga model tersebut. Data pelatihan
disusun berdasarkan variasi kondisi cuaca dan waktu untuk memastikan keberagaman data.
Setiap model dilatih dan dievaluasi secara terpisah menggunakan metrik precision, recall,
dan mAP. Setelah seluruh model selesai, ketiganya diintegrasikan dalam satu sistem yang
mampu mendeteksi area pengukur air, mengenali angka yang terlihat, melakukan segmentasi
area air, serta menghitung tinggi air secara otomatis berdasarkan skala piksel ke sentimeter.
Hasil penelitian menunjukkan bahwa model deteksi pengukur air mencapai precision
0.99947, recall 1, dan mAP50 sebesar 0.995. Model deteksi angka menunjukkan precision
0.98555, recall 0.99233, dan mAP50 sebesar 0.98894. Model segmentasi air mencapai
precision dan recall ≥ 0.999, dengan mAP50 pada dua kelas utama (B dan M) mencapai
0.995. Sistem menunjukkan performa yang baik terutama saat angka pada pengukur air
berhasil dideteksi, dengan rata-rata galat estimasi tinggi air di bawah 1.2 cm dalam berbagai
kondisi cuaca dan pencahayaan. Namun, performa menurun saat angka tidak terdeteksi,
karena sistem harus menggunakan estimasi skala berdasarkan lebar pengukur air yang tidak
selalu akurat akibat distorsi perspektif. Penelitian ini memberikan kontribusi berupa sistem
deteksi dan estimasi tinggi air berbasis YOLOv8 yang mampu beradaptasi terhadap
perubahan posisi kamera dan sebagian besar kondisi lingkungan, serta memberikan dasar
untuk pengembangan sistem pemantauan air otomatis di masa depan.
Kata Kunci: YOLOv8, deteksi objek, segmentasi citra, ketinggian air, pengukur air

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	GALANG SATRIAMAHESA PUTRA DEWA (Penulis-123210119) ; Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	YOLOv8, deteksi objek, segmentasi citra, ketinggian air, pengukur air
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	14 Oct 2025 01:42
Last Modified:	14 Oct 2025 01:42
URI:	http://eprints.upnyk.ac.id/id/eprint/44301

Actions (login required)

View Item